📊 statistics

A Nonparametric Goodness-of-Fit Test for High-Dimensional Generalized Gaussian Distributions via Nearest-Neighbor Graphs

यह शोध पत्र एक अफ़ाइन-इनवेरिएंट (affine-invariant), नॉनपैरामेट्रिक गुडनेस-ऑफ-फिट टेस्ट प्रस्तुत करता है जो उच्च-आयामी बहुभिन्नरूपी सामान्य गॉसियन वितरणों के लिए है और जो उन स्थितियों में विश्वसनीय प्रदर्शन प्राप्त करने के लिए निकटतम-पड़ोसी ग्राफ टोपोलॉजी (nearest-neighbor graph topology) और एक पैरामेट्रिक बूटस्ट्रैप का उपयोग करता है जहाँ आयामीता नमूना आकार से अधिक होती है।

मूल लेखक: Mehmet Sıddık Çadırcı, Yener Ünal

प्रकाशित 2026-04-22

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mehmet Sıddık Çadırcı, Yener Ünal

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

मुख्य चित्र: डेटा के "आकार" की जाँच करना

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि क्या लोगों का एक समूह (आपका डेटा) किसी विशिष्ट क्लब का हिस्सा है। आइए इस क्लब को "जनरलाइज्ड गॉसियन क्लब" (Generalized Gaussian Club) कहें।

पुराने समय में, सांख्यिकीविद् (statisticians) केवल इस बात की परवाह करते थे कि क्या डेटा एक आदर्श, चिकनी घंटी के आकार (Bell Curve) जैसा दिखता है (जिसे "नॉर्मल" क्लब कहा जाता है)। लेकिन आधुनिक दुनिया में, डेटा अव्यवस्थित होता है। यह ऐसा हो सकता है:

नुकीला (Spiky): एक तीखे पर्वत शिखर की तरह (कई लोग बिल्कुल औसत हैं, लेकिन कुछ बहुत चरम पर हैं)।
भारी पूंछ वाला (Heavy-tailed): एक सपाट पठार की तरह जहाँ कुछ लोग रेगिस्तान में बहुत दूर हैं (अधिकांश औसत हैं, लेकिन "आउटलेयर्स" बहुत बड़े हैं)।

इस शोध पत्र के लेखकों ने यह देखने के लिए एक नया परीक्षण बनाया है कि क्या आपका डेटा "जनरलाइज्ड गॉसियन" आकार में फिट बैठता है, भले ही वह डेटा उच्च-आयामी (high-dimensional) हो।

"उच्च-आयामी" (High-Dimensional) का क्या अर्थ है?
कल्पना कीजिए कि आप किसी व्यक्ति का वर्णन कर रहे हैं।

निम्न आयाम (Low Dimension): आप केवल "ऊंचाई" और "वजन" कहते हैं। इसे समझना आसान है।
उच्च आयाम (High Dimension): आप कहते हैं "ऊंचाई, वजन, आयु, जूते का आकार, रक्तचाप, हृदय गति, आय, पसंदीदा रंग..." और इसी तरह।
समस्या: जब आपके पास लोगों (सैंपल्स) की तुलना में अधिक विशेषताएं (डायमेंशन्स) होती हैं, तो पारंपरिक गणितीय उपकरण टूट जाते हैं। यह एक ऐसी पहेली को हल करने जैसा है जहाँ आपके पास बोर्ड पर खाली जगहों की तुलना में अधिक टुकड़े हैं। सामान्य गणित भ्रमित हो जाता है और काम करना बंद कर देता है।

समाधान: "निकटतम पड़ोसी" का खेल (The "Nearest Neighbor" Game)

लेखकों ने "निकटतम पड़ोसी मिश्रण" (The Nearest Neighbor Mix) नामक खेल खेलने का एक नया तरीका आविष्कार किया है। यह कैसे काम करता है, यहाँ चरण-दर-चरण दिया गया है:

1. सेटअप (द "स्टैंडर्डाइजेशन" चरण)

सबसे पहले, डेटा अव्यवस्थित है। कुछ लोग लंबे हैं, कुछ छोटे; कुछ की आय अधिक है, कुछ की कम। खेल खेलने से पहले, लेखक डेटा को "साफ" करते हैं। वे एक विशेष, मजबूत रूलर (एक गणितीय उपकरण) का उपयोग करके डेटा को खींचते और सिकोड़ते हैं ताकि हर कोई समान स्तर पर आ सके। इसे व्हाइटनिंग (whitening) कहा जाता है। अब, डेटा केंद्रित और स्केल किया हुआ है, तुलना के लिए तैयार है।

2. दो समूह

अब, कल्पना कीजिए कि एक विशाल कमरे में दो समूहों के लोग खड़े हैं:

समूह A (वास्तविक डेटा): वे वास्तविक लोग जिनका आप अध्ययन कर रहे हैं।
समूह B (नकली डेटा): कंप्यूटर द्वारा बनाए गए "क्लोन" का एक समूह। ये क्लोन इस तरह बनाए गए हैं कि वे बिल्कुल वैसा ही दिखें जैसा "जनरलाइज्ड गॉसियन क्लब" को दिखना चाहिए।

3. खेल (निकटतम पड़ोसी ग्राफ)

खेल का नियम सरल है: हर किसी को कमरे में अपना सबसे करीबी दोस्त ढूंढना होगा।

यदि वास्तविक डेटा (समूह A) और नकली डेटा (समूह B) वास्तव में एक ही प्रकार के लोग हैं, तो उन्हें आपस में पूरी तरह से मिल जाना चाहिए। समूह A का एक व्यक्ति समूह B में एक दोस्त खोजने की उतनी ही संभावना रखेगा जितनी समूह A में अपने ही किसी दोस्त को खोजने की।
परीक्षण: लेखक "क्रॉस-एज्स" (cross-edges) गिनते हैं। यह इस बात का माप है कि कितनी बार समूह A के एक व्यक्ति ने समूह B के एक दोस्त को चुना (और इसके विपरीत)।
- यदि मॉडल सही है: तो समूह नीले और पीले रंग के पेंट की तरह मिलकर हरा बन जाते हैं। क्रॉस-एज लगभग 50/50 होंगे।
- यदि मॉडल गलत है: तो समूह अलग रहते हैं। शायद समूह A "नुकीला" है और समूह B "गोल" है। उच्च आयामों में, नुकीले लोग नुकीले लोगों के साथ क्लस्टर बनाने की प्रवृत्ति रखते हैं, और गोल लोग गोल लोगों के साथ। वे अच्छी तरह से नहीं मिलेंगे। क्रॉस-एज बहुत कम होंगे।

यह क्यों विशेष है (उच्च आयामों का "जादू")

निम्न आयामों (जैसे 2D या 3D) में, चीजें कठिन हो सकती हैं। लेकिन उच्च आयामों में, एक अजीब चीज़ होती है जिसे "थिन शेल" (Thin Shell) प्रभाव कहा जाता है।

उपमा: एक विशाल खोखले गुब्बारे की कल्पना करें। 3D में, रबर मोटा होता है। लेकिन 100 आयामों में, लगभग सारा रबर बाहर की एक अत्यंत पतली परत में केंद्रित होता है।
अंतर्दृष्टि: यदि आपके डेटा की "पूंछ" (tail) गलत है (बहुत भारी या बहुत हल्की), तो यह नकली डेटा की तुलना में एक अलग त्रिज्या (radius) पर शेल बनाएगा। भले ही वे करीब से समान दिखें, उच्च आयामों में, वे अनिवार्य रूप रूप से अलग-अलग संकेंद्रित रिंगों (concentric rings) पर खड़े होते हैं।
परिणाम: "निकटतम पड़ोसी" खेल इस अंतर के प्रति अविश्वसनीय रूप से संवेदनशील है। यदि रिंग अलग हैं, तो पड़ोसी कभी भी एक-दूसरे को पार नहीं कर पाएंगे। परीक्षण इस अलगाव को तुरंत पकड़ लेता है।

"बूटस्ट्रैप" सुरक्षा जाल (The "Bootstrap" Safety Net)

चूंकि लेखकों को खेल शुरू करने से पहले कुछ संख्याओं (जैसे वक्र का सटीक आकार) का अनुमान लगाना पड़ता है, इसलिए त्रुटि की संभावना रहती है। इसे ठीक करने के लिए, वे बूटस्ट्रैप (Bootstrap) का उपयोग करते हैं।

रूपक: कल्पना कीजिए कि आप एक कुकिंग प्रतियोगिता का निर्णय दे रहे हैं, लेकिन आप रेसिपी के बारे में 100% निश्चित नहीं हैं। इसलिए, आप अपने सबसे अच्छे अनुमान के आधार पर हर बार रेसिपी में थोड़ा बदलाव करते हुए 200 बार व्यंजन बनाते हैं। आप देखते हैं कि स्वाद में कितना बदलाव आता है।
शोध पत्र में: वे परीक्षण को 200 बार चलाते हैं, और हर बार डेटा के "आकार" का पुनर्मूल्यांकन करते हैं। यह एक सुरक्षा जाल बनाता है जो उनकी अपनी अनिश्चितता को ध्यान में रखता है, जिससे यह सुनिश्चित होता है कि वे डेटा को गलत होने का झूठा आरोप न लगाएं।

वास्तविक दुनिया का परीक्षण: क्रोंस रोग (Crohn's Disease) का डेटा

लेखकों ने अपने तरीके का परीक्षण क्रोंस रोग के रोगियों के वास्तविक चिकित्सा डेटा पर किया (BMI, वजन, आयु आदि को मापते हुए)।

पुराना तरीका: इसने कहा "यह सामान्य दिखता है।" (लेकिन यह गलत था)।
नया तरीका: इसने कहा "नहीं! यह डेटा भारी-पूंछ वाला और नुकीला है। यह सामान्य बेल कर्व में फिट नहीं बैठता है।"
फैसला: नया परीक्षण सही था। डेटा को "जनरलाइज्ड गॉसियन" मॉडल द्वारा बेहतर ढंग से वर्णित किया जा सकता था, जो उन अव्यवस्थित, भारी पूंछों को बहुत बेहतर तरीके से संभालता है।

सारांश

समस्या: पारंपरिक गणित विफल हो जाता है जब डेटा में बहुत अधिक विशेषताएं (dimensions) और अजीब आकार (heavy tails) होते हैं।
उपकरण: एक "निकटतम पड़ोसी" खेल जहाँ वास्तविक डेटा को नकली "आदर्श" डेटा के साथ मिलाया जाता है।
तर्क: यदि वास्तविक डेटा मॉडल में फिट बैठता है, तो दोनों समूह पूरी तरह से मिल जाते हैं। यदि नहीं, तो वे तेल और पानी की तरह अलग रहते हैं।
लाभ: यह विधि तब भी काम करती है जब आपके पास लोगों की तुलना में अधिक विशेषताएं हों, और इसे जटिल, अस्थिर गणितीय सूत्रों की गणना करने की आवश्यकता नहीं होती है। यह बस यह देखता है कि कौन किसके बगल में खड़ा है।

यह एक ज्यामितीय (geometric) तरीका है यह कहने का: "यदि आपका डेटा मॉडल जैसा नहीं दिखता है, तो पड़ोसी आपको पकड़ लेंगे।"

यहाँ Çadırcı और Ünal द्वारा लिखित शोध पत्र "A Nonparametric Goodness-of-Fit Test for High-Dimensional Generalized Gaussian Distributions via Nearest-Neighbor Graphs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उच्च-आयामी (high-dimensional) व्यवस्थाओं में मल्टीवेरिएट जनरलाइज्ड गॉसियन डिस्ट्रीब्यूशन (MGGD) के लिए गुडनेस-ऑफ-फिट (GoF) परीक्षण की चुनौती को संबोधित करता है, जहाँ आयाम $m$ नमूना आकार $n$ के बराबर या उससे अधिक होता है ( $m \gtrsim n$ )।

संदर्भ: MGGD एक लचीला एलिप्टिकल मॉडल है जो एक शेप पैरामीटर $\beta$ द्वारा नियंत्रित होता है, जो पूंछ के व्यवहार (tail behavior) को नियंत्रित करता है (हल्की पूंछ से लेकर भारी पूंछ/लेप्टोकुर्टिक तक)। इसका उपयोग सिग्नल प्रोसेसिंग, इमेजिंग और वित्त में व्यापक रूप से किया जाता है।
चुनौती: शास्त्रीय मल्टीवेरिएट GoF परीक्षण (जैसे कि मार्डिया का स्क्यूनेस-कर्टोसिस, महालानोबिस दूरी-आधारित परीक्षण) को कोवेरियंस मैट्रिक्स के व्युत्क्रम (inversion) और डेंसिटी एस्टीमेशन पर निर्भर रहना पड़ता है। उच्च आयामों ( $m \ge n$ ) में, सैंपल कोवेरियंस मैट्रिक्स सिंगुलर हो जाता है, जिससे ये विधियाँ अपरिभाषित या अस्थिर हो जाती हैं। इसके अलावा, मानक नॉर्मलिटी परीक्षण अनुपयुक्त हैं क्योंकि MGGD एक व्यापक परिवार है जिसमें गैर-गॉसियन वितरण भी शामिल हैं।
अंतराल (Gap): उच्च-आयामी सेटिंग्स में कंपोजिट MGGD परिकल्पना (जहाँ $\mu, \Sigma, \beta$ अज्ञात पैरामीटर हैं) के लिए विशेष रूप से डिज़ाइन की गई मजबूत, नॉन-पैरामेट्रिक GoF प्रक्रियाओं की कमी है।

2. कार्यप्रणाली (Methodology)

लेखक एक नियरएस्ट-नेबर (NN) ग्राफ टोपोलॉजी और एक अनुकूलित ज़ीरो सिद्धांत (adapted zero principle) पर आधारित एक पूर्णतः नॉन-पैरामेट्रिक, एफाइन-इनवेरिएंट GoF परीक्षण प्रस्तावित करते हैं। यह प्रक्रिया स्पष्ट डेंसिटी एस्टीमेशन और अस्थिर मैट्रिक्स इनवर्जन से बचती है।

A. मुख्य अवधारणा: अनुकूलित ज़ीरो सिद्धांत (Adapted Zero Principle)

एक निश्चित वितरण के विरुद्ध परीक्षण करने के बजाय, यह विधि एक अनुमानित MGGD मॉडल से एक स्वतंत्र संदर्भ नमूना (independent reference sample) निर्मित करती है।

मजबूत मानकीकरण (Robust Standardization): प्रेक्षित डेटा $X$ $X$ को मजबूत उच्च-आयामी अनुमानकों का उपयोग करके मानकीकृत किया जाता है:
- स्थान ( $\hat{\mu}$ ): स्पेशियल मीडियन या रोबस्ट एस्टीमेटर।
- स्कैटर ( $\hat{\Sigma}$ ): रेगुलराइज्ड टायलर एम-एस्टीमेटर (सिंगुलैरिटी को संभालने के लिए जब $m \ge n$ हो)।
- आकार ( $\hat{\beta}$ ): मोमेंट-आधारित एस्टीमेटर (पास्कल एट अल., 2013)।
- रूपांतरण: $Z_i = \hat{\Sigma}^{-1/2}(X_i - \hat{\mu})$ ।
संदर्भ निर्माण (Reference Generation): एक स्वतंत्र संदर्भ नमूना $Y$ को फिट किए गए स्टैंडर्ड MGGD से उत्पन्न किया जाता है: $Y_i \sim \text{MGGD}(0, I_m, \hat{\beta})$ ।
मिश्रण (Mixture): मानकीकृत प्रेक्षित डेटा $Z$ और संदर्भ डेटा $Y$ को एक ही सेट $S = Z \cup Y$ में मिला दिया जाता है।

B. टेस्ट स्टैटिस्टिक: NN क्रॉस-एज काउंट

यह परीक्षण सम्मिलित सेट $S$ पर 1-नेरेस्ट नेबर (1-NN) ग्राफ का उपयोग करता है।

सांख्यिकी ( $T_n$ ): कितनी बार एक संदर्भ सेट $Y$ के बिंदु का निकटतम पड़ोसी भी $Y$ में होता है (अर्थात $T_n = \sum I\{NN(Y_i) \in Y\}$ )।
तर्क: शून्य परिकल्पना ( $H_0$ ) के तहत, मानकीकृत डेटा और संदर्भ डेटा ज्यामितीय रूप से अविभेद्य होने चाहिए। इस प्रकार, लेबल विनिमेय (exchangeable) होने चाहिए, और $T_n$ , $n/2$ के आसपास केंद्रित होना चाहिए। यदि मॉडल गलत तरीके से निर्दिष्ट (misspecified) है (जैसे गलत टेल व्यवहार), तो रेडियल वितरण भिन्न होंगे, जिससे दो पॉइंट क्लाउड उच्च-आयामी स्थान में अलग-अलग "शेल्स" (shells) में विभाजित हो जाएंगे। इससे एक व्यवस्थित पूर्वाग्रह पैदा होता है जहाँ बिंदु अपने स्वयं के समूह के पड़ोसियों को प्राथमिकता देते हैं, जिससे $T_n$ , $n/2$ से काफी विचलित हो जाता है।

C. कैलिब्रेशन: फिटेड-बूटस्ट्रैप (Fitted-Bootstrap)

चूंकि शून्य परिकल्पना कंपोजिट है (पैरामीटर अनुमानित हैं), लेखक p-वैल्यू को कैलिब्रेट करने के लिए एक पैरामेट्रिक बूटस्ट्रैप का उपयोग करते हैं:

फिट किए गए MGGD मॉडल से सिंथेटिक डेटा उत्पन्न करें।
प्रत्येक बूटस्ट्रैप नमूने के लिए पैरामीटर ( $\hat{\mu}^*, \hat{\Sigma}^*, \hat{\beta}^*$ ) को पुन: अनुमानित करें।
पुन: अनुमानित पैरामीटर्स का उपयोग करके टेस्ट स्टैटिस्टिक की पुन: गणना करें।
यह नूनस पैरामीटर्स (nuisance parameters) में अनिश्चितता को ध्यान में रखता है, जिससे सही टाइप I एरर नियंत्रण सुनिश्चित होता है।

3. प्रमुख योगदान (Key Contributions)

उच्च-आयामी वैधता: यह विधि विशेष रूप से $m \gtrsim n$ के लिए डिज़ाइन की गई है, जो कोवेरियंस-आधारित परीक्षणों की सिंगुलैरिटी समस्याओं से बचती है।
ज्यामितीय व्याख्या: यह परीक्षण "थिन-शेल" (thin-shell) घटना का लाभ उठाता है। यह टेल व्यवहार (रेडियल डिके) के अंतर को डेंसिटी एस्टीमेशन पर निर्भर रहने के बजाय NN ग्राफ में मापने योग्य ज्यामितीय अलगाव में बदल देता है।
मजबूती (Robustness): रोबस्ट एस्टीमेटर्स (टायलर एम-एस्टीमेटर) और बूटस्ट्रैप कैलिब्रेशन का उपयोग करके, यह परीक्षण आउटलेयर्स और पैरामीटर अनुमान त्रुटियों के प्रति प्रतिरोधी है।
सैद्धांतिक गारंटी:
- एसिम्प्टोटिक नॉर्मलिटी: $H_0$ के तहत, टेस्ट स्टैटिस्टिक एक सामान्य वितरण की ओर अभिसरित होता है (उपयुक्त स्केलिंग के बाद)।
- संगति (Consistency): यह स्थिर एलिप्टिकल डिपार्चर्स के विरुद्ध सुसंगत है; यदि आकार पैरामीटर $\beta$ गलत निर्दिष्ट है, तो जैसे-जैसे $n, m \to \infty$ होता है, पावर 1 की ओर बढ़ती है।
एफाइन इनवेरिएंस: परीक्षण के परिणाम डेटा के एफाइन रूपांतरणों के तहत अपरिवर्तित रहते हैं।

4. परिणाम (Results)

लेखकों ने व्यापक सिमुलेशन और वास्तविक डेटा अनुप्रयोग के माध्यम से पद्धति का मूल्यांकन किया।

सिमुलेशन अध्ययन

टाइप I एरर नियंत्रण: प्रस्तावित NN-MGGD परीक्षण $m=50, 100, 200$ $m = 50, 100, 200$ आयामों और $n=100$ $n = 100$ के साथ नाममात्र स्तर (जैसे 5%) के करीब अनुभवजन्य आकार बनाए रखता है।
- तुलना: यह चेन-शिया (Chen-Xia) नॉर्मलिटी टेस्ट की तुलना में काफी बेहतर प्रदर्शन करता है (जो MGGD के तहत लगभग 100% मामलों में रिजेक्ट हो जाता है) और एनर्जी डिस्टेंस टेस्ट की तुलना में थोड़ा बेहतर या उसके समान प्रदर्शन करता है, जो थोड़े उदार (liberal) होते हैं।
पावर (Power): परीक्षण भारी-पूंछ वाले विकल्पों (जैसे $\nu=3$ $ν = 3$ के साथ मल्टीवेरिएट $t$ $t$ -डिस्ट्रीब्यूशन) के विरुद्ध उच्च शक्ति प्रदर्शित करता है।
- आयाम प्रभाव: आयाम के साथ पावर बढ़ती है। $m=200$ के लिए, पावर 99.2% तक पहुँच गई, जबकि $m=50$ के लिए यह 88.4% थी। यह रेडियल शेल्स को अलग करने में उच्च-आयामी ज्यामिति के सैद्धांतिक लाभ की पुष्टि करता है।
संवेदनशीलता: परीक्षण आकार पैरामीटर $\beta$ में सूक्ष्म विचलन के प्रति संवेदनशील है, जो शून्य की तुलना में अधिक भारी और हल्की दोनों पूंछों का पता लगा सकता है।

वास्तविक डेटा अनुप्रयोग

डेटासेट: क्रोहन रोग एडवर्स इवेंट्स (117 रोगी, 4 चर: BMI, ऊंचाई, आयु, वजन)।
निष्कर्ष:
- दोनों NN और एनर्जी टेस्ट ने मल्टीवेरिएट नॉर्मलिटी को दृढ़ता से खारिज कर दिया ( $p < 0.001$ )।
- मॉडल तुलना (AIC/BIC) ने दिखाया कि MGGD मॉडल सबसे अच्छा फिट प्रदान करता है, इसके बाद स्टूडेंट- $t$ वितरण, जबकि नॉर्मल मॉडल का प्रदर्शन सबसे खराब रहा।
- डायग्नोस्टिक प्लॉट्स (महालानोबिस Q-Q) ने भारी-पूंछ वाले व्यवहार और आउटलेयर्स की पुष्टि की, जो लचीले MGGD मॉडल की आवश्यकता को प्रमाणित करता है।

5. महत्व (Significance)

यह शोध पत्र सिग्नल प्रोसेसिंग, रिमोट सेंसिंग और वित्त जैसे क्षेत्रों में आधुनिक सांख्यिकीय विश्लेषण के लिए एक महत्वपूर्ण उपकरण प्रदान करता है, जहाँ डेटा अक्सर भारी पूंछ (heavy tails) और उच्च आयाम प्रदर्शित करता है।

व्यावहारिक प्रभाव: यह यह सत्यापित करने के लिए एक विश्वसनीय तरीका प्रदान करता है कि क्या एक जनरलाइज्ड गॉसियन मॉडल किसी डेटासेट के लिए उपयुक्त है, जिससे गलत निष्कर्षों की ओर ले जाने वाले गॉसियन धारणाओं के दुरुपयोग को रोका जा सकता है।
पद्धतिगत प्रगति: यह ग्राफ-आधारित नॉन-पैरामेट्रिक परीक्षण और पैरामेट्रिक एलिप्टिकल मॉडलिंग के बीच के अंतर को पाटता है, यह प्रदर्शित करते हुए कि ज्यामितीय गुणों (रेडियल कंसंट्रेशन) का उपयोग उन व्यवस्थाओं में सांख्यिकीय अनुमान के लिए किया जा सकता है जहाँ पारंपरिक मोमेंट-आधारित विधियाँ विफल हो जाती हैं।
भविष्य की दिशाएं: यह ढांचा दूषित डेटा (contaminated data), मिश्रण विकल्पों (mixture alternatives) और विशाल डेटासेट के लिए कम्प्यूटेशनल त्वरण को संभालने के मार्ग खोलता है।