🤖 machine learning

Exponential-Family Membership Inference: From LiRA and RMIA to BaVarIA

यह शोध पत्र प्रमुख मेंबरशिप इन्फरेंस हमलों (LiRA, RMIA, और BASE) को एक एकल एक्सपोनेंशियल-फैमिली लॉग-लाइक्लीहुड रेशियो फ्रेमवर्क के तहत एकीकृत करता है और BaVarIA पेश करता है, जो एक बायेसियन वेरिएंस इन्फरेंस विधि है जो मौजूदा दृष्टिकोणों की तुलना में, विशेष रूप से कम-संसाधन और ऑफलाइन सेटिंग्स में, स्थिर और बेहतर प्रदर्शन प्राप्त करती है।

मूल लेखक: Rickard Brännvall

प्रकाशित 2026-03-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rickard Brännvall

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 आपके पास एक स्वादिष्ट केक की गुप्त रेसिपी है। आप इसे अपने ही किचन में बनाते हैं (टारगेट मॉडल)। अब, कल्पना कीजिए कि आप यह जानना चाहते हैं कि क्या आपके रेसिपी में कोई विशिष्ट सामग्री, जैसे कि "वैनिला", इस्तेमाल की गई थी, और यह भी कि क्या आप अंतिम केक को चखकर यह पता लगा सकते हैं।

मशीन लर्निंग की दुनिया में, इसे मेंबरशिप इन्फरेंस अटैक (Membership Inference Attack) कहा जाता है। हमलावर यह पता लगाने की कोशिश करते हैं कि क्या कोई विशिष्ट डेटा (जैसे बिल्ली की फोटो या किसी मरीज का मेडिकल रिकॉर्ड) उस ट्रेनिंग डेटा का हिस्सा था जिसका उपयोग एआई (AI) मॉडल बनाने के लिए किया गया था। यदि एआई अपने ट्रेनिंग डेटा को बहुत अधिक गहराई से याद रखता है, तो यह गोपनीयता (प्राइवेसी) का जोखिम बन जाता है।

यह पेपर बेहतर "स्वाद चखने वाले" (अटैक) बनाने के बारे में है ताकि इन मॉडल्स का ऑडिट किया जा सके और देखा जा सके कि क्या वे अपने रहस्य लीक कर रहे हैं।

समस्या: "स्वाद चखने वाले" भ्रमित करने वाले थे

कुछ समय के लिए, शोधकर्ताओं के पास इन मॉडल्स को टेस्ट करने के दो मुख्य तरीके थे:

LiRA: यह तरीका एक अत्यंत विस्तृत शेफ की तरह है जो केक को चखता है और इसकी तुलना पहले बनाए गए हर एक बैच के केक से करता है। वह इस बैच के विशिष्ट वैनिला स्वाद की तुलना उस दूसरे बैच के स्वाद से करता है। यह बहुत सटीक है, लेकिन इसके लिए बहुत अधिक समय और सामग्री (कंप्यूटिंग पावर) की आवश्यकता होती है ताकि वे सभी तुलनात्मक बैच बना सकें।
RMIA: यह तरीका एक ऐसे शेफ की तरह है जो बस पहले बनाए गए सभी केलों का एक "सामान्य औसत" लेता है। वे विशिष्ट बैचों को नहीं देखते; वे बस कहते हैं, "क्या इसका स्वाद औसत केक जैसा है?" यह तेज़ और सस्ता है, लेकिन कभी-कभी सूक्ष्म विवरणों को मिस कर देता है।

हाल ही में, BASE नामक एक तीसरा तरीका आया। इस पेपर के लेखकों ने सिद्ध किया कि BASE वास्तव में RMIA का ही एक उन्नत संस्करण है। इसलिए, अभ्यासकर्ताओं (practitioners) के लिए भ्रम की स्थिति थी: मुझे किसका उपयोग करना चाहिए? LiRA? RMIA? या BASE?

बड़ी खोज: वे सभी एक ही परिवार के हैं

इस पेपर के लेखकों ने महसूस किया कि LiRA, RMIA और BASE वास्तव में एक ही गणितीय परिवार के विभिन्न संस्करण हैं। वे इसे एक्सपोनेंशियल-फैमिली फ्रेमवर्क (Exponential-Family Framework) कहते हैं।

इसे एक जटिलता के स्पेक्ट्रम (Spectrum of Complexity) के रूप में सोचें:

सरल छोर पर (RMIA/BASE): आप मानते हैं कि हर कोई एक जैसा है। आप सभी के लिए एक बड़ा औसत उपयोग करते हैं। यह तब बहुत अच्छा है जब आपके पास संसाधन कम हों (कम "शैडो" केक बनाने के लिए)।
जटिल छोर पर (LiRA): आप मानते हैं कि हर कोई अद्वितीय है। आप प्रत्येक विशिष्ट सामग्री के लिए एक विशेष प्रोफाइल बनाते हैं। यह तब बहुत अच्छा है जब आपके पास प्रचुर संसाधन हों।

यह पेपर इन दोनों छोरों को जोड़ने वाली एक सीढ़ी (BASE1 से BASE4 तक) का मानचित्रण करता है। यह दिखाता है कि जैसे-जैसे आपके पास संसाधन बढ़ते हैं, आपको अधिक जटिल विधि की ओर बढ़ना चाहिए।

बाधा: "छोटा सैंपल" वाली समस्या

यहाँ पेचीदा बात यह है। LiRA (जटिल विधि) तब अद्भुत होती है जब आपके पास सैकड़ों तुलनात्मक केक हों। लेकिन क्या होगा यदि आपके पास केवल 4 या 8 हों?

जब आपके पास बहुत कम नमूने होते हैं, तो प्रत्येक सामग्री के लिए विशिष्ट "फ्लेवर प्रोफाइल" की गणना करना अविश्वसनीय हो जाता है। यह एक पूरे देश की औसत ऊंचाई का अनुमान लगाने के लिए केवल दो लोगों को मापने जैसा है। आप बहुत गलत संख्या प्राप्त कर सकते हैं।

LiRA के पास इसका एक अनाड़ी समाधान है: इसमें एक "स्विच" है। यदि आपके पास 64 से कम नमूने हैं, तो यह व्यक्तियों को देखना बंद कर देता है और केवल वैश्विक औसत का उपयोग करता है। यदि आपके पास अधिक हैं, तो यह वापस व्यक्तियों की ओर स्विच हो जाता है। यह स्विच अचानक और अव्यवस्थित है।

समाधान: BaVarIA (बेयसियन "स्मार्ट शेफ")

लेखक BaVarIA (Bayesian Variance Inference Attack) नामक एक नया तरीका प्रस्तावित करते हैं।

एक अनाड़ी ऑन/ऑफ स्विच के बजाय, BaVarIA एक स्मार्ट, स्मूथ इंटरपोलेशन (smooth interpolation) का उपयोग करता है।

उपमा: कल्पना कीजिए कि आप एक विशिष्ट सेब का वजन अनुमान लगाने की कोशिश कर रहे हैं।
- LiRA कहता है: "यदि मैं केवल 3 सेब देखता हूँ, तो मैं एक सामान्य सेब के वजन का अनुमान लगाऊँगा। यदि मैं 100 देखता हूँ, तो मैं इस विशिष्ट एक का वजन करूँगा।"
- BaVarIA कहता है: "मेरे पास एक मजबूत धारणा है कि एक सामान्य सेब का वजन क्या होता है (मेरा Prior)। लेकिन मैं इन 3 विशिष्ट सेबों को भी देख रहा हूँ। मैं अपनी धारणा को जो मैं देख रहा हूँ उसके साथ मिला दूँगा। यदि मैं 3 सेब देखता हूँ, तो मैं अपनी धारणा पर बहुत भरोसा करता हूँ। यदि मैं 100 देखता हूँ, तो मैं सेबों पर बहुत भरोसा करता हूँ। जैसे-जैसे मैं अधिक देखता हूँ, मैं अपनी धारणा से डेटा की ओर सहजता से अपना विश्वास बदलता हूँ।"

यह "मिश्रण" बेयसियन सांख्यिकी (Bayesian Statistics) (विशेष रूप से 'नॉर्मल-इनवर्स-गामा प्रायर' का उपयोग करके) का उपयोग करके किया जाता है। यह विधि को बिना किसी स्विच को बदले, बहुत कम नमूनों के साथ भी स्थिर रहने की अनुमति देता है।

परिणाम: यह क्यों मायने रखता है

लेखकों ने इसे 12 अलग-अलग डेटासेट्स (इमेज और स्प्रेडशीट) पर परीक्षण किया, जिनमें संसाधनों की मात्रा भिन्न-भिन्न थी।

जब संसाधन कम हों (Small K): BaVarIA स्पष्ट विजेता है। यह LiRA और RMIA से बेहतर प्रदर्शन करता है क्योंकि यह "छोटे सैंपल" की समस्या को सहजता से संभालता है। यह सबसे विश्वसनीय उपकरण है जब आप सैकड़ों शैडो मॉडल को प्रशिक्षित करने का खर्च नहीं उठा सकते।
जब संसाधन अधिक हों (Large K): BaVarIA, LiRA के समान ही प्रदर्शन करता है। यह खराब नहीं होता; यह बस उसी उच्च स्तर की सटीकता तक पहुँच जाता है।
दो वेरिएंट्स:
- BaVarIA-n: "सबसे स्पष्ट" लीक्स को पकड़ने के लिए सबसे अच्छा है (कम गलत अलार्म)।
- BaVarIA-t: समग्र रैंकिंग के लिए सबसे अच्छा है (सबसे संदिग्ध वस्तुओं को खोजने के लिए, भले ही यह कुछ हानिरहित चीजों को भी फ्लैग कर दे)।

निष्कर्ष (Takeaway)

यह पेपर गोपनीयता हमलों के भ्रमित करने वाले परिदृश्य को एक एकल, स्पष्ट ढांचे में एकीकृत करता है। यह हमें बताता है:

यदि आपके पास कम संसाधन हैं, तो पुराने "स्विच" वाले तरीकों का उपयोग न करें। BaVarIA का उपयोग करें।
यदि आपके पास बहुत अधिक संसाधन हैं, तो BaVarIA मौजूदा सर्वोत्तम विधि (LiRA) के समान ही अच्छा है।
अनिवार्य रूप से, BaVarIA गोपनीयता ऑडिटिंग का "स्विस आर्मी नाइफ" है: यह लगभग हर स्थिति में अच्छा काम करता है, इसमें किसी अतिरिक्त ट्यूनिंग की आवश्यकता नहीं होती है, और यह विशेष रूप से तब शक्तिशाली होता है जब आप सीमित डेटा के साथ काम कर रहे होते हैं।

संक्षेप में, लेखकों ने एक बिखरे हुए टूलबॉक्स को व्यवस्थित किया और हमें एक बेहतर, स्मार्ट टूल दिया जो आपके पास छोटा बजट हो या विशाल बजट, दोनों ही स्थितियों में पूरी तरह से काम करता है।

यहाँ शोध पत्र "Exponential-Family Membership Inference: From LiRA and RMIA to BaVarIA" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मेंबरशिप इन्फरेंस अटैक्स (MIAs) का उपयोग यह निर्धारित करने के लिए किया जाता है कि क्या कोई विशिष्ट डेटा बिंदु किसी मशीन लर्निंग मॉडल के प्रशिक्षण सेट (training set) का हिस्सा था। हालांकि इन्हें अक्सर गोपनीयता के खतरों के रूप में देखा जाता है, ये प्राइवेसी लीकेज के निचले स्तर (lower bounds) स्थापित करने के लिए महत्वपूर्ण अनुभवजन्य ऑडिटिंग उपकरण (empirical auditing tools) के रूप में कार्य करते हैं, जो डिफरेंशियल प्राइवेसी (DP) जैसे सैद्धांतिक गारंटियों के पूरक हैं।

वर्तमान स्कोर-आधारित MIA परिदृश्य अभ्यासकर्ताओं (practitioners) के लिए खंडित और भ्रमित करने वाला है:

LiRA (Carlini et al., 2022): शैडो-मॉडल लॉग-ऑड्स पर प्रति-बिंदु (per-point) गॉसियन मॉडल फिट करता है। यह शक्तिशाली है लेकिन जब शैडो मॉडलों की संख्या ( $K$ ) कम होती है, तो इसकी प्रभावशीलता घट जाती है क्योंकि प्रति-बिंदु विचरण अनुमान (variance estimates) अविश्वसनीय हो जाते हैं।
RMIA (Zarifzadeh et al., 2024) और BASE (Lassila et al., 2025): प्रति-बिंदु पैरामीटर अनुमान से बचने के लिए जनसंख्या-स्तर के संदर्भों (population-level references) का उपयोग करते हैं। वे कम $K$ पर मजबूत हैं लेकिन सूक्ष्म विचरण-आधारित संकेतों (variance-based signals) को चूक सकते हैं।
अंतराल (The Gap): हाल ही में यह सिद्ध किया गया था कि RMIA और BASE समान हैं, लेकिन इन "जनसंख्या-स्तर" के तरीकों और LiRA के "प्रति-बिंदु" दृष्टिकोण के बीच का संबंध स्पष्ट नहीं था। अभ्यासकर्ताओं के पास इनके बीच चयन करने या इनके ट्रेड-ऑफ को समझने के लिए एक एकीकृत ढांचे (unified framework) का अभाव था।

2. कार्यप्रणाली: एक्सपोनेंशियल-फैमिली फ्रेमवर्क (Methodology: The Exponential-Family Framework)

लेखक एक्सपोनेंशियल-फैमिली लॉग-लाइक्लीहुड रेश्यो (LLR) पर आधारित एक एकीकृत सैद्धांतिक ढांचे का प्रस्ताव करते हैं।

A. LiRA, RMIA और BASE का एकीकरण

यह शोध पत्र प्रदर्शित करता है कि सभी प्रमुख MIA विधियाँ एक एकल ढांचे के उदाहरण हैं जहाँ सदस्यता स्कोर (membership score) दो परिकल्पनाओं के तहत एक स्केलर सांख्यिकी (जैसे लॉस, कॉन्फिडेंस, या लॉग-ऑड्स) का लॉग-लाइक्लीहुड रेश्यो है: IN (सदस्य) और OUT (गैर-सदस्य)।

मुख्य अंतर्दृष्टि (The Core Insight): अलग-अलग हमले अंतर्निहित वितरण (एक्सपोनेंशियल बनाम गॉसियन) के बारे में विभिन्न धारणाओं और पैरामीटर शेयरिंग (pooled बनाम per-point) पर विभिन्न बाधाओं से उत्पन्न होते हैं।
BASE पदानुक्रम (BASE Hierarchy - BASE1–4): लेखक गॉसियन LLR पर आधारित हमलों का एक स्पेक्ट्रम परिभाषित करते हैं, जो अधिकतम पैरामीटर पूलिंग से लेकर पूर्ण प्रति-बिंदु अनुमान तक विस्तृत है:
- BASE1 (Pooled Centering): RMIA के समान। एक एकल वैश्विक केंद्र (global center) का उपयोग करता है; इसमें प्रति-बिंदु विचरण अनुमान नहीं होता है।
- BASE2 और BASE3: मीन गैप्स (mean gaps) और वेरिएंस पूलिंग पर बाधाओं को शिथिल करने वाले मध्यवर्ती चरण।
- BASE4 (Full Gaussian): LiRA के समान। प्रत्येक बिंदु के लिए चार पैरामीटर (दोनों IN और OUT क्लास के लिए मीन और वेरिएंस) का अनुमान लगाता है।
ट्रेड-ऑफ (Trade-off): BASE1 से BASE4 की ओर बढ़ने से मजबूती (robustness) (कम डेटा पर स्थिरता) का त्याग करके अभिव्यक्ति (expressiveness) (विचरण अंतर को पकड़ना) प्राप्त होता है। जब $K$ बड़ा होता है तो LiRA (BASE4) प्रभावी होता है, जबकि जब $K$ छोटा होता है तो RMIA (BASE1) बेहतर होता है।

B. स्मॉल- $K$ बॉटलनेक (The Small- $K$ Bottleneck)

कम शैडो-मॉडल बजट ( $K < 64$ ) के कारण LiRA का प्रदर्शन गिर जाता है क्योंकि लगभग 4 नमूनों (जैसे $K=8$ पर) से मैक्सिमम लाइक्लीहुड एस्टीमेशन (MLE) द्वारा विचरण का अनुमान लगाना अत्यधिक अविश्वसनीय होता है। मौजूदा समाधान (जैसे LiRA का "हार्ड स्विच" ग्लोबल वेरिएंस की ओर) असंतत (discontinuous) और "सब-कुछ-या-कुछ-नहीं" (all-or-nothing) वाले होते हैं।

C. BaVarIA: बायेसियन वेरिएंस इन्फरेंस अटैक (BaVarIA: Bayesian Variance Inference Attack)

स्मॉल- $K$ समस्या को हल करने के लिए, लेखक Normal-Inverse-Gamma (NIG) प्रायर का उपयोग करते हुए कंजुगेट बायेसियन इन्फरेंस (Conjugate Bayesian Inference) के साथ MLE को बदलते हुए BaVarIA पेश करते हैं।

तंत्र (Mechanism): हार्ड-स्विचिंग के बजाय, BaVarIA उपलब्ध साक्ष्यों के आधार पर ग्लोबल और प्रति-बिंदु अनुमानों के बीच सहजता से इंटरपोलेट करता है।
दो वेरिएंट:
1. BaVarIA-n (Gaussian with Bayesian Variance): यह मीन्स (means) के लिए MLE का उपयोग करता है लेकिन MLE वेरिएंस को NIG वितरण के पोस्टीरियर मीन (posterior mean) से बदल देता है। यह "बायेसियन श्रिंकेज" (Bayesian shrinkage) प्रदान करता है, जो गॉसियन LLR के रूप को बदले बिना वेरिएंस अनुमानों को स्थिर करता है।
2. BaVarIA-t (Student-t Predictive): यह पूर्ण पोस्टीरियर प्रेडिक्टिव डिस्ट्रीब्यूशन (Student-t) का उपयोग करता है। यह भारी पूंछ (heavier tails) के माध्यम से पैरामीटर अनिश्चितता को ध्यान में रखता है, जिससे रैंकिंग (AUC) में सुधार होता है लेकिन चरम थ्रेशोल्ड पर फॉल्स पॉजिटिव की संख्या बढ़ सकती है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक एकीकरण: लेखकों ने BASE पदानुक्रम को औपचारिक रूप दिया, यह सिद्ध करते हुए कि LiRA, RMIA और BASE एक ही एक्सपोनेंशियल-फैमिली स्पेक्ट्रम के छोर हैं, जो वितरण संबंधी धारणाओं और पैरामीटर-शेयरिंग बाधाओं द्वारा परिभाषित हैं।
BaVarIA एल्गोरिदम: BaVarIA एक बायेसियन दृष्टिकोण प्रस्तावित करता है जो मनमाने थ्रेशोल्ड (जैसे LiRA का $K=64$ स्विच) की आवश्यकता को समाप्त करता है। यह ग्लोबल और प्रति-बिंदु अनुमान के बीच एक निरंतर, गणितीय रूप से सिद्धांत-आधारित संक्रमण प्रदान करता है।
व्यापक अनुभवजन्य मूल्यांकन: 12 डेटासेट्स (इमेज और टैबुलर), 7 शैडो-मॉडल बजट ( $K \in \{4, \dots, 254\}$ ), और 32 रिप्लिकेट्स के माध्यम से विधियों का मूल्यांकन किया गया।

4. प्रयोगात्मक परिणाम (Experimental Results)

मूल्यांकन में विभिन्न आर्किटेक्चर (ResNet, WideResNet, MLPs) के साथ इमेज डेटासेट्स (CIFAR-10/100, CINIC-10) और टैबुलर डेटासेट्स (Location, Purchase, Texas) को शामिल किया गया।

स्मॉल $K$ रिजीम ( $K \le 16$ ):
- BaVarIA-t सर्वश्रेष्ठ AUC प्राप्त करता है, जो LiRA से काफी बेहतर है (उदाहरण के लिए, $K=4$ पर $\Delta \text{AUC} \approx +0.009$ )।
- BaVarIA-n लो-फॉल्स पॉजिटिव रेट (FPR) ऑडिटिंग के लिए सबसे सुरक्षित विकल्प है, जो FPR=0.01 पर TPR में LiRA से बेहतर प्रदर्शन करता है।
- LiRA अस्थिर वेरिएंस अनुमानों के कारण काफी पीछे रह जाता है; RMIA प्रतिस्पर्धी है लेकिन आम तौर पर बायेसियन विधियों से कमतर है।
मीडियम $K$ रिजीम ( $32 \le K \le 64$ ):
- BaVarIA-n LiRA पर निरंतर लाभ प्रदान करता है (उदाहरण के लिए, $K=32$ पर $\Delta \text{TPR} \approx +0.017$ )।
- LiRA का "हार्ड स्विच" प्रदर्शन स्केलिंग में विच्छिन्नता (discontinuity) पैदा करता है, जबकि BaVarIA एकतंत्रीय (monotonically) रूप से स्केल करता है।
लार्ज $K$ रिजीम ( $K \ge 128$ ):
- सभी गॉसियन-फैमिली विधियाँ (LiRA, BaVarIA, BASE3) अभिसरित (converge) होती हैं क्योंकि बायेसियन पोस्टीरियर, MLE के इर्द-गिर्द केंद्रित हो जाता है।
- BaVarIA-n सभी डेटासेट्स में LiRA के बराबर या उससे थोड़ा बेहतर प्रदर्शन करता है, जो एक मजबूत ड्रॉप-इन रिप्लेसमेंट के रूप में कार्य करता है।
ऑफलाइन सेटिंग: BaVarIA स्वाभाविक रूप से ऑफलाइन परिदृश्यों में विस्तारित होता है (जहाँ टारगेट पॉइंट्स कभी भी शैडो ट्रेनिंग सेट्स में नहीं होते), जो IN-क्लास पोस्टीरियर को प्रायर पर कोलैप्स कर देता है, जिसके लिए किसी अलग कार्यान्वयन की आवश्यकता नहीं होती।

5. महत्व और व्यावहारिक सिफारिशें (Significance and Practical Recommendations)

एकीकरण: यह शोध पत्र प्रतिस्पर्धी MIA विधियों के बीच के भ्रम को दूर करता है, यह दिखाते हुए कि वे अलग-अलग एल्गोरिदम नहीं बल्कि एक जटिलता स्पेक्ट्रम के बिंदु हैं।
मजबूती: BaVarIA, LiRA की महत्वपूर्ण अस्थिरता को हल करता है जो कम-संसाधन सेटिंग्स (छोटे $K$ ) में देखी जाती है; यह उन ऑडिटर्स के लिए सबसे व्यावहारिक बाधा है जो सैकड़ों शैडो मॉडल प्रशिक्षित नहीं कर सकते।
कोई हाइपरपैरामीटर ट्यूनिंग नहीं: BaVarIA के लिए अतिरिक्त ट्यूनिंग की आवश्यकता नहीं है; यह एम्पिरिकल बायेस डिफॉल्ट्स का उपयोग करता है जो विविध डेटासेट्स पर काम करते हैं।
सिफारिश:
- सामान्य ऑडिटिंग के लिए LiRA के स्थान पर BaVarIA-n का उपयोग करें, विशेष रूप से जब $K$ छोटा या मध्यम हो। यह LiRA के विच्छिन्न व्यवहार के जोखिम के बिना स्थिर प्रदर्शन प्रदान करता है।
- BaVarIA-t का उपयोग तब करें यदि प्राथमिक मीट्रिक AUC (रैंकिंग गुणवत्ता) है और आप चरम थ्रेशोल्ड पर थोड़े अधिक फॉल्स पॉजिटिव को सहन कर सकते हैं।

संक्षेप में, यह कार्य मेंबरशिप इन्फरेंस के लिए एक कठोर सैद्धांतिक आधार प्रदान करता है और BaVarIA पेश करता है, जो एक बेहतर, स्थिर और सार्वभौमिक रूप से लागू होने वाला हमला है जो वर्तमान अत्याधुनिक तकनीकों से बेहतर प्रदर्शन करता है, विशेष रूप से व्यावहारिक रूप से महत्वपूर्ण लो-बजट रिजीम में।