📊 statistics

Besag-Clifford e-values for unnormalized testing

यह शोध पत्र अनॉर्मलाइज्ड (unnormalized) संभाव्यता वितरणों से जुड़े परिकल्पना परीक्षण और मॉडल मूल्यांकन के लिए वैध, लॉग-ऑप्टिमल ई-वैल्यू (e-values) उत्पन्न करने के लिए बेसैग-क्लिफोर्ड समानांतर दृष्टिकोण (Besag-Clifford parallel approach) का उपयोग करने वाली एक विधि प्रस्तावित करता है, जिससे उन नॉर्मलाइजिंग कांस्टेंट्स (normalizing constants) की जटिलता पर विजय प्राप्त होती है जो आमतौर पर लाइकलीहुड रेशियो टेस्टिंग (likelihood ratio testing) को बाधित करती है।

मूल लेखक: Alexander Dombowsky, Barbara E. Engelhardt, Aaditya Ramdas

प्रकाशित 2026-03-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexander Dombowsky, Barbara E. Engelhardt, Aaditya Ramdas

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

यहाँ "Besag-Clifford e-values for unnormalized testing" पेपर का सरल भाषा और रचनात्मक उपमाओं के साथ हिंदी अनुवाद दिया गया है।

बड़ी समस्या: "गायब रसीद" (The Missing Receipt)

कल्पना कीजिए कि आप एक अपराध को सुलझाने की कोशिश कर रहे हैं एक जासूस हैं। आपके पास एक संदिग्ध है (शून्य परिकल्पना/Null Hypothesis) और आप जानना चाहते हैं कि क्या वह दोषी है (वैकल्पिक परिकल्पना/Alternative Hypothesis)।

सांख्यिकी (statistics) में, इसे करने का सबसे अच्छा तरीका आमतौर पर यह तुलना करना होता है कि "दोषी" परिदृश्य के तहत साक्ष्य कितने संभावित हैं बनाम "निर्दोष" परिदृश्य के तहत। इसे लाइकलीहुड रेश्यो (Likelihood Ratio) कहा जाता है। यह पूछने जैसा है: "यदि यह व्यक्ति दोषी है, तो इस उंगलियों के निशान (fingerprint) की कितनी संभावना है? यदि वह निर्दोष है, तो इसकी कितनी संभावना है?"

चुनौती: कई आधुनिक मशीन लर्निंग समस्याओं में (जैसे जटिल गैलेक्सी की गति या न्यूरल नेटवर्क को मॉडल करना), हम "दोषी" और "निर्दोष" परिदृश्यों का आकार तो जानते हैं, लेकिन हम यह नहीं जानते कि वे किस ब्रह्मांड में रहते हैं इसका कुल आकार क्या है। हमारे पास "नॉर्मलाइजिंग कांस्टेंट" (रसीद) गायब है। बिना रसीद के, हम सटीक प्रायिकता (probability) की गणना नहीं कर सकते। यह सेब के दो बैगों के वजन की तुलना करने जैसा है, लेकिन आपको यह नहीं पता कि एक अकेले सेब का वजन कितना होना चाहिए। आप गणित नहीं कर सकते।

समाधान: "समानांतर ब्रह्मांड" वाली ट्रिक (The Parallel Universe Trick)

लेखक एक चतुर वर्कअराउंड प्रस्तावित करते हैं। असंभव गणित की गणना करने के बजाय, वे बेसाग-क्लिफोर्ड विधि (Besag-Clifford method) नामक एक सिमुलेशन ट्रिक का उपयोग करते हैं।

इसे इस प्रकार समझें:

सेटअप: आपके पास वास्तविक साक्ष्य (Data $X$ ) है।
टाइम ट्रैवल: आप अपने साक्ष्य को एक मशीन (मार्कोव चेन) के माध्यम से "समय में पीछे" भेजते हैं ताकि साक्ष्य का एक "भूतिया" संस्करण ( $Y^{(0)}$ ) बनाया जा सके।
समानांतर ब्रह्मांड: उस भूतिया संस्करण से, आप मशीन को आगे चलाकर साक्ष्य के $M$ नए "समानांतर ब्रह्मांड" संस्करण ( $Y^{(1)}$ से $Y^{(M)}$ ) उत्पन्न करते हैं।
बदलाव (The Swap): क्योंकि यह मशीन जिस तरह से काम करती है, यदि आपका मूल साक्ष्य वास्तव में "निर्दोष" था, तो मूल साक्ष्य और सभी समानांतर ब्रह्मांड एक्सचेंजेबल (exchangeable) हैं। यह ताश के पत्तों को फेंटने जैसा है; यदि डेक निष्पक्ष है, तो आप यह नहीं बता सकते कि कौन सा कार्ड "असली" है और कौन सा "नकली" है।

"ई-वैल्यू" (E-Value): दांव लगाने वाली चिप

यह पेपर एक नए उपकरण e-value को पेश करता है। ई-वैल्यू को एक दांव लगाने वाली चिप (betting chip) के रूप में सोचें।

यदि शून्य परिकल्पना (निर्दोषता) सत्य है, तो आपकी चिप का औसत मूल्य कभी भी 1 से अधिक नहीं होना चाहिए।
यदि शून्य परिकल्पना गलत है (दोषी), तो चिप का मूल्य बड़ा होना चाहिए।

लेखक दिखाते हैं कि अपने वास्तविक डेटा को लेने और उसकी तुलना उनके द्वारा उत्पन्न किए गए $M$ समानांतर ब्रह्मांडों से करके, वे एक ऐसी बेसाग-क्लिफोर्ड ई-वैल्यू बना सकते हैं जो गणितीय रूप से गारंटी देती है कि वह निष्पक्ष है, भले ही हमें गायब रसीद का पता न हो।

जादू: समय के साथ बेहतर होना

पेपर दो अद्भुत चीजें सिद्ध करता है:

पर्याप्त डेटा के साथ यह पूर्ण हो जाता है: यदि आप पर्याप्त बार सिमुलेशन चलाते हैं (M को बहुत बड़ा बनाते हैं), तो आपकी चिप लगभग उतनी ही शक्तिशाली हो जाती है जितनी कि वह "परफेक्ट" गणित जो आप पहले नहीं कर पा रहे थे। यह एक धुंधली फोटो की तरह है जो ज़ूम इन करने और अधिक पिक्सेल जोड़ने पर एकदम स्पष्ट हो जाती है।
मल्टीपल चेन्स मदद करती हैं: यदि आप एक ही समय में कई सिमुलेशन मशीनों (multiple chains) को चलाते हैं, तो आपकी चिप और भी मजबूत हो जाती है। यह केवल एक व्यक्ति के बजाय 100 लोगों से बैग के वजन का अनुमान लगाने के लिए पूछने जैसा है; औसत अनुमान अधिक विश्वसनीय होता है।

वास्तविक दुनिया के अनुप्रयोग

लेखकों ने दो बहुत अलग समस्याओं पर इसका परीक्षण किया:

गैलेक्सी वेलोसिटीज़ (Galaxy Velocities): उन्होंने देखा कि "शेपली सुपरक्लस्टर" में आकाशगंगाएँ कितनी तेज़ी से घूम रही हैं। वे जानना चाहते थे कि क्या यह गति आकाशगंगाओं के 5 विशिष्ट समूहों के कारण थी या 25 के। उनकी विधि ने सफलतापूर्वक सिद्ध किया कि सरल मॉडल (5 समूह) सही था, जिससे जटिल मॉडल खारिज हो गया।
अनुक्रमिक परीक्षण (Sequential Testing): उन्होंने दिखाया कि आप इस पद्धति का उपयोग तब भी कर सकते हैं जब डेटा एक-एक करके आ रहा हो (जैसे लाइव स्ट्रीम)। आप प्रयोग को उसी क्षण रोक सकते हैं जब आपकी चिप इतनी बड़ी हो जाए कि विजेता घोषित किया जा सके, बिना गणित को बिगाड़े।

यह क्यों महत्वपूर्ण है?

अतीत में, यदि आप सटीक प्रायिकता की गणना नहीं कर सकते थे (क्योंकि रसीद गायब थी), तो आप फंस जाते थे। आप एक कठोर परीक्षण नहीं कर सकते थे।

यह पेपर सांख्यिकीविदों और डेटा वैज्ञानिकों को एक यूनिवर्सल कुंजी देता है। यह उन्हें जटिल, वास्तविक दुनिया के मॉडलों (जैसे AI या खगोल भौतिकी) को सरल मॉडलों की तरह ही गणितीय कठोरता के साथ टेस्ट करने की अनुमति देता है, बिना उस असंभव गणित को हल किए। यह "मैं यह गणना नहीं कर सकता" को "आइए इसे सिम्युलेट करें और परिणाम पर दांव लगाएं" में बदल देता है।

संक्षेप में सारांश

समस्या: हम एक संख्या गायब होने के कारण जटिल मॉडलों के लिए गणित नहीं कर सकते।
समाधान: हम डेटा के "समानांतर ब्रह्मांड" को सिम्युलेट करते हैं ताकि एक निष्पक्ष तुलना बनाई जा सके।
परिणाम: हमें एक "दांव लगाने वाली चिप" (e-value) मिलती है जो बताती है कि हमारी परिकल्पना सत्य है या नहीं, और यह अधिक सिम्युलेशन के साथ अधिक सटीक होती जाती है।
लाभ: अब हम उन जटिल AI और वैज्ञानिक मॉडलों को कठोरता से टेस्ट कर सकते हैं जिन्हें पहले विश्लेषण करना बहुत कठिन था।

यहाँ शोध पत्र "Besag-Clifford e-values for unnormalized testing" (डोम्बोव्स्की, एंगेलहार्ड्ट और रामदास द्वारा) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र सांख्यिकीय परिकल्पना परीक्षण (statistical hypothesis testing) की एक मौलिक चुनौती को संबोधित करता है: अननॉर्मलाइज्ड (unnormalized) प्रायिकता वितरणों से जुड़ी परिकल्पनाओं का परीक्षण करना।

संदर्भ: कई आधुनिक मशीन लर्निंग मॉडल (जैसे, मार्कोव रैंडम फील्ड्स, रिस्ट्रिक्टेड बोल्ट्ज़मैन मशीन, प्रोडक्ट ऑफ एक्सपर्ट्स) और बेयसियन मॉडल केवल एक नॉर्मलाइजिंग कांस्टेंट (जैसे, $p(x) \propto g(x)$ ) तक ही वितरण को परिभाषित करते हैं। नॉर्मलाइजिंग कांस्टेंट $K = \int g(x)dx$ अक्सर गणना के योग्य नहीं (intractable) होता है।
सीमा: मानक लाइकलीहुड रेशियो टेस्ट (LRT) $q(x)/p(x)$ के अनुपात पर निर्भर करते हैं। यदि $p(x)$ अननॉर्मलाइज्ड है, तो इस अनुपात की सटीक गणना नहीं की जा सकती, जिससे मानक LRT अव्यवहार्य हो जाते हैं।
E-value का अंतराल: जबकि e-values (गैर-ऋणात्मक टेस्ट स्टैटिस्टिक्स जिनका अपेक्षित मान शून्य के तहत $\le 1$ होता है) अनुक्रमिक और पोस्ट-हॉक परीक्षणों के लिए शक्तिशाली उपकरण हैं, अननॉर्मलाइज्ड वितरणों के लिए वैध e-values का निर्माण करना कठिन है। एक साधारण अननॉर्मलाइज्ड लाइकलीहुड रेशियो (ULR) $T(x) = q(x)/g(x)$ सामान्यतः e-value नहीं होता क्योंकि शून्य के तहत इसका अपेक्षित मान $1/K \neq 1$ होता है।
सैंपलिंग बाधाएं: हालांकि MCMC अननॉर्मलाइज्ड वितरणों से सैंपल ले सकता है, लेकिन मानक MCMC सैंपल ऑटोकोरिलेटेड (autocorrelated) होते हैं और स्वतंत्र नहीं होते हैं। इसके अलावा, शून्य से सटीक स्वतंत्र सैंपल प्राप्त करना अक्सर असंभव होता है, जिससे e-value निर्माण के लिए सरल मोंटे कार्लो p-मान या परम्यूटेशन टेस्ट को सीधे लागू करना कठिन हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक बेसाग-क्लिफोर्ड e-values (Besag-Clifford e-values) प्रस्तावित करते हैं, जो अननॉर्मलाइज्ड टेस्ट स्टैटिस्टिक्स को वैध e-values में बदलने के लिए बेसाग और क्लिफोर्ड (1989) की पैरेलल सैंपलिंग विधि का लाभ उठाते हैं।

मुख्य तंत्र: पैरेलल विधि (The Parallel Method)

अवलोकित डेटा $X$ के साथ शून्य परिकल्पना $P$ के तहत विनिमेय (exchangeable) सैंपल उत्पन्न करने के लिए, यह विधि "बैकवर्ड-फॉरवर्ड" सैंपलिंग योजना का उपयोग करती है:

बैकवर्ड स्टेप (Backward Step): दिए गए डेटा $X$ के लिए, रिवर्स ट्रांजिशन कर्नेल $V^J$ का उपयोग करके $J$ चरणों के लिए मार्कोव चेन को पीछे की ओर विकसित करें ताकि एक मध्यवर्ती अवस्था $Y^{(0)}$ उत्पन्न हो सके।
फॉरवर्ड स्टेप (Forward Step): $Y^{(0)}$ से, $M$ बार स्वतंत्र रूप से $J$ चरणों के लिए फॉरवर्ड ट्रांजिशन कर्नेल $U^J$ का उपयोग करके चेन को आगे की ओर विकसित करें ताकि सैंपल $Y^{(1)}, \dots, Y^{(M)}$ उत्पन्न हों।
विनिमेयता (Exchangeability): यदि $X \sim P$ , तो सेट $(X, Y^{(1)}, \dots, Y^{(M))$ विनिमेय (exchangeable) है। यह गुण तब भी बना रहता है जब सैंपल ऑटोकोरिलेटेड हों, बशर्ते कि चेन स्टेशनरी और प्रतिवर्ती (reversible) हो (या रिवर्स कर्नेल सही ढंग से निर्दिष्ट हो)।

बेसाग-क्लिफोर्ड E-value (The Besag-Clifford E-value)

इन विनिमेय सैंपल्स का उपयोग करते हुए, लेखक टेस्ट स्टैटिस्टिक $T(x)$ (जो अक्सर एक अननॉर्मलाइज्ड लाइकलीहुड रेशियो होता है) के लिए e-value $\hat{E}_M(X)$ को निम्नानुसार परिभाषित करते हैं:
$\hat{E}_M(X) = \frac{(M + 1)T(X)}{T(X) + \sum_{m=1}^M T(Y^{(m)})}$

वैधता (Validity): प्रपोजिशन 1 के अनुसार, $\hat{E}_M(X)$ एक वैध e-value है (अर्थात, $\mathbb{E}_P[\hat{E}_M(X)] \le 1$ ), चाहे $M$ का मान कुछ भी हो, जब तक कि विनिमेयता बनी रहती है।
नॉर्मलाइजेशन (Normalization): हर (denominator) शून्य के तहत $T(X)$ के अपेक्षित मान के मोंटे कार्लो अनुमानक के रूप में कार्य करता है, जो प्रभावी रूप से अननॉर्मलाइज्ड स्टैटिस्टिक को नॉर्मलाइज करता है।

एसिम्प्टोटिक व्यवहार और लॉग-ऑप्टिमैलिटी (Asymptotic Behavior and Log-Optimality)

शोध पत्र $M \to \infty$ होने पर व्यवहार का विश्लेषण करता है:

अभिसरण (Convergence): यदि $T(x) \propto q(x)/p(x)$ (वास्तविक लाइकलीहुड रेशियो) है, तो $\hat{E}_M(X)$ संभाव्यता के संदर्भ में वास्तविक लाइकलीहुड रेशियो के एक स्केल्ड संस्करण में अभिसरित होता है:
$\hat{E}_M(X) \xrightarrow{P} \frac{E(X)}{\Delta_J(Y^{(0)})}$
जहाँ $\Delta_J(Y^{(0)})$ एक मल्टीप्लिकेटिव बायस टर्म है जो बैकवर्ड ट्रांजिशन कर्नेल और चेन के मिक्सिंग गुणों पर निर्भर करता है।
लॉग-ऑप्टिमैलिटी (Log-Optimality): बायस टर्म $\Delta_J$ मार्कोव चेन के मिक्सिंग टाइम (mixing time) से संबंधित है। यदि $J$ चरणों की संख्या को चेन के KL-मिक्सिंग टाइम के बराबर या उससे अधिक रखा जाता है, तो $\Delta_J \approx 1$ होता है, और बेसाग-क्लिफोर्ड e-value लॉग-ऑप्टिमल बन जाता है (वास्तविक लाइकलीहुड रेशियो के प्रदर्शन के करीब पहुँच जाता है)।

विस्तार (Extensions)

मल्टीपल चेन्स (Multiple Chains): खराब मिक्सिंग या प्रारंभिक बैकवर्ड स्टेप के प्रति संवेदनशीलता को कम करने के लिए, लेखक $S$ स्वतंत्र समानांतर चेन्स पर $\hat{E}_M$ का औसत निकालने का प्रस्ताव करते हैं। यह टाइप-1 एरर नियंत्रण बनाए रखते हुए e-पावर (e-power) (वैकल्पिक परिकल्पना के तहत अपेक्षित लॉग-ग्रोथ) को बढ़ाता है।
कंपोजिट हाइपोथीसिस (Composite Hypotheses): यह विधि शून्य घटकों के न्यूनतम (minimum) को लेकर कंपोजिट शून्य (finite sets) तक विस्तारित होती है, और कॉन्फिडेंस रीजन के लिए टेस्ट को इनवर्ट करती है।
अनुक्रमिक परीक्षण (Sequential Testing): लेखक अनुक्रमिक डेटा के लिए बेसाग-क्लिफोर्ड e-प्रोसेस (Besag-Clifford e-processes) को परिभाषित करते हैं, जो 'एनीटाइम-वैलिड' (anytime-valid) परीक्षण की अनुमति देता है जहाँ रुकने का समय (stopping time) डेटा-निर्भर हो सकता है।

3. प्रमुख योगदान (Key Contributions)

नवीन E-value निर्माण: अननॉर्मलाइज्ड टेस्ट स्टैटिस्टिक्स (विशेष रूप से अननॉर्मलाइज्ड लाइकलीहुड रेशियो) को वैध e-values में बदलने के लिए एक विधि पेश करता है, जो बेसाग-क्लिफोर्ड पैरेलल सैंपलिंग स्कीम का उपयोग करता है, जिससे ज्ञात नॉर्मलाइजिंग कांस्टेंट की आवश्यकता समाप्त हो जाती है।
सैद्धांतिक गारंटी:
- किसी भी परिमित (finite) सैंपल $M$ के लिए वैधता सिद्ध करता है।
- स्थापित करता है कि जैसे-जैसे $M \to \infty$ होता है, $\hat{E}_M(X)$ एक मल्टीप्लिकेटिव फैक्टर तक वास्तविक लाइकलीहुड रेशियो में अभिसरित होता है, जो चेन के मिक्सिंग टाइम द्वारा निर्धारित होता है।
- दिखाता है कि पर्याप्त मिक्सिंग स्टेप्स ( $J$ ) के साथ, यह विधि अनुमानित लॉग-ऑप्टिमैलिटी (approximate log-optimality) प्राप्त करती है।
पावर बूस्टिंग (Power Boosting): यह प्रदर्शित करता है कि कई समानांतर MCMC चेन्स का औसत लेने से टाइप-1 एरर नियंत्रण से समझौता किए बिना e-पावर में सुधार होता है, जो जटिल मॉडलों में धीमी मिक्सिंग की समस्या को हल करता है।
सामान्यीकरण (Generalization): यह विधि कंपोजिट हाइपोथीसिस, कॉन्फिडेंस रीजन और अनुक्रमिक परीक्षण (e-processes) तक विस्तारित है, जिससे यह आधुनिक सांख्यिकीय समस्याओं की एक विस्तृत श्रृंखला के लिए उपयोगी बन जाती है।

4. परिणाम (Results)

शोध पत्र सिमुलेशन और एक वास्तविक अनुप्रयोग के माध्यम से सिद्धांत को मान्य करता है:

AR(1) प्रोसेस सिमुलेशन:
- सत्यापित किया कि $M$ बढ़ने के साथ $\hat{E}_M(X)$ , वास्तविक लाइकलीहुड रेशियो की ओर अभिसरित होता है।
- दिखाया कि बायस टर्म $\Delta_J$ , बैकवर्ड स्टेप्स $J$ बढ़ने के साथ घटता है (बेहतर मिक्सिंग)।
- दिखाया कि समानांतर चेन्स की संख्या $S$ बढ़ाने से टेस्ट की पावर में सुधार होता है।
अनुक्रमिक परीक्षण (Product of Experts):
- इसे एक अनुक्रमिक प्रोडक्ट ऑफ एक्सपर्ट्स (PoE) मॉडल पर लागू किया गया।
- परिणामों ने दिखाया कि एक सिंगल चेन की तुलना में मल्टीपल चेन्स ( $S > 1$ ) का उपयोग करने से वैकल्पिक परिकल्पना के तहत e-प्रोसेस के विकास की गति तेज हो जाती है।
कंपोजिट अल्टरनेटिव (Gaussian Parameters):
- बेसाग-क्लिफोर्ड e-प्रोसेस की तुलना एक मानक यूनिवर्सल इन्फरेंस (LR) e-प्रोसेस से की गई।
- बेसाग-क्लिफोर्ड प्रक्रिया ने शुरुआती चरणों में अधिक स्थिरता दिखाई और कमजोर संकेतों के लिए छोटा स्टॉपिंग टाइम (तेजी से पता लगाना) प्राप्त किया, हालांकि LR प्रक्रिया ने बेहतर पैरामीटर अनुमान के साथ अंततः बराबरी कर ली।
वास्तविक अनुप्रयोग (Shapley Supercluster):
- गैलेक्सी वेलोसिटी डेटा पर प्रोडक्ट ऑफ एक्सपर्ट्स मॉडल में "एक्सपर्ट्स" (मोड्स) की संख्या का परीक्षण करने के लिए लागू किया गया।
- विधि ने एक जटिल मॉडल ( $W=25$ ) के मुकाबले एक सरल मॉडल ( $W=5$ ) का निर्णायक रूप से समर्थन किया, जिसमें e-प्रोसेस ने घातांकीय क्षय (exponential decay) दिखाया, जो जटिल मॉडल के विरुद्ध मजबूत साक्ष्य का संकेत देता है।

5. महत्व (Significance)

MCMC और हाइपोथीसिस टेस्टिंग को जोड़ना: यह कार्य MCMC सैंपलिंग (जो आमतौर पर अनुमान के लिए उपयोग किया जाता है) और हाइपोथीसिस टेस्टिंग के बीच एक कठोर सैद्धांतिक सेतु प्रदान करता है, विशेष रूप से अननॉर्मलाइज्ड वितरणों के कठिन मामले के लिए।
जटिलता के प्रति मजबूती: यह शोधकर्ताओं को जटिल मॉडलों (जैसे RBMs और MRFs) पर वैध और शक्तिशाली हाइपोथीसिस टेस्ट करने की अनुमति देता है जहाँ नॉर्मलाइजिंग कांस्टेंट अज्ञात होता है, जो कि आधुनिक मशीन लर्निंग में एक सामान्य बाधा है।
अनुक्रमिक और पोस्ट-हॉक वैधता: e-values का उपयोग करके, यह विधि 'ऑप्शनल स्टॉपिंग' और डेटा-निर्भर विश्लेषण के तहत भी टाइप-1 एरर नियंत्रण की गारंटी देती है, जो आधुनिक अनुकूलन प्रयोगों (adaptive experiments) के लिए महत्वपूर्ण है।
व्यावहारिक उपयोगिता: यह दृष्टिकोण कम्प्यूटेशनल रूप से व्यवहार्य है (मानक MCMC एल्गोरिदम जैसे HMC या गिब्स सैंपलिंग का उपयोग करके) और कम्प्यूटेशनल लागत बनाम सांख्यिकीय शक्ति और ऑप्टिमैलिटी के बीच संतुलन बनाने के लिए एक स्पष्ट रणनीति ( $J$ और $S$ बढ़ाना) प्रदान करता है।

संक्षेप में, यह शोध पत्र बेसाग-क्लिफोर्ड e-values को अननॉर्मलाइज्ड वितरणों के परीक्षण के लिए एक मजबूत, सैद्धांतिक रूप से आधारित ढांचे के रूप में स्थापित करता है, जो लॉग-ऑप्टिमल परीक्षण का मार्ग प्रशस्त करता है जो कम्प्यूटेशनल संसाधनों के साथ स्केल कर सकता है।