🤖 machine learning

Constant-Factor Approximations for Doubly Constrained Fair k-Center, k-Median and k-Means

यह शोध पत्र दोहरी रूप से बाधित निष्पक्षता (समूह निष्पक्षता और विविध केंद्र चयन का संयोजन) के तहत डिस्क्रीट k-क्लस्टरिंग समस्याओं के लिए बेहतर कॉन्स्टेंट-फैक्टर सन्निकटन एल्गोरिदम प्रस्तुत करता है, जो k-सेंटर के लिए 4-सन्निकटन प्राप्त करता है और एक LP-आधारित रूपांतरण दृष्टिकोण का उपयोग करके k-मीडियन और k-मीन्स के लिए पहले कॉन्स्टेंट-फैक्टर सन्निकटन प्रस्तावित करता है।

मूल लेखक: Nicole Funk, Annika Hennes, Johanna Hillebrand, Sarah Sturm

प्रकाशित 2026-04-20

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nicole Funk, Annika Hennes, Johanna Hillebrand, Sarah Sturm

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 विशाल कंपनी रिट्रीट (कंपनी के आयोजन) का आयोजन कर रहे हैं। आपके पास कर्मचारियों की एक सूची (डेटा पॉइंट्स) है और आपको उन्हें k अलग-अलग समूहों (क्लस्टर्स) में विभाजित करने की आवश्यकता है। प्रत्येक समूह का एक लीडर (केंद्र) होना चाहिए।

आमतौर पर, लक्ष्य यह सुनिश्चित करना होता है कि हर कोई अपने लीडर के करीब हो ताकि समूह सुव्यवस्थित और कुशल रहें। लेकिन वास्तविक दुनिया में, हमें निष्पक्षता (fairness) की भी परवाह होती है।

यह शोध पत्र इस समस्या के एक बहुत ही विशिष्ट और जटिल संस्करण को संबोधित करता है जहाँ हमें एक साथ दो अलग-अलग प्रकार की निष्पक्षता को संतुष्ट करना होता है। लेखक इसे "डबली कंस्ट्रेंड फेयर क्लस्टरिंग" (Doubly Constrained Fair Clustering) कहते हैं।

यहाँ समस्या और उनके समाधान का विवरण दिया गया है, जिसे सरल उपमाओं (analogies) का उपयोग करके समझाया गया है।

निष्पक्षता के दो नियम

समस्या को समझने के लिए, कल्पना कीजिए कि आप रिट्रीट प्लानर हैं। आपके पास दो बॉस हैं जो परस्पर विरोधी निर्देश दे रहे हैं:

1. "संतुलित कमरा" नियम (ग्रुप फेयरनेस)
आपका पहला बॉस कहता है: "हर गतिविधि वाले कमरे में लोगों का मिश्रण होना चाहिए। कोई भी कमरा 90% इंजीनियर और 10% मार्केटर वाला नहीं हो सकता। हर कमरे में प्रत्येक विभाग का एक विशिष्ट प्रतिशत होना चाहिए।"

लक्ष्य: यह सुनिश्चित करना कि प्रत्येक क्लस्टर के भीतर, जनसांख्यिकी (demographics) एक निर्धारित अनुपात के अनुसार संतुलित हो (जैसे, 50% पुरुष, 50% महिलाएं, या 40% इंजीनियर, 60% डिजाइनर)।

2. "विविध नेता" नियम (विविध सेंटर सिलेक्शन)
आपका दूसरा बॉस कहता है: "इन समूहों के नेता भी विविध होने चाहिए। आप ऐसे 5 नेता नहीं चुन सकते जो सभी एक ही विभाग से हों। आपको ठीक 2 इंजीनियर, 2 मार्केटर और 1 डिजाइनर के रूप में समूह के लीडर चाहिए।"

लक्ष्य: यह सुनिश्चित करना कि समूहों का नेतृत्व करने वाले लोग पूरी कंपनी का प्रतिनिधित्व करते हैं, न कि केवल एक हिस्से का।

टकराव:
एक नियम को संतुष्ट करना आसान है। दूसरे को संतुष्ट करना भी आसान है। लेकिन दोनों को एक साथ करना एक दुःस्वप्न है।

यदि आप विविध नेता पहले चुनते हैं, तो आप अनजाने में सभी "अल्पसंख्यक" कर्मचारियों को एक ही समूह में डाल सकते हैं ताकि लीडर्स खुश रहें, जिससे "संतुलित कमरा" नियम का उल्लंघन होगा।
यदि आप कमरों को पहले संतुलित करते हैं, तो हो सकता है कि आपके पास 50 लोगों का समूह हो लेकिन एक विशिष्ट विभाग से केवल एक ही लीडर हो, जिससे "विविध नेता" नियम का उल्लंघन होगा।

पिछला समाधान (एक "अनाड़ी" दृष्टिकोण)

इस काम को करने से पहले, शोधकर्ताओं ने इसे एक समय में एक कदम (क्रमिक रूप से) करके हल करने की कोशिश की थी।

चरण 1: एक ऐसा समाधान खोजें जो कमरों को संतुलित करता हो।
चरण 2: विविध नेताओं को प्राप्त करने के लिए इसे बदलने (tweak करने) का प्रयास करें।
परिणाम: यह डूबती हुई नाव को ठीक करने की कोशिश करने जैसा था। गणित से पता चला कि यह दृष्टिकोण "महंगा" (दक्षता के मामले में) था और अक्सर ऐसे समाधानों में बदल जाता था जो आदर्श सैद्धांतिक समाधान से 8 गुना बदतर थे। यह अव्यवस्थित भी था, कभी-कभी नियमों को थोड़ा तोड़ देता था।

नया समाधान (एक "मास्टर प्लानर" दृष्टिकोण)

इस शोध पत्र के लेखकों (फंक, हेनेस, हिलेब्रांड और स्टर्म) ने इसे करने का एक बहुत अधिक स्मार्ट और सुंदर तरीका निकाला है। उन्होंने दक्षता में काफी सुधार किया है, जिससे समाधान "k-सेंटर" समस्या (सबसे बुनियादी संस्करण) के लिए 4 गुना बेहतर हो गया और अधिक जटिल "k-मीडियन" और "k-मीन्स" समस्याओं के लिए पहला-कभी कुशल समाधान बनाया।

उनका "मास्टर प्लानर" एल्गोरिदम चरण-दर-चरण इस प्रकार काम करता है:

चरण 1: "घोस्ट" योजना (लीनियर प्रोग्रामिंग)

पहले, वे वास्तविक लोग नहीं चुनते हैं। वे एक आंशिक (fractional), "घोस्ट" योजना बनाते हैं।

कल्पना कीजिए कि आप एक व्यक्ति को 0.5 व्यक्ति में विभाजित कर सकते हैं।
वे एक कंप्यूटर प्रोग्राम (लीनियर प्रोग्रामिंग) का उपयोग यह पता लगाने के लिए करते हैं कि हर किसी को कैसे विभाजित किया जाए ताकि "संतुलित कमरा" नियम पूरी तरह से संतुष्ट हो सके।
उपमा: यह एक ब्लूप्रिंट की तरह है जहाँ दीवारें तो बिल्कुल सही खींची गई हैं, लेकिन फर्नीचर अभी तक नहीं रखा गया है।

चरण 2: "लीडर" सूची (विविध केंद्र)

अलग से, वे "विविध नेता" नियम को संतुष्ट करने वाले वास्तविक नेताओं (centers) को चुनने के लिए एक ज्ञात एल्गोरिदम का उपयोग करते हैं।

उपमा: वे वास्तव में यह चिंता किए बिना कि उनके कार्यालय में कौन बैठेगा, उन विशिष्ट प्रबंधकों को नियुक्त करते हैं जिनकी उन्हें आवश्यकता है (2 इंजीनियर, 2 मार्केटर, आदि)।

चरण 3: "रीरूटिंग" नृत्य (जादुई ट्रिक)

यह सबसे रचनात्मक हिस्सा है। उनके पास "घोस्ट प्लान" (संतुलित कमरे) और "लीडर लिस्ट" (विविध बॉस) है। उन्हें इन दोनों को मिलाना है।

समस्या: हो सकता है कि घोस्ट प्लान लोगों को उन लीडर्स को असाइन कर दे जो लीडर लिस्ट पर नहीं हैं।
समाधान: वे एक गणितीय "रीरूटिंग" (rerouting) करते हैं।
- मान लीजिए कि एक बिंदु $P$ वर्तमान में एक "घोस्ट लीडर" $L_{ghost}$ को असाइन किया गया है।
- वे देखते हैं कि $P$ के सबसे करीब कौन सा "रियल लीडर" $L_{real}$ है।
- वे असाइनमेंट को $L_{ghost}$ से $L_{real}$ की ओर स्थानांतरित कर देते हैं।
- सावधानी: उन्हें लोगों को स्थानांतरित करते समय "संतुलित कमरा" नियम को तोड़ने के प्रति सावधान रहना होगा। वे ऐसा लोगों के "द्रव्यमान" (mass) को आनुपातिक रूप से विभाजित करके करते हैं। यदि एक कमरे को 50% इंजीनियरों की आवश्यकता है, और वे एक इंजीनियर को स्थानांतरित करते हैं, तो वे सुनिश्चित करते हैं कि गणित अभी भी सही रहे।

चरण 4: अंतिम असाइनमेंट (मैक्स फ्लो)

अंत में, वे इस बिखरे हुए, आंशिक योजना को एक वास्तविक, ठोस योजना में बदल देते हैं जहाँ प्रत्येक व्यक्ति को ठीक एक लीडर को सौंपा जाता है।

वे एक "मैक्स फ्लो" एल्गोरिदम (इसे पानी के पाइप सिस्टम की तरह सोचें) का उपयोग यह सुनिश्चित करने के लिए करते हैं कि:
1. प्रत्येक लीडर को कम से कम एक व्यक्ति मिले (ताकि वे खाली न रहें)।
2. "संतुलित कमरा" नियम अभी भी काफी हद तक पालन किया जाता है (1 या 2 लोगों की मामूली त्रुटि की अनुमति देते हुए, जो वास्तविक दुनिया में स्वीकार्य है)।

यह क्यों महत्वपूर्ण है

यह तेज़ और बेहतर है: सबसे सरल समस्या (k-center) के लिए, उन्होंने समाधान की "खराब स्थिति" को आधा कर दिया (8x से 4x तक)।
यह असंभव को हल करता है: अधिक जटिल k-मीडियन और k-मीन्स समस्याओं के लिए, जो इमेज रिकग्निशन और कस्टमर सेगमेंटेशन में उपयोग की जाती हैं, वे पहला कुशल समाधान प्रदान करते हैं।
यह लचीला है: उनकी विधि केवल इन दो नियमों के लिए नहीं है। इसे अन्य निष्पक्षता नियमों के लिए भी अपनाया जा सकता है, जैसे यह सुनिश्चित करना कि नेता विशिष्ट भौगोलिक क्षेत्रों या विशिष्ट कौशल (मैट्रॉइड बाधाओं) से आते हैं।

निचोड़

इस शोध पत्र को एक अराजक पार्टी आयोजित करने की एक नई, परिष्कृत रेसिपी के रूप में देखें।

पुराना तरीका: "पहले लोगों को रंग के आधार पर बैठाते हैं, फिर लीडर्स चुनने की कोशिश करते हैं। शुभकामनाएँ, कमरा अस्त-व्यस्त हो जाएगा।"
नया तरीका: "बैठने के लिए एक परफेक्ट ब्लूप्रिंट बनाते हैं, अपने विविध लीडर्स चुनते हैं, और फिर ब्लूप्रिंट से लीडर्स तक लोगों को स्थानांतरित करने के लिए एक गणितीय नृत्य का उपयोग करते हैं ताकि संतुलन न बिगड़े।"

परिणाम एक ऐसी पार्टी है जहाँ हर कोई खुश है, लीडर्स भीड़ का प्रतिनिधित्व करते हैं, और समूह कुशलता से व्यवस्थित हैं। लेखकों ने गणितीय रूप से सिद्ध किया है कि यह नई रेसिपी हर बार काम करती है, और यह पहले की तुलना में बहुत बेहतर है।

यहाँ फंक, हेनेस, हिलेब्रांड और स्टर्म के शोध पत्र "Constant-Factor Approximations for Doubly Constrained Fair k-Center, k-Median and k-Means" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा (Problem Definition)

यह शोध पत्र सामान्य मीट्रिक स्पेस में डबली कंस्ट्रेंड फेयर क्लस्टरिंग (Doubly Constrained Fair Clustering) को संबोधित करता है। इसका लक्ष्य बिंदुओं के एक सेट $P$ को $k$ क्लस्टर्स में विभाजित करना है, जिसमें से प्रत्येक का एक निर्दिष्ट केंद्र (center) $P$ से ही होना चाहिए, ताकि एक मानक ऑब्जेक्टिव फंक्शन ( $k$ -center, $k$ -median, या $k$ -means) को न्यूनतम किया जा सके, जबकि दो साथ-साथ चलने वाले जनसांख्यिकीय निष्पक्षता (demographic fairness) बाधाओं को पूरा किया जा सके:

ग्रुप फेयरनेस (GF - Group Fairness): यह सुनिश्चित करता है कि प्रत्येक क्लस्टर के भीतर, प्रत्येक संरक्षित समूह (protected group/color) के बिंदुओं का अनुपात निर्दिष्ट निचले ( $\ell_h$ ) और ऊपरी ( $u_h$ ) सीमाओं के भीतर हो। इस पेपर में निरंतर-फैक्टर सन्निकटन (constant-factor approximations) प्राप्त करने के लिए इन भिन्नात्मक सीमाओं (fractional bounds) में एक छोटे योगात्मक उल्लंघन ( $\rho$ ) की अनुमति दी गई है।
डाइवर्स सेंटर सिलेक्शन (DS - Diverse Center Selection): यह सुनिश्चित करता है कि $k$ क्लस्टर केंद्रों का सेट स्वयं प्रतिनिधि (representative) हो। विशेष रूप से, प्रत्येक संरक्षित समूह से चुने गए केंद्रों की संख्या निचले ( $L_h$ ) और ऊपरी ( $U_h$ ) सीमाओं को संतुष्ट करनी चाहिए।

चुनौती: पिछले कार्य (डिकर्सन एट अल., 2023) ने इसे दो बाधाओं को क्रमिक रूप से हल करके संबोधित किया था, जिसके परिणामस्वरूप सन्निकटन कारक (approximation factors) व्यक्तिगत सन्निकटन कारकों के गुणनफल (जैसे, $k$ -center के लिए 8-approximation) पर निर्भर थे। यह शोध पत्र इन कारकों में सुधार करने का लक्ष्य रखता है और महत्वपूर्ण रूप से, डबली कंस्ट्रेंड $k$ -median और $k$ -means समस्याओं के लिए प्रथम निरंतर-फैक्टर सन्निकटन (first constant-factor approximations) प्रदान करता है।

2. कार्यप्रणाली (Methodology)

लेखक सभी तीन उद्देश्यों ( $k$ -center, $k$ -median, $k$ -means) के लिए एक एकीकृत ढांचा प्रस्तावित करते हैं जो एक लीनियर प्रोग्रामिंग (LP) दृष्टिकोण को फ्लो नेटवर्क से प्रेरित एक रिरोटिंग तकनीक (rerouting technique) के साथ जोड़ता है। एल्गोरिदम चार चरणों में आगे बढ़ता है:

चरण 1: स्वतंत्र समाधान (Independent Solutions)

डाइवर्स सेंटर्स ( $C_{DS}$ ): एक मौजूदा "ओपेक-बॉक्स" (opaque-box) सन्निकटन एल्गोरिदम का उपयोग $C_{DS}$ के केंद्रों का एक सेट कंप्यूट करने के लिए किया जाता है जो DS बाधा को संतुष्ट करता है। मान लीजिए कि $\gamma$ इस सबरूटीन का सन्निकटन कारक है।
फ्रैक्शनल ग्रुप फेयर सॉल्यूशन: एक लीनियर प्रोग्राम (LP) को एक भिन्नात्मक असाइनमेंट $(x, y)$ खोजने के लिए हल किया जाता है जो GF बाधाओं को संतुष्ट करता है और ऑब्जेक्टिव को कम करता है (या रेडियस को बाउंड करता है)। यह समाधान बिंदुओं को कई केंद्रों में भिन्नात्मक रूप से असाइन करने की अनुमति देता है।

चरण 2: मास रिरोटिंग (Mass Rerouting - मुख्य नवाचार)

भिन्नात्मक समाधान $(x, y)$ उन केंद्रों का उपयोग कर सकता है जो $C_{DS}$ में नहीं हैं। एल्गोरिदम समूह निष्पक्षता गुणों को सुरक्षित रखते हुए LP समाधान से "मास" (असाइनमेंट) को $C_{DS}$ के विविध केंद्रों तक रिरूट करता है।

तंत्र (Mechanism): यदि कोई बिंदु $p$ $p$ LP समाधान में मास प्राप्त कर रहा है, तो एल्गोरिदम जाँचता है कि क्या $p$ $p$ $C_{DS}$ $C_{D S}$ में किसी केंद्र के पड़ोस (neighborhood) में है।
- यदि $p$ एक विविध केंद्र के पास है, तो आने वाला मास $C_{DS}$ के उन विविध केंद्रों के बीच आनुपातिक रूप से विभाजित किया जाता है जो $p$ के करीब हैं।
- यदि $p$ किसी भी विविध केंद्र के पास नहीं है, तो मास को $C_{DS}$ के निकटतम केंद्र पर रिरूट किया जाता है।
लोअर बाउंड्स को संभालना: एक प्रमुख तकनीकी योगदान यह सुनिश्चित करना है कि $C_{DS}$ का प्रत्येक केंद्र कम से कम एक यूनिट मास प्राप्त करे (ताकि वह सक्रिय रहे)। रिरोटिंग लॉजिक यह गारंटी देने के लिए डिज़ाइन किया गया है कि $C_{DS}$ का कोई भी केंद्र खाली न रहे, भले ही मूल LP समाधान ने सीधे तौर पर उसे मास असाइन न किया हो।

चरण 3: इंटीग्रल राउंडिंग (Integral Rounding)

चरण 2 का परिणाम एक नया भिन्नात्मक समाधान $(x', y')$ है जो DS और GF दोनों बाधाओं को संतुष्ट करता है, लेकिन अभी भी भिन्नात्मक है।

$k$ -Center: भिन्नात्मक असाइनमेंट को एज कैपेसिटी पर लोअर बाउंड्स के साथ एक मैक्स-फ्लो (Max-Flow) समस्या को हल करके एक पूर्णांक (integral) असाइनमेंट में परिवर्तित किया जाता है।
$k$ -Median/ $k$ -Means: भिटनात्मक असाइनमेंट को मिन-कॉस्ट फ्लो (Min-Cost Flow) फॉर्मूलेशन का उपयोग करके परिवर्तित किया जाता है।
राउंडिंग एरर: यह राउंडिंग चरण ग्रुप फेयरनेस बाधाओं के लिए अधिकतम 2 का योगात्मक उल्लंघन (additive violation) पेश करता है (अर्थात, $\ell_h$ और $u_h$ सीमाओं का प्रति क्लस्टर अधिकतम 2 बिंदुओं द्वारा उल्लंघन होता है)।

3. मुख्य योगदान (Key Contributions)

बेहतर $k$ -Center सन्निकटन:
- पिछला सर्वश्रेष्ठ: 8-approximation (डिकर्सन एट अल.)।
- नया परिणाम: 4-approximation, जिसमें $\le 2$ का योगात्मक GF उल्लंघन है।
- यह सर्वोत्तम ज्ञात DS-fair $k$ -center एल्गोरिदम (3-approx) को लेखकों के रिरोटिंग फ्रेमवर्क के साथ जोड़कर प्राप्त किया गया है, जिससे $\gamma_{center} + 1 = 3 + 1 = 4$ का कारक मिलता है।
$k$ -Median और $k$ -Means के लिए प्रथम निरंतर-फैक्टर सन्निकटन:
- इस कार्य से पहले, सामान्य मीट्रिक्स में डबली कंस्ट्रेंड $k$ -median या $k$ -means के लिए कोई निरंतर-फैक्टर सन्निकटन मौजूद नहीं था।
- $k$ -Median परिणाम: 10.081-approximation (7.081-approx वाले DS-fair median का उपयोग करके)।
- $k$ -Means परिणाम: $\approx 325.06$ -approximation (256-approx वाले DS-fair means का उपयोग करके)। यूक्लिडियन $k$ -means के लिए, कारक सुधरकर $\approx 101.11$ हो जाता है।
सामान्यीकरण (Generalizability):
- यह ढांचा मॉड्यूलर है। सेंटर सिलेक्शन स्टेप की "ओपेक-बॉक्स" प्रकृति के कारण, इस एल्गोरिदम को अन्य सेंटर बाधाओं, जैसे कि मैट्रॉइड (matroid) या नैपसैक (knapsack) बाधाओं पर लागू किया जा सकता है, बशर्ते कि एक संगत सन्निकटन एल्गोरिदम उपलब्ध हो।

4. परिणामों का सारांश (Results Summary)

ऑब्जेक्टिव (Objective)	पिछला सर्वश्रेष्ठ (Dickerson et al.)	यह कार्य (Approx. Ratio)	योगात्मक GF उल्लंघन
$k$ -Center	8	4	$\le 2$
$k$ -Median	$O(\Delta)$ (क्लस्टर आकार पर निर्भर)	10.081	$\le 2$
$k$ -Means	$O(\sqrt{\Delta})$	$\approx 325.06$	$\le 2$

नोट: $\Delta$ समाधान में अधिकतम क्लस्टर आकार का प्रतिनिधित्व करता है।

5. महत्व (Significance)

सैद्धांतिक सफलता (Theoretical Breakthrough): यह पेपर $k$ -median और $k$ -means के लिए डबली कंस्ट्रेंड फेयर क्लस्टरिंग के निरंतर-फैक्टर सन्निकटन खोजने की ओपन प्रॉब्लम को हल करता है, जो पहले केवल क्लस्टर साइज पर निर्भर फैक्टर्स या FPT एल्गोरिदम के माध्यम से ही हल योग्य थे।
व्यावहारिक प्रासंगिकता (Practical Relevance): $k$ -center के लिए सन्निकटन कारक को 8 से घटाकर 4 करके, यह पेपर उन व्यावहारिक अनुप्रयोगों के लिए काफी कड़े बाउंड प्रदान करता है जहाँ प्रतिनिधि केंद्रों और संतुलित क्लस्टर संरचनाओं दोनों की आवश्यकता होती है (जैसे, विविध समिति चयन, न्यायसंगत संसाधन आवंटन)।
एल्गोरिद्मिक ढांचा (Algorithmic Framework): प्रस्तावित "रिरोटिंग" तकनीक अलग-अलग निष्पक्षता बाधाओं को संयोजित करने के लिए एक मजबूत तरीका प्रदान करती है। यह दर्शाता है कि कैसे एक समाधान (विविध केंद्र) को दूसरे समाधान (ग्रoup fairness) के साथ बिना मूल सबरूटीन्स के सन्निकटन गारंटी खोए, मर्ज किया जा सकता है।
ट्रेड-ऑफ विश्लेषण (Trade-off Analysis): परिणाम सख्त निष्पक्षता (शून्य उल्लंघन) और सन्निकटन गुणवत्ता के बीच के ट्रेड-ऑफ को उजागर करते हैं। लेखक ग्रुप फेयरनेस में एक छोटे, सीमित योगात्मक उल्लंघन (2 बिंदु) की अनुमति देकर निरंतर फैक्टर्स प्राप्त करते हैं, जो पिछले तरीकों के घातांकीय (exponential) या आकार-निर्भर (size-dependent) फैक्टरों की तुलना में वास्तविक दुनिया के परिदृश्यों में स्वीकार्य होता है।

निष्कर्षतः, यह पेपर कई बाधाओं के तहत फेयर क्लस्टरिंग के लिए एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है, जो सबसे सामान्य क्लस्टरिंग ऑब्जेक्टिव्स ( $k$ -median, $k$ -means) के लिए प्रथम निरंतर-फैक्टर गारंटी प्रदान करता है और $k$ -center के लिए बाउंड्स में महत्वपूर्ण सुधार करता है।