🔬 applied physics

Weighted Bayesian Conformal Prediction

यह शोध पत्र वेटेड बायेसियन कॉन्फॉर्मल प्रेडिक्शन (WBCP) प्रस्तुत करता है, जो एक नवीन ढांचा है जो डिरिचलेट पोस्टीरियर्स (Dirichlet posteriors) में महत्व भार (importance weights) को शामिल करके वितरण बदलावों (distribution shifts) को संभालने के लिए बायेसियन कॉन्फॉर्मल प्रेडिक्शन का सामान्यीकरण करता है, जिससे गैर-i.i.d. डेटा के लिए कठोर परिमित-नमूना कवरेज गारंटी और समृद्ध अनिश्चितता मात्रात्मकता प्रदान की जा सकती है।

मूल लेखक: Xiayin Lou, Peng Luo

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xiayin Lou, Peng Luo

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 मौसम विज्ञानी हैं। आप भविष्यवाणी करते हैं कि कल बारिश होगी। एक मानक भविष्यवाणी अंतराल (prediction interval) कह सकता है, "बारिश की 90% संभावना है, और बारिश 0 से 2 इंच के बीच होगी।"

लेकिन यहाँ समस्या यह है: आप उस "0 से 2 इंच" की सीमा के बारे में कितने आश्वस्त हैं?

परिदृश्य A: आपने यह भविष्यवाणी अपने शहर के 200 दिनों के सटीक, हालिया मौसम डेटा के आधार पर की है। आप बहुत आश्वस्त हैं कि यह सीमा सटीक है।
परिदृश्य B: आपने एक पूरी तरह से अलग महाद्वीप के 5 दिनों के डेटा के आधार पर यह भविष्यवाणी की है जिसका जलवायु अलग है। आप मूल रूप से केवल अनुमान लगा रहे हैं।

मानक तरीके परिदृश्य A और परिदृश्य B के साथ बिल्कुल एक जैसा व्यवहार करते हैं। वे आपको वही "0 से 2 इंच" का उत्तर देते हैं, जो इस तथ्य को छिपा देता है कि परिदृश्य B में आप अंधेरे में तीर चला रहे हैं। यह छिपा हुआ संदेह जिसे लेखक "मेटा-अनिश्चितता" (Meta-Uncertainty) (अपनी अनिश्चितता के बारे में अनिश्चितता) कहते हैं।

समस्या: दो मौजूदा उपकरण जिनमें खामियां हैं

यह शोध पत्र दो मौजूदा उपकरणों की जांच करता है जो भविष्यवाणी की समस्याओं को ठीक करने की कोशिश करते हैं, लेकिन दोनों में पहेली का एक हिस्सा गायब है:

"बायेसियन" उपकरण (BQ-CP): यह उपकरण आपको यह दिखाने में बहुत अच्छा है कि आपको कितना आश्वस्त होना चाहिए। यह केवल एक संख्या नहीं देता; यह एक पूरा "संभावनाओं का बादल" देता है जो यह दिखाता है कि वह संख्या कितनी बदल सकती है।
- खामी: यह केवल तभी काम करता है जब आपका डेटा पूरी तरह से समान और एक जैसा हो (जैसे 1,000 बार एक निष्पक्ष सिक्का उछालना)। यदि आपका डेटा अव्यवस्थित है या अलग-अलग जगहों से आता है (जैसे रेगिस्तान और जंगल के मौसम के डेटा को मिलाना), तो यह उपकरण विफल हो जाता है।
"वेटेड" (Weighted) उपकरण (Weighted CP):ette यह उपकरण अव्यवस्थित, अलग-अलग डेटा को संभालने में बहुत अच्छा है। यह जानता है कि आपके शहर के एक डेटा पॉइंट का महत्व जंगल के डेटा पॉइंट से अधिक है, इसलिए यह उन्हें तदनुसार "वेट" (भार) देता है।
- खामी: यह केवल एक एकल, कठोर संख्या देता है। यह डेटा की समस्या को तो ठीक कर देता है लेकिन "मेटा-अनिश्चितता" को अभी भी छिपा देता है। यह आपको उत्तर तो बताता है, लेकिन यह नहीं बताता कि उसकी नींव कितनी डगमगा रही है।

समाधान: वेटेड बायेसियन कॉन्फॉर्मल प्रेडिक्शन (WBCP)

लेखकों ने WBCP नामक एक नया उपकरण बनाया है। इसे एक हाइब्रिड कार के रूप में सोचें जो दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ती है।

यह कैसे काम करता है, इसके लिए एक सरल उपमा देखें:

"वोटिंग" की उपमा

कल्पना कीजिए कि आप लोगों के एक समूह की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं।

मानक विधि: आप 10 लोगों से पूछते हैं। आपको एक औसत मिलता है। आप नहीं जानते कि वे 10 लोग एक रैंडम मिश्रण थे या केवल बास्केटबॉल खिलाड़ियों का एक समूह।
वेटेड विधि: आप 10 लोगों से पूछते हैं, लेकिन आप जानते हैं कि कुछ बास्केटबॉल खिलाड़ी हैं और कुछ जॉकी (छोटे कद के लोग) हैं। आप जॉकी को कम "वोट देने की शक्ति" देते हैं और बास्केटबॉल खिलाड़ियों को अधिक। आपको एक बेहतर औसत मिलता है, लेकिन आप अभी भी यह नहीं जानते कि वह औसत कितना विश्वसनीय है।
WBCP (नया तरीका): आप लोगों से पूछते हैं, उनके वोटों को भार (weight) देते हैं, और फिर आप अपने परिणाम के लिए एक "कॉन्फिडेंस स्कोर" (विश्वास स्कोर) की गणना करते हैं।
- यदि आपके पास 100 जॉकी और 100 बास्केटबॉल खिलाड़ी हैं, तो आपका "कॉन्फिडेंस स्कोर" उच्च है। आपके संभावित उत्तरों की सीमा सटीक है।
- यदि आपके पास केवल 2 जॉकी और 1 बास्केटबॉल खिलाड़ी है, तो आपका "कॉन्फिडेंस स्कोर" कम है। टूल कहता है, "अरे, आपका उत्तर डगमगा रहा है! वास्तविक औसत बहुत अधिक या बहुत कम हो सकता है।"

गुप्त सूत्र: "प्रभावी नमूना आकार" (Effective Sample Size - $n_{eff}$ )

यह शोध पत्र एक चतुर अवधारणा पेश करता है जिसे "प्रभावी नमूना आकार" ( $n_{eff}$ ) कहा जाता है।

कल्पना कीजिए कि आपके पास 1,000 कंचों (marbles) का एक बैग है।

यदि सभी 1,000 लाल हैं, तो आपके पास 1,000 उपयोगी कंचे हैं।
यदि 999 नीले हैं और केवल 1 लाल है, और आप केवल लाल कंचों की परवाह करते हैं, तो आपके पास प्रभावी रूप से केवल 1 उपयोगी कंचा है।

WBCP इस "प्रभावी नमूना आकार" की गणना स्वचालित रूप से करता है।

उच्च $n_{eff}$ : आपके पास बहुत सारा अच्छा, प्रासंगिक डेटा है। टूल एक सटीक, आत्मविश्वासी रेंज देता है।
कम $n_{eff}$ : आपके पास बहुत कम प्रासंगिक डेटा है। टूल एक विस्तृत, सतर्क रेंज देता है और एक चेतावनी लेबल जोड़ता है: "सावधान रहें, हमारे पास पर्याप्त जानकारी नहीं है।"

वास्तविक दुनिया का अनुप्रयोग: घरों की कीमतों की भविष्यवाणी करना

लेखकों ने इसका परीक्षण सिएटल के घर की कीमतों पर किया।

शहर के केंद्र में: पास में हजारों समान घर हैं। टूल एक उच्च "प्रभावी नमूना आकार" देखता है। यह एक सटीक मूल्य सीमा देता है और कहता है, "हम इस बारे में बहुत आश्वस्त हैं।"
दूरदराज के ग्रामीण इलाकों में: पास में बहुत कम समान घर हैं। टूल एक कम "प्रभावी नमूना आकार" देखता है। यह बहुत व्यापक मूल्य सीमा देता है और कहता है, "हम यहाँ अनुमान लगा रहे हैं; कीमत बहुत अधिक या बहुत कम हो सकती है।"

यह क्यों मायने रखता है

चिकित्सा, वित्त या स्वायत्त कारों (self-driving cars) जैसे उच्च-दांव वाले क्षेत्रों में, यह जानना कि आप क्या नहीं जानते उतना ही महत्वपूर्ण है जितना कि स्वयं भविष्यवाणी।

पुराना तरीका: "मरीज के ठीक होने की 90% संभावना है।" (शांत घबराहट: क्या यह 90% 1,000 मरीजों पर आधारित है या 2 पर?)
WBCP तरीका: "मरीज के ठीक होने की 90% संभावना है। 500 समान मामलों के आधार पर, हम बहुत आश्वस्त हैं। हालांकि, इस विशिष्ट दुर्लभ स्थिति के लिए, हमारा आत्मविश्वास कम हो जाता है, इसलिए वास्तविक जोखिम अधिक हो सकता है।"

सारांश

WBCP एक नया गणितीय उपकरण है जो कंप्यूटर को यह स्वीकार करने में मदद करता है कि वे अनिश्चित हैं। यह अव्यवस्थित, वास्तविक दुनिया के डेटा को लेता है, यह पता लगाता है कि कौन से हिस्से सबसे महत्वपूर्ण हैं, और फिर आपको न केवल उत्तर देता है, बल्कि यह भी बताता है कि आपको उस उत्तर पर कितना भरोसा करना चाहिए। यह एक एकल, कठोर संख्या को अनिश्चितता की एक समृद्ध, ईमानदार कहानी में बदल देता है।

यहाँ ज़ियायिन लू और पेंग लुओ के शोध पत्र "Weighted Bayesian Conformal Prediction" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कन्फॉर्मल प्रेडिक्शन (CP) में एक महत्वपूर्ण कमी को संबोधित करता है, जो सीमित-नमूना कवरेज गारंटी (finite-sample coverage guarantees) के साथ वितरण-मुक्त (distribution-free) भविष्यवाणी अंतराल उत्पन्न करने का एक ढांचा है। जबकि मानक CP यह सुनिश्चित करता है कि वास्तविक परिणाम $1-\alpha$ प्रायिकता के साथ अनुमानित अंतराल के भीतर आता है, यह वास्तविक दुनिया के परिदृश्यों में दो मुख्य सीमाओं से ग्रस्त है:

वितरण बदलाव (Distribution Shift): मानक CP यह मानता है कि प्रशिक्षण (कैलिब्रेशन) और परीक्षण डेटा स्वतंत्र और समान रूप से वितरित (i.i.d.) हैं। जब यह धारणा विफल हो जाती है (जैसे, कोवेरिएट शिफ्ट, स्थानिक विषमता, या डोमेन अनुकूलन के कारण), तो मानक CP अपनी वैधता खो देता है। वेटेड कन्फॉर्मल प्रेडिक्शन (WCP) इसे कवरेज बनाए रखने के लिए महत्व भार (importance weights) का उपयोग करके हल करता है, लेकिन यह विशुद्ध रूप से फ्रीक्वेंटिस्ट (frequentist) बना रहता है, जो केवल एक एकल नियतात्मक थ्रेशोल्ड (deterministic threshold) आउटपुट करता है।
मेटा-अनिश्चितता (Meta-Uncertainty): मानक CP और WCP दोनों ही भविष्यवाणी अंतराल की चौड़ाई (थ्रेशोल्ड $\hat{q}$ ) के लिए एक एकल बिंदु अनुमान (point estimate) प्रदान करते हैं। वे इस थ्रेशोल्ड की विश्वसनीयता के बारे में कोई जानकारी नहीं देते हैं। उदाहरण के लिए, 200 अत्यधिक प्रासंगिक कैलिब्रेशन बिंदुओं से प्राप्त थ्रेशोल्ड, 5 दूरस्थ बिंदुओं से प्राप्त थ्रेशोल्ड की तुलना में बहुत अधिक विश्वसनीय है, फिर भी मानक विधियाँ दोनों के साथ समान व्यवहार करती हैं।
मौजूदा बेयसियन दृष्टिकोणों की सीमाएं: हाल के कार्य (Snell & Griffiths द्वारा) ने BQ-CP के रूप में CP को पुनर्गठित किया है, जो थ्रेशोल्ड पर एक पोस्टीरियर वितरण (posterior distribution) प्रदान करता है (मेटा-अनिश्चितता को मापने के लिए)। हालाँकि, BQ-CP कड़ाई से i.i.d. धारणा पर निर्भर है और महत्व-भारित (importance-weighted) सेटिंग्स को नहीं संभाल सकता है।

मुख्य समस्या: ऐसा कोई मौजूदा तरीका नहीं है जो एक साथ वितरण-शिफ्ट मजबूती (वेटिंग के माध्यम से) और मेटा-अनिश्चितता मात्रा निर्धारण (थ्रेशोल्ड पर बेयसियन पोस्टीरियर के माध्यम से) प्रदान करता हो।

2. कार्यप्रणाली: वेटेड बेयसियन कन्फॉर्मल प्रेडिक्शन (WBCP)

लेखक WBCP प्रस्तावित करते हैं, जो BQ-CP को किसी भी मनमाने महत्व-भारित (importance-weighted) सेटिंग्स में सामान्यीकृत करता है।

मुख्य अंतर्दृष्टि (Key Insight)

यह विधि BQ-CP में उपयोग किए जाने वाले यूनिफॉर्म डिरिचलेट प्रायर (uniform Dirichlet prior) को एक वेटेड डिरिचलेट वितरण (weighted Dirichlet distribution) से बदल देती है।

BQ-CP (i.i.d.): क्वांटाइल स्पेसिंग्स को $V \sim \text{Dir}(1, \dots, 1)$ के रूप में मॉडल करता है।
WBCP (Weighted): क्वांटाइल स्पेसिंग्स को $V \sim \text{Dir}(n_{\text{eff}} \cdot \tilde{w}_1, \dots, n_{\text{eff}} \cdot \tilde{w}_n)$ के रूप में मॉडल करता है।

यहाँ:

$\tilde{w}_i$ सामान्यीकृत महत्व भार (normalized importance weights) हैं (जैसे, कोवेरिएट शिफ्ट के लिए लाइकलीहुड रेशियो या स्थानिक डेटा के लिए कर्नेल वेट्स)।
$n_{\text{eff}}$ किश का प्रभावी नमूना आकार (Kish's effective sample size) है, जिसकी गणना इस प्रकार की जाती है:
$n_{\text{eff}} = \frac{(\sum w_i)^2}{\sum w_i^2}$
यह पैरामीटर डिरिचलेट वितरण के लिए कंसंट्रेशन पैरामीटर (concentration parameter) के रूप में कार्य करता है।

सैद्धांतिक औचित्य (Theoretical Justification)

वेटेड बेयसियन बूटस्ट्रैप: इसका निर्माण वेटेड बेयसियन बूटस्ट्रैप (Newton & Raftery, 1994) के माध्यम से न्यायसंगत है। जब भार यूनिफॉर्म होते हैं, तो $n_{\text{eff}} = n$ होता है, और WBCP मानक BQ-CP मॉडल को पुनः प्राप्त करता है।
वैरिएंस मैचिंग (Variance Matching): लेखक सिद्ध करते हैं कि $n_{\text{eff}}$ $n_{eff}$ एकमात्र विशिष्ट कंसंट्रेशन पैरामीटर है जो बेयसियन पोस्टीरियर वेरिएंस को वेटेड एस्टीमेटर के फ्रीक्वेंटिस्ट सैंपलिंग वेरिएंस से मेल खाता है।
- उच्च $n_{\text{eff}}$ (अधिक प्रभावी नमूने) $\rightarrow$ केंद्रित पोस्टीरियर (कम मेटा-अनिश्चितता)।
- निम्न $n_{\text{eff}}$ (कम प्रभावी नमूने) $\rightarrow$ विसरित (diffuse) पोस्टीरियर (उच्च मेटा-अनिश्चितता)।

एल्गोरिदम (Algorithm)

इनपुट: कैलिब्रेशन स्कोर $\{\rho_i\}$ और भार $\{w_i\}$ ।
गणना: $n_{\text{eff}}$ और सामान्यीकृत भार।
सैंपलिंग: $\text{Dir}(n_{\text{eff}} \cdot \tilde{w}_1, \dots, n_{\text{eff}} \cdot \tilde{w}_n)$ से $M$ वेक्टर $u^{(m)}$ सैंपल करें।
थ्रेशोल्डिंग: प्रत्येक सैंपल के लिए, वेटेड स्पेसिंग्स के $(1-\alpha)$ -क्वांटाइल के अनुरूप थ्रेशोल्ड $\lambda^{(m)}$ की गणना करें।
आउटपुट:
- $\lambda_{\text{HPD}}$ : उच्चतम पोस्टीरियर डेंसिटी (HPD) थ्रेशोल्ड, जो डेटा-कंडीशनल गारंटी प्रदान करता है।
- $\sigma_{\text{post}}$ : पोस्टीरियर स्टैंडर्ड डेविएशन, जो मेटा-अनिश्चितता को मापता है।
- $n_{\text{eff}}$ : एस्टीमेट को सहारा देने वाले प्रभावी कैलिब्रेशन नमूनों की संख्या।

3. मुख्य योगदान (Key Contributions)

यह शोध पत्र चार प्राथमिक सैद्धांतिक योगदान और एक व्यावहारिक कार्यान्वयन प्रस्तुत करता है:

BQ-CP का सामान्यीकरण: WBCP महत्व भारों को डिरिचलेट कंसंट्रेशन पैरामीटर्स में मैप करके गैर-i.i.d. सेटिंग्स के लिए BQ-CP का विस्तार करता है।
सैद्धांतिक प्रमाण:
- कैलिब्रेशन निरंतरता (Calibration Consistency): सिद्ध करता है कि $n_{\text{eff}}$ फ्रीक्वेंटिस्ट और बेयसियन वेरिएंस को मिलाने वाला एकमात्र स्केलिंग फैक्टर है।
- पोस्टीरियर कंसंट्रेशन: सिद्ध करता है कि पोस्टीरियर स्टैंडर्ड डेविएशन $O(1/\sqrt{n_{\text{eff}}})$ के रूप में घटता है। यह डेटा गुणवत्ता और अनिश्चितता अनुमान की विश्वसनीयता के बीच एक सीधा संबंध स्थापित करता है।
- वेटेड स्टोकेस्टिक डोमिनेंस: BQ-CP के स्टोकेस्टिक डोमिनेंस गारंटी को प्रति-भार प्रोफाइल (per-weight-profile) सेटिंग्स तक विस्तारित करता है, जिससे यह सुनिश्चित होता है कि डेटा-कंडीशनल गारंटी विशिष्ट भार प्रोफाइल के लिए मान्य रहती है।
- कंडीशनल कवरेज बाउंड: दिखाता है कि HPD थ्रेशोल्ड मार्जिनल रेट की तुलना में $O(1/\sqrt{n_{\text{eff}}})$ से कंडीशनल कवरेज में सुधार करता है, जहाँ सुधार सबसे महत्वपूर्ण है जहाँ $n_{\text{eff}}$ कम है (अर्थात, जहाँ मानक विधियाँ सबसे कम विश्वसनीय होती हैं)।
जियोग्राफिकल BQ-CP (GeoBCP): लेखक स्थानिक भविष्यवाणी (spatial prediction) के लिए WBCP को लागू करते हैं। कर्नेल-आधारित स्थानिक भारों का उपयोग करते हुए, GeoBCP निम्नलिखित उत्पन्न करता है:
- $n_{\text{eff}}$ मैप्स: यह विज़ुअलाइज़ करना कि कहाँ कैलिब्रेशन डेटा सघन (dense) बनाम विरल (sparse) है।
- $\sigma_{\text{post}}$ मैप्स: यह विज़ुअलाइज़ करना कि कहाँ भविष्यवाणी अंतराल "भरोसेमंद रूप से संकीर्ण" (confidently narrow) बनाम "अनिश्चित रूप से संकीर्ण" (uncertainly narrow) हैं।
अनुभवजन्य सत्यापन (Empirical Validation): सिंथेटिक और वास्तविक दुनिया के स्थानिक डेटासेट (सिएटल हाउस प्राइसेस) पर व्यापक प्रयोगों से पता चलता है कि WBCP कवरेज गारंटी बनाए रखता है और मानक CP, वेटेड CP, या BQ-CP की तुलना में काफी समृद्ध अनिश्चितता जानकारी प्रदान करता है।

4. परिणाम (Results)

सिंथेटिक डेटा: WBCP वेरिएंट्स ने लक्षित (90%) कवरेज बनाए रखते हुए पोस्टीरियर डायग्नोस्टिक्स प्रदान किए। पोस्टीरियर स्टैंडर्ड डेविएशन ( $\sigma_{\text{post}}$ ) ज्ञात नॉइज़ स्ट्रक्चर के साथ दृढ़ता से सह-संबंधित था (Pearson $r < -0.9$ ), जो पुष्टि करता है कि यह डेटा गुणवत्ता को निष्ठापूर्वक दर्शाता है।
वास्तविक दुनिया का डेटा (सिएटल हाउस प्राइसेस):
- कवरेज: GeoBCP ने मानक GeoCP की तुलना में अंतराल की चौड़ाई में मामूली वृद्धि के साथ ~95% कवरेज प्राप्त किया (90% लक्ष्य से अधिक)।
- डायग्नोस्टिक्स: पद्धति ने शहरी केंद्रों (उच्च $n_{\text{eff}}$ , निम्न $\sigma_{\text{post}}$ ) और परिधीय क्षेत्रों (निम्न $n_{\text{eff}}$ , उच्च $\sigma_{\text{post}}$ ) के बीच सफलतापूर्वक अंतर किया।
- तुलना: मानक CP या वेटेड CP के विपरीत, WBCP ने एक पूर्ण पोस्टीरियर वितरण प्रदान किया, जिससे उपयोगकर्ताओं को यह देखने की अनुमति मिली कि डेटा-विरल क्षेत्र में एक संकीर्ण अंतराल वास्तव में अत्यधिक अनिश्चित है।

5. महत्व (Significance)

यह कार्य फ्रीक्वेंटिस्ट मजबूती (वितरण बदलाव को संभालना) और बेयियन अनिश्चितता मात्रा निर्धारण (मेटा-अनिश्चितता) के बीच एक मौलिक सैद्धांतिक अंतर को पाटता है।

व्यावहारिक प्रभाव: उच्च-दांव वाले अनुप्रयोगों (जैसे, चिकित्सा निदान, स्वायत्त ड्राइविंग, रियल एस्टेट) में, यह जानना कि भविष्यवाणी अंतराल कितना विश्वसनीय है, अंतराल स्वयं जितना ही महत्वपूर्ण है। WBCB चिकित्सकों को उन क्षेत्रों की पहचान करने की अनुमति देता जहाँ भविष्यवाणियाँ सांख्यिकीय रूप से समर्थित नहीं हैं (निम्न $n_{\text{eff}}$ ) और लक्षित डेटा संग्रह या रूढ़िवादी निर्णय लेने को ट्रिगर कर सकते हैं।
सैद्धांतिक प्रगति: यह BQ-CP की सीमा को हटाकर (i.i.d. बाधा को हटाकर) इसे हल करता है, जिससे बेयियन कन्फॉर्मल प्रिडिक्शन को कोवेरिएट शिफ्ट और स्थानिक विषमता से जुड़े वास्तविक दुनिया के विशाल समस्याओं के लिए लागू करना संभव हो जाता है।
व्याख्यात्मकता (Interpretability): डायग्नोस्टिक टूल के रूप में $n_{\text{eff}}$ और $\sigma_{\text{post}}$ का परिचय कन्फॉर्मल प्रिडिक्शन को एक "ब्लैक बॉक्स" अंतराल जनरेटर से एक व्याख्यात्मक प्रणाली में बदल देता है जो अपनी स्वयं की कैलिब्रेशन की गुणवत्ता को संप्रेषित करता है।