📊 statistics

Distributional Off-Policy Evaluation with Deep Quantile Process Regression

यह शोध पत्र DQPOPE को प्रस्तुत करता है, जो एक नवीन ऑफ-पॉलिसी इवैल्यूएशन एल्गोरिदम है जो पारंपरिक एक्सपेक्टेशन-आधारित विधियों की तुलना में कठोर सैद्धांतिक गारंटियों और उत्कृष्ट अनुभवजन्य सटीकता के साथ संपूर्ण रिटर्न डिस्ट्रीब्यूशन का अनुमान लगाने के लिए डीप क्वांटाइल प्रोसेस रिग्रेशन का लाभ उठाता है।

मूल लेखक: Qi Kuang, Chao Wang, Yuling Jiao, Fan Zhou

प्रकाशित 2026-04-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qi Kuang, Chao Wang, Yuling Jiao, Fan Zhou

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 डॉक्टर हैं जो यह तय करने की कोशिश कर रहे हैं कि किसी मरीज के लिए एक नया उपचार प्लान (treatment plan) अच्छा है या नहीं। अभी आप इसे वास्तविक मरीजों पर टेस्ट नहीं कर सकते क्योंकि यह जोखिम भरा या अनैतिक हो सकता है। इसके बजाय, आपके पास पिछले मरीजों के रिकॉर्ड्स (डेटा) की एक विशाल नोटबुक है, जो यह दिखाती है कि जब डॉक्टरों ने एक पुराने उपचार प्लान का उपयोग किया था, तो क्या हुआ था।

ऑफ-पॉलिसी इवैल्यूएशन (OPE) एक गणितीय जादू की तरह है जो उस पुरानी नोटबुक को देखकर यह कहता है, "यदि हमने उस समय यह नया प्लान इस्तेमाल किया होता, तो क्या हुआ होता।"

अधिकांश पारंपरिक तरीके इस काम को केवल एक संख्या की गणना करके करते हैं: औसत परिणाम। "औसत रूप से, यह नया प्लान 5 जानें बचाता है।"

लेकिन जीवन केवल औसत के बारे में नहीं है। कभी-कभी एक उपचार चमत्कार करता है, कभी यह कुछ नहीं करता, और कभी इसके दुर्लभ लेकिन भयानक दुष्प्रभाव (side effects) होते हैं। औसत का ज्ञान इन जोखिमों को छिपा देता है। यहीं पर डिस्ट्रिब्यूशनल ऑफ-पॉलिसी इवैल्यूएशन (Distributional Off-Policy Evaluation) काम आता है। केवल एक संख्या के बजाय, यह संभावित परिणामों की पूरी कहानी का मानचित्र बनाने की कोशिश करता है: सबसे अच्छे परिदृश्य, सबसे बुरे सपने, और उनके बीच की हर चीज़।

पुराने तरीकों की समस्या

कल्पना कीजिए कि आप लकड़ी के कुछ सपाट, ऊबड़-खाबड़ ब्लॉकों का उपयोग करके एक चिकनी, घुमावदार पर्वत श्रृंखला बनाने की कोशिश कर रहे हैं। आप करीब तो पहुँच सकते हैं, लेकिन आप ढलानों और छिपी हुई घाटियों को छोड़ देंगे।

इन "परिणाम कहानियों" (जिन्हें क्वांटाइल-आधारित DRL कहा जाता है) का अनुमान लगाने वाले पिछले तरीके उन्हीं लकड़ी के ब्लॉकों की तरह काम करते थे। वे कुछ विशिष्ट बिंदुओं (जैसे 10वां पर्सेंटाइल, 50वां, 90वां) को चुनते थे और फिर बाकी का अनुमान लगाने की कोशिश करते थे।

दोष: यदि आप अपने ब्लॉकों के बीच एक तीखी चोटी या गहरी घाटी को मिस कर देते हैं, तो आपका नक्शा गलत हो जाता है। बेहतर नक्शा पाने के लिए, आपको अधिक ब्लॉकों की आवश्यकता होती है, जिससे कंप्यूटर की गणना धीमी और भारी हो जाती है। साथ ही, क्योंकि वे केवल अंतराल (gaps) का अनुमान लगाते हैं, वे अक्सर "नकली" डेटा बिंदु (pseudo-samples) बना देते हैं जो वास्तविकता से मेल नहीं खाते।

नया समाधान: DQPOPE

इस पेपर के लेखक एक नई विधि पेश करते हैं जिसे DQPOPE (डीप क्वांटाइल प्रोसेस ऑफ-पॉलिसी इवैल्यूएशन) कहा जाता है।

DQPOPE को ब्लॉकों से निर्माण करने के रूप में नहीं, बल्कि एक एकल, निरंतर, लचीले पेन के साथ पूरी पर्वत श्रृंखला को खींचना सीखने के रूप में सोचें।

यह कैसे काम करता है, यहाँ एक सरल उपमा दी गई है:

1. "क्वांटाइल प्रोसेस" (निरंतर पेन)

कंप्यूटर को 10 अलग-अलग बिंदु अनुमान लगाने के लिए कहने के बजाय, DQPOPE उसे एक फंक्शन (function) सीखने के लिए कहता है।

पुराना तरीका: "10% पर परिणाम क्या है? 50% पर क्या है? 90% पर क्या है?" (विभक्त, ऊबड़-खाबड़)।
DQPOPE का तरीका: "मुझे 0 से 1 तक एक डायल दें। यदि मैं डायल को 0.3 पर घुमाता हूँ, तो मुझे परिणाम बताएं। यदि मैं इसे 0.99 पर घुमाता हूँ, तो मुझे परिणाम बताएं।"
"डायल" (संभावना स्तर) को एक निरंतर इनपुट के रूप में मानकर, कंप्यूटर पूरी परिणाम वितरण (distribution) के चिकने, निरंतर आकार को सीखता है। इसे अंतराल का अनुमान लगाने की आवश्यकता नहीं है; यह पूरी रेखा खींचता है।

2. "डीप न्यूरल नेटवर्क" (कुशल कलाकार)

इस जटिल, घुमावदार पर्वत श्रृंखला को खींचने के लिए, कंप्यूटर एक डीप न्यूरल नेटवर्क का उपयोग करता है। इसे एक अत्यधिक कुशल कलाकार के रूप में सोचें जिसने लाखों अलग-अलग पहाड़ों के आकार देखे हैं। यह एक मरीज के इतिहास को देख सकता है और तुरंत भविष्य के संभावित परिदृश्यों की पूरी रेंज का स्केच बना सकता है, जिससे वे सूक्ष्म वक्र और अचानक गिरावट भी पकड़ी जा सकती हैं जिन्हें साधारण औसत मिस कर देते हैं।

3. "नकली डेटा" की समस्या का समाधान

पुराने तरीकों में, क्योंकि उनके पास केवल कुछ ही ब्लॉक थे, उन्हें गणित को चलाने के लिए ब्लॉकों के बीच के अंतराल को भरने के लिए "नकली" डेटा बिंदु बनाने पड़ते थे। यह अव्यवस्थित और गणनात्मक रूप से महंगा था।
DQPOकी DQPOPE एक 3D प्रिंटर की तरह है। क्योंकि यह पर्वत के निरंतर आकार को समझता है, यह बिना किसी नकली डेटा की आवश्यकता के सटीक नमूने (samples) उत्पन्न कर सकता है। यह बस सीखे गए चिकने वक्र के आधार पर एक वास्तविक परिणाम को "प्रिंट" करता है।

यह क्यों मायने रखता है? (परिणाम)

यह पेपर दो मुख्य बातें सिद्ध करता है:

दक्षता (Efficiency): पूरी तस्वीर पाने के लिए आपको अधिक डेटा की आवश्यकता नहीं है। वास्तव में, DQPOPE उसी मात्रा में डेटा का उपयोग करके पूरा वितरण (पूरा पहाड़) सीख सकता है, जितना कि पुराने तरीकों को केवल औसत (एकल शिखर) सीखने के लिए चाहिए था। यह एक धुंधली फोटो की कीमत में एक हाई-डेफिनिशन मूवी प्राप्त करने जैसा है।
मजबूती (Robustness): वास्तविक दुनिया में, चीजें अस्त-व्यस्त होती हैं। कभी-कभी डेटा में "आउटलेयर्स" (अजीब, चरम घटनाएं) होते हैं।
- पुराना तरीका (औसत): यदि किसी एक मरीज की बहुत अजीब प्रतिक्रिया होती है, तो औसत बिगड़ जाता है, और पूरा अनुमान पटरी से उतर जाता है।
- DQPOPE (वितरण): क्योंकि यह पूरे आकार को देखता है, यह जानता है कि वह अजीब प्रतिक्रिया पहाड़ की केवल एक "पूंछ" (tail) है। यह एक अजीब डेटा बिंदु को पूरे नक्शे को खराब करने नहीं देता।

वास्तविक दुनिया का परीक्षण: सेप्सिस उपचार

लेखकों ने इसका परीक्षण सेप्सिस (संक्रमण के प्रति घातक प्रतिक्रिया) से जुड़े एक वास्तविक मेडिकल डेटासेट (MIMIC-III) पर किया।

उन्होंने मानक तरीकों के मुकाबले DQPOPE की तुलना की।
परिणाम: DQPOPE ने एक बहुत अधिक स्पष्ट और सटीक तस्वीर दी कि कौन सी उपचार रणनीतियाँ सुरक्षित थीं और कौन सी जोखिम भरी थीं। यह पुराने तरीकों की तुलना में एक "अच्छी" पॉलिसी और एक "बुरी" पॉलिसी के बीच अंतर करने में बहुत बेहतर था, खासकर जब डेटा शोर वाला (noisy) या परिणाम अप्रत्याशित थे।

निचोड़ (Bottom Line)

यह पेपर हमारे 'क्रिस्टल बॉल' (भविष्य बताने वाले गोले) को अपग्रेड करने के बारे में है।

पुराना क्रिस्टल बॉल: "औसत रूप से, आप ठीक रहेंगे।" (अस्पष्ट, जोखिम भरा)।
DQPOPE क्रिस्टल बॉल: "यहाँ आपके भविष्य का पूरा नक्शा है: 90% संभावना है कि आप बहुत अच्छे रहेंगे, 9% संभावना है कि आप ठीक रहेंगे, और 1% संभावना एक दुर्लभ जटिलता की है। यह बिल्कुल ऐसा दिखता है।"

परिणामों के केवल औसत के बजाय परिणामों के संपूर्ण वितरण को मैप करने के लिए डीप लर्निंग का उपयोग करके, DQPOPE निर्णय लेने वाली AI को सुरक्षित, अधिक विश्वसनीय और स्वास्थ्य सेवा तथा वित्त जैसे उच्च-दांव वाले क्षेत्रों के लिए तैयार बनाता है।

यहाँ पेपर "Distributional Off-Policy Evaluation with Deep Quantile Process Regression" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह पेपर रिइन्फोर्समेंट लर्निंग (RL) में ऑफ-पॉलिसी इवैल्यूएशन (OPE) की समस्या को संबोधित करता है। OPE का उद्देश्य एक अलग बिहेवियर पॉलिसी ( $\pi_b$ ) से एकत्र किए गए डेटा का उपयोग करके एक टारगेट पॉलिसी ( $\pi$ ) के प्रदर्शन का अनुमान लगाना है।

मौजूदा विधियों की सीमाएँ: पारंपरिक OPE विधियाँ केवल कुल रिटर्न के अपेक्षित मान (mean) का अनुमान लगाने पर ध्यान केंद्रित करती हैं। हालाँकि, जटिल और स्टोकेस्टिक वातावरण (जैसे स्वास्थ्य सेवा, रोबोटिक्स) में, माध्य (mean) जोखिम, अनिश्चितता या निर्णय लेने की पूरी जटिलता को समझने के लिए पर्याप्त नहीं होता है।
अंतराल (The Gap): जबकि डिस्ट्रीब्यूशनल रिइन्फोर्समेंट लर्निंग (DRL) संपूर्ण रिटर्न वितरण (distribution) को मॉडल करता है, मौजूदा DRL-आधारित OPE विधियाँ अक्सर डिस्क्रीट क्वांटाइल एप्रोक्सिमेशन (जैसे, QR-DQN) पर निर्भर करती हैं। इन विधियों में निम्नलिखित समस्याएँ होती हैं:
1. रिप्रेजेंटेशन एरर (Representation Error): वितरण को निश्चित क्वांटाइल स्तरों में विभाजित करने से एप्रोक्सिमेशन त्रुटियाँ उत्पन्न होती हैं।
2. स्यूडो-सैंपल (Pseudo-Sample) समस्या: अगले इटरेशन के लिए लक्ष्य नमूने (target samples) उत्पन्न करने के लिए अक्सर "स्यूडो-सैंपल्स" या इम्प्यूटेशन चरणों की आवश्यकता होती है, जो गणनात्मक रूप से महंगे होते हैं और लक्ष्य वितरण का पूर्णतः पुनर्निर्माण करने में विफल रहते हैं।
3. सैद्धांतिक सीमाएँ: नॉन-टेबुलर सेटिंग्स में डीप न्यूरल नेटवर्क (DNNs) का उपयोग करने वाले डिस्ट्रीब्यूशनल OPE के लिए कठोर सैंपल कॉम्प्लेक्सिटी विश्लेषण का अभाव है।

2. कार्यप्रणाली: DQPOPE

लेखक डीप क्वांटाइल प्रोसेस रिग्रेशन-आधारित ऑफ-पॉलिसी इवैल्यूएशन (DQPOPE) का प्रस्ताव करते हैं। यह विधि डिस्क्रीट क्वांटाइल्स का अनुमान लगाने के बजाय एक निरंतर क्वांटाइल फंक्शन (एक क्वांटाइल प्रोसेस) का अनुमान लगाने की ओर स्थानांतरित होती है।

मुख्य अवधारणाएँ

क्वांटाइल प्रोसेस रिग्रेशन: डिस्क्रीट क्वांटाइल्स $\{f_{\tau_1}, \dots, f_{\tau_m}\}$ का एक सेट सीखने के बजाय, मॉडल एक एकल फंक्शन $f(s, a, \tau)$ सीखता है जहाँ $\tau \in (0, 1)$ को एक निरंतर इनपुट के रूप में माना जाता है। यह फंक्शन एक स्टेट-एक्शन पेयर और एक क्वांटाइल लेवल को संबंधित रिटर्न वैल्यू से मैप करता है।
डिस्ट्रीब्यूशनल बेलमैन अपडेट: यह विधि वितरण और उसके क्वांटाइल फंक्शन के बीच एक-से-एक पत्राचार (correspondence) का लाभ उठाती है। डिस्ट्रीब्यूशनल बेलमैन ऑपरेटर $T^\pi$ को क्वांटाइल फंक्शन पर एक रिग्रेशन समस्या के रूप में पुनर्गठित किया गया है।
सटीक सैंपलिंग (Exact Sampling): एक प्रमुख नवाचार भविष्य के रिटर्न के समान वितरण वाले सटीक नमूने उत्पन्न करने की क्षमता है, जिसमें स्यूडो-सैंपल्स की आवश्यकता नहीं होती है। एक यूनिफॉर्म रैंडम वेरिएबल $U \sim \text{Unif}(0, 1)$ को सैंपल करके और उसे सीखे गए क्वांटाइल फंक्शन $f_{t-1}(S', A', U)$ में रखने से, मॉडल भविष्य के रिटर्न के बिल्कुल समान वितरण वाला नमूना उत्पन्न करता है।

एल्गोरिदम अवलोकन

इनिशियलाइजेशन: क्वांटाइल फंक्शन का प्रतिनिधित्व करने वाले एक डीप न्यूरल नेटवर्क (DNN) $f_0$ को इनिशियलाइज़ करें।
इटरेटिव अपडेट: $t = 1$ $t = 1$ से $T$ $T$ तक:
- डेटासेट से ट्रांजिशन $(s_i, a_i, r_i, s'_i)$ एकत्र करें।
- एक क्वांटाइल लेवल $\tau_i \sim \text{Unif}(0, 1)$ सैंपल करें।
- एक एक्शन $a'_i \sim \pi(\cdot|s'_i)$ और एक यूनिफॉर्म वेरिएबल $u_i \sim \text{Unif}(0, 1)$ सैंपल करें।
- लक्ष्य मान (target value) का निर्माण करें: $y_i = r_i + \gamma f_{t-1}(s'_i, a'_i, u_i)$ ।
- एम्पिरिकल चेक लॉस (क्वांटाइल लॉस) को कम करके नेटवर्क को अपडेट करें:
  $\hat{L}_t(f) = \frac{1}{|D_t|} \sum_{i} \rho_{\tau_i}(y_i - f(s_i, a_i, \tau_i))$
  जहाँ $\rho_\tau(u) = u(\tau - \mathbb{1}_{u \le 0})$ ।

3. मुख्य योगदान

सैद्धांतिक योगदान

सैंपल कॉम्प्लेक्सिटी विश्लेषण: यह पेपर डीप न्यूरल नेटवर्क का उपयोग करने वाले डिस्ट्रीब्यूशनल OPE के लिए पहला कठोर नॉन-एसिम्प्टोटिक सांख्यिकीय गारंटी प्रदान करता है।
- स्लो रेट (Slow Rate): मानक धारणाओं के तहत, अतिरिक्त जोखिम (excess risk) $N^{-\frac{\beta}{2\beta+d}}$ की दर से अभिसरित (converge) होता है (जहाँ $\beta$ स्मूथनेस है और $d$ डायमेंशन है)।
- फास्ट रेट (Fast Rate): लोकल स्ट्रॉन्ग कॉन्वेक्सिटी और लोकल स्मूथनेस धारणा (Assumption 4.10) पेश करके, लेखक $N^{-\frac{\beta}{2\beta+d}}$ की एक फास्ट रेट प्राप्त करते हैं।
दक्षता की समानता: महत्वपूर्ण रूप से, विश्लेषण यह प्रदर्शित करता है कि DQPOPE के माध्यम से संपूर्ण रिटर्न वितरण का अनुमान लगाने के लिए, मानक वैल्यू-आधारित OPE का उपयोग करके केवल मीन वैल्यू का अनुमान लगाने के समान ही सैंपल कॉम्प्लेक्सिटी की आवश्यकता होती है। यह सिद्ध करता है कि डिस्ट्रीब्यूशनल विधियों को मीन-आधारित विधियों की तुलना में कोई "सैंपल पेनल्टी" नहीं चुकानी पड़ती है।
स्यूडो-सैंपल समस्या का समाधान: सैद्धांतिक रूप से यह प्रमाणित करता है कि क्वांटाइल प्रोसेस रिग्रेशन पूर्ववर्ती QDRL विधियों में उपयोग किए जाने वाले "स्यूडो-सैंपल" निर्माण की आवश्यकता को समाप्त करता है, जिससे रिप्रेजेंटेशन एरर से बचा जा सकता है।

व्यावहारिक योगदान

हेवी टेल्स (Heavy Tails) के प्रति मजबूती: क्वांटाइल लॉस का उपयोग करके (जो स्क्वेयर्ड लॉस की तुलना में आउटलेर्स के प्रति कम संवेदनशील है) और माध्य का अनुमान लगाने के लिए कई क्वांटाइल्स पर औसत निकालकर, DQPOPE हेवी-टेल्ड रिवॉर्ड डिस्ट्रीब्यूशन वाले वातावरण में अधिक मजबूत पॉलिसी वैल्यू अनुमान प्रदान करता है।
निरंतर प्रतिनिधित्व (Continuous Representation): यह विधि पूर्ण निरंतर वितरण को कैप्चर करती है, जिससे कैटेगोरिकल या फिक्स्ड-क्वांटाइल दृष्टिकोणों में निहित डिस्क्रीटाइजेशन आर्टिफैक्ट्स से बचा जा जाता है।

4. प्रयोगात्मक परिणाम

लेखकों ने तीन परिदृश्यों में DQPOPE को सत्यापित किया:

कार्टपोल (CartPole) सिमुलेशन:
- दिखाया गया कि अनुमान त्रुटि (estimation error) सैंपल साइज के साथ तेजी से घटती है, जो सैद्धांतिक भविष्यवाणियों के अनुरूप है।
- यह प्रदर्शित किया कि DQPOPE महत्वपूर्ण डिस्ट्रीब्यूशनल शिफ्ट (ऑफ-पॉलिसी डेटा) के तहत भी ग्राउंड-ट्रुथ रिटर्न डिस्ट्रीब्यूशन को सटीक रूप से रिकवर करता है।
टॉय एक्ज़ाम्पल (हेवी-टेल्ड रिवॉर्ड्स):
- स्टैंडर्ड वैल्यू-आधारित OPE (DOPE) के विरुद्ध DQPOPE की तुलना की गई।
- परिणाम: DQPOPE ने पॉलिसी वैल्यू अनुमान में लगातार कम मीन स्क्वेयर्ड एरर (MSE) प्राप्त किया, विशेष रूप से जब रिवॉर्ड डिस्ट्रीब्यूशन अधिक हेवी-टेल्ड (Student's t-distribution) हो गया। औसत निकालने के लिए उपयोग किए गए क्वांटाइल्स ( $K$ ) की संख्या बढ़ाने से सटीकता में और सुधार हुआ।
वास्तविक दुनिया का अनुप्रयोग (MIMIC-III सेप्सिस डेटासेट):
- इसे 40,000+ रोगी रिकॉर्ड का उपयोग करके सेप्सिस (sepsis) के इलाज के क्लिनिकल निर्णय लेने की समस्या पर लागू किया गया।
- परिणाम: DQPOPE ने स्टैंडर्ड वैल्यू-आधारित OPE (DOPE) और डिस्क्रीट क्वांटाइल-आधारित OPE (DQOPE/QR-DQN) दोनों को पीछे छोड़ दिया।
- पॉलिसी क्वालिटी: DQPOPE द्वारा अनुमानित पॉलिसियाँ ऑप्टिमल टारगेट पॉलिसी (DDQN) के अधिक करीब थीं और चिकित्सकीय रूप से समझदारीपूर्ण उपचार रणनीतियाँ (जैसे, वैसोप्रेसर्स की अनावश्यक उच्च खुराक से बचना) प्रदान करती थीं, जबकि अन्य विधियों ने सब-ऑप्टिमल या अनियमित पॉलिसियाँ बनाईं।

5. महत्व और प्रभाव

सिद्धांत और व्यवहार को जोड़ना: यह पेपर डिस्ट्रीब्यूशनल RL के सैद्धांतिक लाभों और व्यावहारिक कार्यान्वयन के बीच के अंतर को सफलतापूर्वक पाटता है, जो डिस्ट्रीब्यूशनल OPE के लिए एक गणितीय रूप से सुदृढ़ ढांचा प्रदान करता है।
दक्षता: यह इस अंतर्ज्ञान को चुनौती देता कि पूर्ण वितरण को मॉडल करना माध्य को मॉडल करने की तुलना में अधिक डेटा-हंग्री (data-hungry) होता है, यह सिद्ध करते हुए कि वे समान रूप से सैंपल-एफिशिएंट हो सकते हैं।
मजबूती (Robustness): यह विधि उच्च-दांव (high-stakes) वाले, अनिश्चित वातावरण (जैसे स्वास्थ्य सेवा) के लिए एक बेहतर समाधान प्रदान करती है जहाँ अपेक्षित परिणाम के साथ-साथ पूर्ण जोखिम प्रोफाइल (वितरण) को समझना भी उतना ही महत्वपूर्ण है।
एल्गोरिद्मिक सुधार: "स्यूडो-सैंपल" समस्या को हल करके, DQPOHE मौजूदा स्टेट-ऑफ-द-आर्ट विधियों की तुलना में डिस्ट्रीब्यूशनल RL एल्गोरिदम के लिए अधिक स्थिर और कुशल प्रशिक्षण प्रक्रिया प्रदान करता है।

संक्षेप में, DQPOPE ऑफ-पॉलिसी इवैल्यूएशन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो जटिल, वास्तविक दुनिया के रिइन्फोर्समेंट लर्निंग कार्यों में पूर्ण रिटर्न डिस्ट्रीब्यूशन का अनुमान लगाने के लिए एक सैद्धांतिक रूप से आधारित, सैंपल-एफिशिएंट और अनुभवजन्य रूप से मजबूत तरीका प्रदान करता है।