💻 computer science

cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context

यह शोध पत्र cc-Shapley को प्रस्तुत करता है, जो shapley values का एक कॉज़ल-कॉन्टेक्स्ट (causal-context) संशोधन है जो डेटा-जनरेटिंग प्रोसेस के ज्ञान का लाभ उठाकर कोलाइडर बायस (collider bias) और सप्रेशन (suppression) के कारण होने वाले भ्रामक फीचर एट्रिब्यूशन को समाप्त करता है, जिससे व्याख्यात्मक एआई (explainable AI) और वैज्ञानिक खोज के लिए अधिक सटीक मल्टीवेरिएट फीचर महत्व (multivariate feature importance) प्रदान किया जा सके।

मूल लेखक: Jörg Martin, Stefan Haufe

प्रकाशित 2026-03-06

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jörg Martin, Stefan Haufe

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: मशीन लर्निंग मॉडल ने यह विशिष्ट भविष्यवाणी क्यों की?

आर्टिफिशियल इंटेलिजेंस की दुनिया में, हम इस सवाल का जवाब देने के लिए "फीचर इम्पॉर्टेंस" (feature importance) नामक उपकरणों का उपयोग करते हैं। वे हमें बताते हैं कि समाधान के लिए कौन से सुराग (डेटा पॉइंट्स) सबसे महत्वपूर्ण थे। सबसे लोकप्रिय उपकरण है शापली वैल्यूज़ (Shapley Values)। शापली वैल्यूज़ को एक पुरस्कार को टीम के खिलाड़ियों के बीच इस आधार पर निष्पक्ष रूप से बांटने के तरीके के रूप में समझें कि प्रत्येक खिलाड़ी ने जीत में कितना योगदान दिया था।

हालाँकि, इस शोध पत्र के लेखक, जोर्ग मार्टिन और स्टेफ़न हॉफ, इस उपकरण के उपयोग के तरीके में एक बड़ी खामी की खोज कर चुके हैं। उनका तर्क है कि यदि डेटा के पीछे की कारण संबंधी कहानी (causal story) को नहीं समझा गया, तो ये उपकरण हमें धोखा दे सकते हैं और ऐसे "भूतिया सुराग" (ghost clues) पैदा कर सकते हैं जो वास्तव में मौजूद ही नहीं हैं।

यहाँ उनकी खोज और उनके नए समाधान, cc-Shapley का विवरण सरल उपमाओं (analogies) के माध्यम से दिया गया है।

1. समस्या: "झूठा दोस्त" (कोलाइडर बायस - Collider Bias)

समस्या को समझने के लिए, आइए शोध पत्र के उदाहरण को देखें: नाश्ता और मधुमेह (Diabetes)।

सेटअप: एक मरीज रक्त शर्करा (blood sugar) परीक्षण के लिए आता है।
- Y (लक्ष्य/Target): क्या मरीज को मधुमेह है?
- C (कार्ब्स/Carbs): उन्होंने नाश्ते में कितनी मात्रा में कार्ब्स खाए?
- G (ग्लूकोज/Glucose): उनका ब्लड शुगर लेवल क्या है?
सच्चाई:
- बहुत अधिक कार्ब्स (C) खाने से ब्लड शुगर (G) बढ़ जाता है।
- मधुमेह (Y) होने से भी ब्लड शुगर (G) बढ़ जाता है।
- महत्वपूर्ण बात: कार्ब्स और मधुमेह का आपस में कोई सीधा संबंध नहीं है। एक स्वस्थ व्यक्ति बहुत भारी नाश्ता कर सकता है, और एक मधुमेह रोगी नाश्ता छोड़ भी सकता है।
जाल (द कोलाइडर/The Collider):
कल्पना कीजिए कि ब्लड शुगर (G) एक "मिलन बिंदु" है जहाँ दो सड़कें (कार्ब्स और मधुमेह) एक दूसरे को काटती हैं। सांख्यिकी (statistics) में, इसे कोलाइडर (Collider) कहा जाता है।

अब, कल्पना कीजिए कि आप एक जासूस हैं। आप एक मरीज को देखते हैं जिसका ब्लड शुगर (G) अधिक है।
- यदि आप जानते हैं कि उन्हें मधुमेह (Diabetes) है, तो आप सोच सकते हैं, "आह, यह उच्च शुगर का कारण बताता है।"
- लेकिन यदि आप मधुमेह के बारे में नहीं जानते, और आप देखते हैं कि उनका ब्लड शुगर (G) अधिक है, तो आपका दिमाग कारण खोजने की कोशिश करता है।
- यदि आप देखते हैं कि उन्होंने बहुत भारी नाश्ता (High C) किया है, तो आपका दिमाग कहता है, "ओह, उच्च शुगर केवल भोजन के कारण है! शायद उन्हें मधुमेह नहीं है।"
परिणाम: डेटा में, ऐसा दिखता है जैसे अधिक कार्ब्स खाना आपको मधुमेह के प्रति कम संवेदनशील बनाता है।

यह बेतुका है! कार्ब्स खाना मधुमेह को ठीक नहीं करता। लेकिन क्योंकि हम डेटा को ब्लड शुगर (कोलाइडर) के "लेंस" के माध्यम से देख रहे हैं, हम एक भ्रामक संबंध (spurious association) बना देते हैं। हम यह सोचने के धोखे में आ जाते हैं कि कार्ब्स एक "इलाज" हैं क्योंकि वे उच्च शुगर की व्याख्या कर देते हैं।

पुराना टूल (Shapley Values) यहाँ विफल हो जाता है। यह डेटा को देखता है, इस अजीब पैटर्न को देखता है, और कहता है: "कार्ब्स बहुत महत्वपूर्ण हैं! वे मधुमेह के साथ नकारात्मक रूप से जुड़े हुए हैं!" यह एक ऐसे फीचर को उच्च स्कोर देता है जो वास्तव में अप्रासंगिक है, सिर्फ इसलिए क्योंकि यह एक सांख्यिकीय चाल है।

2. समाधान: "हस्तक्षेप" (The Intervention - cc-Shapley)

लेखक cc-Shapley (Causal Context Shapley) नामक एक नया उपकरण प्रस्तावित करते हैं।

केवल डेटा को देखने (अवलोकन/Observation) के बजाय, cc-Shapley पूछता है: "क्या होगा यदि हम बदलाव के लिए मजबूर करें?" (हस्तक्षेप/Intervention)।

पुराना तरीका (अवलोकन/Observation): "आइए उन लोगों को देखें जिन्होंने वास्तव में बहुत अधिक कार्ब्स खाए थे और देखें कि उनका मधुमेह का जोखिम क्या है।" (यह ऊपर बताए गए जाल की ओर ले जाता है)।
नया तरीका (हस्तक्षेप/Intervention): "आइए कल्पना करें कि हम सभी को स्वास्थ्य की परवाह किए बिना मजबूर करते हैं कि वे हाई-कार्ब नाश्ता करें, और फिर उनके मधुमेह के जोखिम की जांच करते हैं।"

जब आप नाश्ते के लिए मजबूर करते हैं (हस्तक्षेप करते हैं), तो आप मधुमेह के कारण नाश्ते और ब्लड शुगर के बीच के संबंध को तोड़ देते। आप उस "मिलन बिंदु" को आपको धोखा देने से रोक देते हैं।

परिणाम: जब आप cc-Shapley का उपयोग करते हैं, तो इसे एहसास होता है: "रुको, यदि मैं सबको कार्ब्स खाने के लिए मजबूर करता हूँ, तो मधुमेह की दर नहीं बदलती। कार्ब्स कोई इलाज नहीं हैं।"
स्कोर: कार्ब्स के लिए cc-Shapley का मान घटकर शून्य (zero) हो जाता है। यह सही ढंग से पहचान लेता है कि कार्ब्स मधुमेह के कारण के लिए अप्रासंगिक हैं, भले ही वे ब्लड शुगर रीडिंग को प्रभावित करते हों।

3. उपमा: जासूस और गलत सुराग (The Red Herring)

डेटा को एक अपराध स्थल (crime scene) के रूप में सोचें।

पुराना तरीका (Shapley): जासूस अपराध स्थल को देखता है और लाश (मधुमेह) के पास एक कीचड़ वाला पदचिह्न (कार्ब्स) देखता है। क्योंकि पीड़ित (ब्लड शुगर) कीचड़ से सना हुआ है, जासूस सोचता है, "कीचड़ वाला पदचिह्न ही हत्यारा होना चाहिए!" जासूस भ्रमित हो जाता है क्योंकि कीचड़ केवल बारिश (कोलाइडर) का एक दुष्प्रभाव है।
नया तरीका (cc-Shapley): जासूस पूछता है, "यदि मैं संदिग्ध को मजबूर करता कि वह कीचड़ वाला पदचिह्न छोड़ता, तो क्या पीड़ित अभी भी मृत होता?" जासूस को एहसास होता है कि कीचड़ केवल एक गलत सुराग (red herring) है। पदचिह्न ने मृत्यु का कारण नहीं बनाया; बंदूक (वास्तविक कारण) ने किया था।

4. यह क्यों महत्वपूर्ण है

शोध पत्र का तर्क है कि वर्तमान AI उपकरण "डेटा-संचालित" (data-driven) हैं लेकिन "सत्य-संचालित" (truth-driven) नहीं हैं। वे पैटर्न खोजने में बहुत अच्छे हैं, लेकिन वे सहसंबंध (चीजों का एक साथ होना) और कारणता (एक चीज़ द्वारा दूसरी चीज़ का कारण बनना) के बीच अंतर करने में बहुत खराब हैं।

विज्ञान में: यदि कोई दवा कंपनी पुराने Shapley मानों का उपयोग करती है, तो उन्हें लग सकता है कि एक साइड इफेक्ट (जैसे कार्ब्स खाना) वास्तव में एक इलाज है, जिससे खतरनाक चिकित्सा सलाह मिल सकती है।
AI में: यदि हम चाहते हैं कि AI हमें नए वैज्ञानिक सत्य खोजने में मदद करे, तो हम उस पर भरोसा नहीं कर सकते यदि वह इन सांख्यिकीय भ्रमों से आसानी से मूर्ख बन जाता है।

सारांश

समस्या: मानक AI उपकरण "कोलाइडर्स" (डेटा में मिलन बिंदु) से भ्रमित हो जाते हैं, जिससे वे निर्दोष चरों (variables) को उन चीजों के लिए दोषी ठहराते हैं जो उन्होंने नहीं कीं।
समाधान: लेखकों ने cc-Shapley बनाया, जो "कॉज़ल कॉन्टेक्स्ट" (Causal Context) का उपयोग करता है। केवल यह देखने के बजाय कि क्या हो रहा है, यह सिम्युलेट करता है कि "यदि हम इसे बदल दें तो क्या होगा?"
लाभ: यह AI को "भूतों" को देखने से रोकता है। यह हमें बताता है कि वास्तव में क्या मायने रखता है, वास्तविक कारणों को सांख्यिकीय शोर (noise) से अलग करता है।

संक्षेप में: यह समझने के लिए कि मशीन कैसे सोचती है, हमें उस दुनिया को समझने की आवश्यकता है जिसमें वह रहती है, न कि केवल उन नंबरों को जो वह देखती है।

यहाँ शोध पत्र "cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र वर्तमान व्याख्यात्मक कृत्रिम बुद्धिमत्ता (XAI) विधियों, विशेष रूप से शापली मानों (Shapley values) में एक मौलिक दोष को संबोधित करता है, जब उनका उपयोग बहुभिन्नरूपी (multivariate) फीचर महत्व के लिए किया जाता है।

मुख्य मुद्दा: मानक शापली मान अवलोकन संबंधी डेटा (observational data) (विशेषताओं पर आधारित/conditioning) पर निर्भर करते हैं। कोलाइडर बायस (collider bias) (एक ऐसी घटना जहाँ दो चरों के सामान्य प्रभाव पर आधारित होने से उनके बीच एक आभासी सहसंबंध उत्पन्न होता है) की उपस्थिति में, मानक शापली मान भ्रामक एट्रिब्यूशन (attribution) प्रदान करते हैं।
सप्रेशन प्रभाव (Suppression Effect): यह पूर्वाग्रह अक्सर "सप्रेशन" के रूप में प्रकट होता है, जहाँ एक विशेषता जो लक्ष्य (target) से कारणिक रूप से स्वतंत्र है (या वास्तव में नकारात्मक रूप से सहसंबंधित है), उसे उच्च महत्व स्कोर दिया जाता है, या एक वास्तव में महत्वपूर्ण विशेषता को नकारात्मक स्कोर दिया जाता है।
परिणाम: इससे गलत वैज्ञानिक निष्कर्ष और मॉडल डिबगिंग होती है। उदाहरण के लिए, मधुमेह (diabetes) भविष्यवाणी मॉडल में, एक शुद्ध डेटा-संचालित शापली विश्लेषण यह सुझाव दे सकता है कि उच्च कार्बोहाइड्रेट सेवन से मधुमेह का जोखिम कम हो जाता है (एक नकारात्मक प्रासंगिकता), केवल इसलिए क्योंकि उच्च ग्लूकोज स्तर (एक कोलाइडर) को कार्बोहाइड्रेट द्वारा स्पष्ट कर दिया जाता है, जिससे वास्तविक कारणिक संबंध छिप जाता है।
वर्तमान समाधानों की सीमा: जबकि एकचर (univariate) महत्व (अन्य विशेषताओं को अनदेखा करना) कोलाइडर बायस से बचता है, यह जटिल मॉडलों के लिए आवश्यक बहुभिन्नरूपी अंतःक्रियाओं (interactions) और उच्च-क्रम निर्भरताओं को पकड़ने में विफल रहता है। मौजूदा कारणिक शापली दृष्टिकोण अक्सर रुचि की विशेषता और संदर्भ (context) के बीच अंतर करने में विफल रहते हैं, या वे बहुत अधिक जानकारी हटा देते हैं।

2. कार्यप्रणाली: cc-Shapley

लेखक cc-Shapley (causal context Shapley) प्रस्तावित करते हैं, जो शापली मान का एक संशोधित रूप है जो आभासी संबंधों को समाप्त करने के लिए कारणिक अनुमान (causal inference) सिद्धांतों को एकीकृत करता है।

मुख्य वैचारिक परिवर्तन

संदर्भ चरों $S$ पर कंडीशनिंग करने के बजाय, cc-Shapley उन पर हस्तक्षेप (intervene) करता है।

मानक शापली: देखे गए फीचर्स के एक सेट $S$ में विशेषता $X_j$ को जोड़ने पर भविष्यवाणी में परिवर्तन की गणना करता है:
$I_S(X_j) = E[Y | X_j, S] - E[Y | S]$
cc-Shapley: विशेषता $X_j$ को जोड़ने पर भविष्यवाणी में परिवर्तन की गणना करता है जबकि संदर्भ $S$ पर हस्तक्षेप किया जाता है (जिसे $do(S)$ द्वारा दर्शाया गया है):
$I_{do(S)}(X_j) = E[Y | X_j, do(S)] - E[Y | do(S)]$

सैद्धांतिक आधार

हस्तक्षेप बनाम कंडीशनिंग (Intervention vs. Conditioning): पर्ल के कॉज़ल कैलकुलस (Pearl's causal calculus) से $do $-ऑपरेटर का उपयोग करके, यह विधि कारणिक ग्राफ में संदर्भ चरों$ S$ की ओर आने वाले तीरों को काट देती है। यह कोलाइडर्स के माध्यम से पथों के "अनब्लॉक" होने को रोकता है, जिससे कोलाइडर बायस समाप्त हो जाता है।
असममितता (Asymmetry): मानक शापली मानों के विपरीत जो सभी विशेषताओं के साथ सममित व्यवहार करते हैं, cc-Shapley रुचि की विशेषता ( $X_j$ ) और संदर्भ ( $S$ ) के साथ असममित व्यवहार करता है। $X_j$ को देखा जाता है (गैर-कारणिक जुड़ाव की अनुमति देता है), जबकि $S$ पर हस्तक्षेप किया जाता है (आभासी सहसंबंधों को हटाता है)। यह विषमता सप्रेसर वेरिएबल्स को सही ढंग से पहचानने के लिए महत्वपूर्ण है।
सांख्यिकीय जुड़ाव गुण (Statistical Association Property - SAP): लेखक सिद्ध करते हैं कि cc-Shapley SAP को संतुष्ट करता है: यदि एक विशेषता $X_j$ कारणिक ग्राफ में लक्ष्य $Y$ से d-separated है, तो उसका cc-Shapley मान शून्य होता है। यह सुनिश्चित करता है कि विशुद्ध रूप से आभासी विशेषताओं को महत्व नहीं दिया जाता है।

अनुमान एल्गोरिदम (Estimation Algorithm)

चूंकि वास्तविक स्ट्रक्चरल कॉज़ल मॉडल (SCM) अक्सर अज्ञात होता है, पेपर एक अनुमान प्रक्रिया (एल्गोरिदम 1) प्रस्तावित करता है:

SCM सीखें: अवलोकन संबंधी डेटा से SCM के कार्यात्मक संबंधों का अनुमान लगाएं (उदाहरण के लिए, प्रत्येक चर के लिए उसके माता-पिता (parents) के दिए गए प्रतिगमन या वर्गीकरण मॉडल का उपयोग करके)।
स्टोकेस्टिक हस्तक्षेप (Stochastic Intervention): संशोधित SCM ( $M_{do(S \sim q)}$ ) के भीतर उनके मार्जिनल वितरण $q(S)$ से नमूना लेकर संदर्भ चरों $S$ पर एक स्टोकेस्टिक हस्तक्षेप करें।
मॉडल फिटिंग: $E[Y | X_j, do(S)]$ और $E[Y | do(S)]$ का अनुमान लगाने के लिए इस हस्तक्षेपित मॉडल से उत्पन्न डेटा पर मशीन लर्निंग मॉडल (जैसे XGBoost) प्रशिक्षित करें।
एकत्रीकरण (Aggregation): अंतिम cc-Shapley मान प्राप्त करने के लिए इन इंटरवेंशनल महत्व पदों के भारित योग (weighted sum) की गणना करें।

3. मुख्य योगदान

एक ब्लाइंड स्पॉट की पहचान: यह पेपर कठोरता से प्रदर्शित करता है कि कोलाइडर बायस की उपस्थिति में, विशुद्ध रूप से अवलोकन संबंधी XAI विधियाँ वैज्ञानिक खोज या मॉडल डिबगिंग के लिए मौलिक रूप से अनुपयुक्त हैं, यहाँ तक कि सरल 2-फीचर परिदृश्यों में भी।
नवीन विधि (cc-Shapley): बहुभिन्नरूपी फीचर महत्व के लिए विश्लेषण को एकचर मापों तक सीमित किए बिना, कोलाइडर बायस से बचने के लिए डिज़ाइन किया गया पहला दृष्टिकोण।
सैद्धांतिक गारंटी: प्रमाण कि cc-Shapley मान SAP को संतुष्ट करते हैं और सप्रेसर वेरिएबल्स के महत्व को सही ढंग से शून्य करते हैं, जबकि दबे हुए सूचनात्मक वेरिएबल्स के महत्व को बनाए रखते हैं।
अनुभवजन्य सत्यापन (Empirical Validation): सिंथेटिक लीनियर/नॉन-लीनियर SCMs और वास्तविक दुनिया के प्रोटीन सिग्नलिंग डेटा पर व्यापक प्रयोग, जो दिखाते हैं कि cc-Shapley मानक शापली मानों की तुलना में फीचर महत्व के चिह्न (sign) और परिमाण (magnitude) को ठीक करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने तीन डेटासेट्स पर मानक शापली मानों के विरुद्ध cc-Shapley का मूल्यांकन किया:

सिंथेटिक लीनियर SCMs:
- उन परिदृश्यों में जहाँ एक संदर्भ चर एक कोलाइडर के रूप में कार्य कर रहा था, मानक शापली मानों ने वास्तविक कारणिक प्रभाव से महत्वपूर्ण विचलन दिखाया (अक्सर साइन बदल दिया)।
- cc-Shapley मान वास्तविक कारणिक गुणांकों के अनुरूप रहे, प्रभावी रूप से कोलाइडर बायस को निष्प्रभावी कर दिया।
नॉनलीनियर डायबिटीज उदाहरण:
- परिदृश्य: ग्लूकोज ( $G$ ), BMI ( $B$ ), और औसत चीनी ( $H$ ) का उपयोग करके मधुमेह ( $Y$ ) की भविष्यवाणी करना। $G$ और $H$ , $B$ और $Y$ के बीच कोलाइडर के रूप में कार्य करते हैं।
- परिणाम: मानक शापली मानों ने BMI को नकारात्मक प्रासंगिकता प्रदान की (यह सुझाव देते हुए कि उच्च BMI मधुमेह के जोखिम को कम करता है), जो एक स्पष्ट गलत व्याख्या है।
- cc-Shapley: BMI को सकारात्मक प्रासंगिकता प्रदान की, जो चिकित्सा अंतर्ज्ञान और अंतर्निहित कारणिक ग्राफ के अनुरूप है।
वास्तविक दुनिया का प्रोटीन डेटा (Sachs et al., 2005):
- PKA की सांद्रता की भविष्यवाणी करने के लिए 8 प्रोटीनों के नेटवर्क का विश्लेषण किया गया।
- मानक शापली मानों ने सिग्नलिंग नेटवर्क में कोलाइडर संरचनाओं के कारण PKC और P38 जैसे प्रोटीनों के लिए अनियमित और नकारात्मक एट्रिब्यूशन दिखाया।
- cc-Shapley मानों ने इन प्रोटीनों के लिए अपेक्षित सकारात्मक प्रासंगिकता को बहाल किया, जो एकचर विश्लेषण और ज्ञात जैविक कारणिक संरचना से मेल खाता है।

5. महत्व और निहितार्थ

वैज्ञानिक खोज: cc-Shapley यह सुनिश्चित करके वैज्ञानिक खोज के लिए XAI के उपयोग को सक्षम बनाता है कि फीचर एट्रिब्यूशन सांख्यिकीय आर्टिफैक्ट्स के बजाय कारणिक तंत्र को दर्शाते हैं।
मॉडल डिबगिंग: यह वास्तविक भविष्य कहनेवाला शक्ति (predictive power) और सप्रेशन प्रभावों के बीच अंतर करके "क्लेवर हंस" (Clever Hans) प्रभावों (स्प्यूरियस सहसंबंधों पर निर्भर मॉडल) की पहचान करने के लिए एक अधिक विश्वसनीय उपकरण प्रदान करता है।
प्रतिमान परिवर्तन (Paradigm Shift): यह कार्य तर्क देता है कि XAI को पर्ल के 'लेडर ऑफ कॉजेशन' (Ladder of Causation) के "ऑब्जर्वेशनल रंंग" से आगे बढ़ना चाहिए। मल्टीवेरिएट मॉडलों को सही ढंग से व्याख्या करने के लिए, संदर्भ चरों पर हस्तक्षेप करने के लिए कारणिक ज्ञान (ज्ञात या सीखा हुआ) को शामिल करना आवश्यक है।
सीमाएँ: इस पद्धति के लिए वर्तमान में कारणिक ग्राफ के ज्ञान (या इसे सीखने की क्षमता) की आवश्यकता होती है और संदर्भ चरों के प्रत्येक उपसमुच्चय (subset) के लिए मॉडल फिट करने की आवश्यकता के कारण यह गणनात्मक रूप से गहन है। स्केलेबल अनुमान भविष्य की दिशा के रूप में नोट किए गए हैं।

निष्कर्षतः, cc-Shapley XAI में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो गेम-थ्योरेटिक फीचर एट्रिब्यूशन और कारणिक अनुमान के बीच के अंतर को पाटकर मशीन लर्निंग मॉडलों के लिए मजबूत, व्याख्यात्मक और वैज्ञानिक रूप से वैध स्पष्टीकरण प्रदान करता है।