📊 statistics

Informed Asymmetric Dirichlet Priors for Multivariate Bernoulli Mixture Models

यह शोधपत्र बड़ी संख्या में घटकों (components) वाले मल्टीवेरिएट बरनौली मिश्रण मॉडलों (multivariate Bernoulli mixture models) का उपयोग करके, मल्टीवेरिएट बाइनरी डेटा को क्लस्टर करने के लिए एक कम्प्यूटेशनल रूप से कुशल, पूर्णतः बेयसियन ढांचे (fully Bayesian framework) का प्रस्ताव करता है, जिसमें क्लस्टरों की संख्या को सहजता से नियंत्रित करने के लिए पेनलाइज्ड कॉम्प्लेक्सिटी फ्रेमवर्क के माध्यम से प्राप्त एक एसिमेट्रिक डिरिचलेट प्रायर (asymmetric Dirichlet prior) का उपयोग किया गया है।

मूल लेखक: Luisa Ferrari, Maria Franco Villoria, Garritt L. Page, Alex Laini

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luisa Ferrari, Maria Franco Villoria, Garritt L. Page, Alex Laini

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 लाइब्रेरियन हैं जो किताबों के एक विशाल, अराजक संग्रह को व्यवस्थित करने की कोशिश कर रहे हैं। लेकिन यहाँ एक मोड़ है: आपको यह नहीं पता कि कितने अलग-अलग जॉनर (genres) मौजूद हैं, और आप शीर्षकों को पढ़ भी नहीं सकते। आपके पास केवल बाइनरी सुराग हैं: प्रत्येक पुस्तक के लिए, आप जानते हैं कि क्या उसका "लाल कवर" (1) है या नहीं (0), क्या वह "हार्डकवर" (1) है या नहीं (0), क्या वह "मोटी" (1) है या नहीं (0), इत्यादि।

आपका लक्ष्य इन सुरागों के आधार पर पुस्तकों को समूहों (क्लस्टर्स) में वर्गीकृत करना है। यह बिल्कुल वही है जिसका सामना वैज्ञानिक मल्टीवेरिएट बाइनरी डेटा (multivariate binary data) से निपटने के दौरान करते हैं—ऐसे डेटासेट जहाँ हर अवलोकन (observation) "हाँ/नहीं" वाले उत्तरों की एक सूची है (जैसे "क्या इस रोगी में लक्षण A है?", "क्या यह प्रजाति इस जंगल में रहती है?", "क्या इस मतदाता ने इस नीति का समर्थन किया?")।

यह शोध पत्र इस डेटा को छाँटने का एक नया, स्मार्ट तरीका पेश करता है जिसे इन्फॉर्म्ड एसिमेट्रिक डिरिचलेट प्रायर्स (Informed Asymmetric Dirichlet Priors) कहा जाता है। यहाँ इसका सरल हिंदी विवरण दिया गया है:

1. समस्या: "अनुमान लगाने का खेल"

इस डेटा को छाँटने के पारंपरिक तरीके आमतौर पर दो जाल में फंस जाते हैं:

तेज़ लेकिन अंधा तरीका: ये एक स्पीड-रीडिंग एल्गोरिदम की तरह हैं। वे पुस्तकों को तेज़ी से छाँटते हैं लेकिन आपको यह नहीं बता सकते कि वे अपने विकल्पों के बारे में कितने आश्वस्त हैं। उन्हें अतिरिक्त जानकारी (जैसे यह जानना कि कोई पुस्तक किसी विशिष्ट देश से है) को संभालने में कठिनाई होती है।
धीमा लेकिन पूर्ण तरीका: ये विशेषज्ञ लाइब्रेरियन की एक टीम की तरह हैं जो हर पन्ना पढ़ते हैं और हर संभावना पर चर्चा करते हैं। वे अनिश्चितता की पूर्ण समझ देते हैं, लेकिन वे इतना समय लेते हैं कि यदि लाइब्रेरी बहुत बड़ी हो, तो वे काम पूरा ही नहीं कर पाते।

इसके अलावा, अधिकांश तरीके आपको शुरू करने से पहले ही समूहों की संख्या का अनुमान लगाने के लिए मजबूर करते हैं। यह ऐसा है जैसे यह कहना, "मुझे लगता है कि ठीक 5 जॉनर हैं," भले ही आपको इसके बारे में कुछ भी पता न हो। यदि आपका अनुमान गलत निकलता है, तो पूरा सिस्टम टूट जाता है।

2. समाधान: "स्मार्ट, लचीला बॉक्स"

लेखक एक नया तरीका प्रस्तावित करते हैं जो पहले समूह की गति और दूसरे समूह की गहरी समझ को जोड़ता है। वे यह एसिमेट्रिक डिरिचलेट प्रायर्स का उपयोग करके एक चतुर सांख्यिकीय ट्रिक के माध्यम से करते हैं।

यहाँ उपमा दी गई है:
कल्पना कीजिए कि आपके पास एक बड़ी शेल्फ है जिसमें 15 खाली बॉक्स (संभावित समूहों का प्रतिनिधित्व करने वाले) हैं। आप जानते हैं कि वास्तव में वहां 15 समूह नहीं हैं; शायद केवल 5 ही हैं। आपको इस शेल्फ को भरने की आवश्यकता है ताकि केवल 5 बॉक्स ही पुस्तकों से भरें, और बाकी 10 खाली रहें।

पुराना तरीका (सिमेट्रिक): आप सभी 15 बॉक्सों के साथ बिल्कुल एक जैसा व्यवहार करते हैं। उन्हें खाली रखने के लिए मजबूर करना कठिन होता है बिना गलती से कुछ पुस्तकों को गलत बॉक्स में डाले।
नया तरीका (एसिमेट्रिक): आप शेल्फ को एक "बायस" (झुकाव) के साथ सेट करते हैं।
- आप सिस्टम को बताते हैं: "मुझे उम्मीद है कि लगभग 6 समूह होंगे।"
- आप पहले 6 बॉक्सों को थोड़ी अतिरिक्त जगह (एक "सॉफ्ट अपर बाउंड") देते हैं।
- आप आखिरी 9 बॉक्सों को बताते हैं: "इनमें किताबें मिलने की संभावना बहुत कम है। कृपया खाली रहें जब तक कि सबूत बहुत पुख्ता न हों।"

यह "बायस" दो सरल नॉब्स (knobs) द्वारा नियंत्रित होता है:

लक्ष्य (U): "मुझे लगता है कि लगभग 6 समूह हैं।"
विश्वास (tp): "मैं कितना आश्वस्त हूँ? क्या मैं 90% आश्वस्त हूँ, या सिर्फ अनुमान लगा रहा हूँ?"

यह कंप्यूटर को बिना पहले से सटीक संख्या का अनुमान लगाए, समूहों की सही संख्या (जैसे, यह तय कर सकता है कि वास्तव में 5 समूह हैं, या 7) को स्वचालित रूप से समझने की अनुमति देता है।

3. यह कैसे काम करता है: "सिम्युलेटेड एनीलिंग" ट्रिक

इसे तेज़ बनाने के लिए, लेखक एक कंप्यूटर एल्गोरिदम का उपयोग करते हैं जो सिम्युलेटेड एनीलिंग (धातु विज्ञान में उपयोग की जाने वाली एक तकनीक) की तरह कार्य करता है।

कल्पना कीजिए कि पुस्तकें गर्म और उछल रही हैं। शुरुआत में, एल्गोरिदम "गर्म" होता है, जिससे पुस्तकें सभी संभावनाओं का पता लगाने के लिए सभी बॉक्सों के बीच स्वतंत्र रूप से कूद सकती हैं।
धीरे-धीरे, यह ठंडा होता जाता है। जैसे-जैसे यह ठंडा होता है, पुस्तकें सबसे स्थिर और सर्वोत्तम व्यवस्था में जम जाती हैं।
यह एल्गोरिदम को एक "लोकल ट्रैप" (एक खराब व्यवस्था जो ठीक दिखती है लेकिन सर्वश्रेष्ठ नहीं है) में फंसने से रोकता है।

4. वास्तविक दुनिया के परीक्षण

लेखकों ने अपने तरीके का परीक्षण दो बहुत अलग समस्याओं पर किया:

हस्तलिखित अंक (Handwritten Digits): उन्होंने संख्याओं (0-9) की तस्वीरें लीं और उन्हें ब्लैक-एंड-व्हाइट पिक्सेल में बदल दिया। भले ही डेटा अव्यवस्थित और बाइनरी था, उनके तरीके ने संख्याओं को 10 अलग-अलग क्लस्टरों में सही ढंग से समूहित किया, और अन्य तेज़ तरीकों से बेहतर प्रदर्शन किया।
डंग बीटल (Dung Beetle) अध्ययन: यह "वास्तविक" परीक्षण था। उन्होंने इतालवी आल्प्स में 55 अलग-अलग स्थानों में 25 डंग बीटल प्रजातियों का अध्ययन किया। वे जानना चाहते थे: "कौन से बीटल एक ही वातावरण को पसंद करते हैं?"
- उन्होंने अतिरिक्त जानकारी जोड़ी: क्या यह एक जंगल है या चारागाह? क्या यह ऊंचाई पर है या नीचे?
- उनके तरीके ने बीटल्स को उनकी पर्यावरणीय प्राथमिकताओं के आधार पर सफलतापूर्वक समूहित किया। उदाहरण के लिए, उन्होंने बीटल्स का एक समूह पाया जो केवल ऊँचाई वाले जंगलों को पसंद करते हैं, और एक अन्य समूह जो निचले स्तर के चारागाहों को पसंद करता है।
- महत्वपूर्ण रूप से, इसने शोधकर्ताओं को इन समूहों के बारे में बताया कि वे कितने आश्वस्त हैं, जो अन्य तरीके आसानी से नहीं कर सके।

5. यह क्यों मायने रखता है

यह शोध पत्र एक बड़ा अवसर है क्योंकि यह वैज्ञानिकों को एक ऐसा उपकरण देता है जो है:

तेज़: इसे चलाने में हफ्तों नहीं लगते।
स्मार्ट: यह अनिश्चितता को संभालता है और बताता है कि यह अपने निर्णयों के बारे में कितना आश्वस्त है।
लचीला: यह आपको सॉर्टिंग प्रक्रिया में अतिरिक्त संदर्भ (जैसे मौसम या स्थान) जोड़ने की अनुमति देता है।
उपयोगकर्ता के अनुकूल: आपको समूहों की संख्या के लिए गणित का जादूगर होने की आवश्यकता नहीं है; आप बस एक मोटा अनुमान देते हैं, और गणित बाकी काम संभाल लेता है।

संक्षेप में, लेखकों ने एक सुपर-लाइब्रेरियन बनाया है जो "हाँ/नहीं" डेटा के अराजक ढेर को तेज़ी से, सटीकता से और एक स्पष्ट स्पष्टीकरण के साथ सार्थक समूहों में वर्गीकृत कर सकता है कि उसने अपने चुनाव क्यों किए।

यहाँ शोध पत्र "Informed Asymmetric Dirichlet Priors for Multivariate Bernoulli Mixture Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मल्टीवेरिएट बाइनरी डेटा (0/1 परिणामों के वेक्टर्स) के क्लस्टरिंग की चुनौती को संबोधित करता है, जो पारिस्थितिकी (प्रजातियों की उपस्थिति/अनुपस्थिति), बायोमेडिसिन (रोग संकेतक), और सामाजिक नीति जैसे क्षेत्रों में प्रचलित है। जबकि मल्टीवेरिएट बरनौली मिक्सचर मॉडल्स (MBMMs) का उपयोग करके मॉडल-आधारित क्लस्टरिंग संभाव्यता आधारित असाइनमेंट और अनिश्चितता का मात्रा निर्धारण (uncertainty quantification) प्रदान करती है, मौजूदा बेयसियन कार्यान्वयन एक महत्वपूर्ण समझौते (trade-off) का सामना करते हैं:

कंप्यूटेशनल दक्षता बनाम पूर्ण अनुमान (Full Inference): flexmix (EM-आधारित) जैसे तरीके तेज़ हैं लेकिन पूर्ण पोस्टीरियर अनुमान (posterior inference) की कमी है। BayesBinMix (MCMC-आधारित) जैसे तरीके पूर्ण अनुमान प्रदान करते हैं लेकिन मध्यम से बड़े डेटासेट के लिए अत्यधिक गणनात्मक रूप से कठिन (prohibitive) हैं।
क्लस्टर संख्या पर प्रायोर स्पेसिफिकेशन (Prior Specification): मौजूदा तरीके अक्सर घटकों की संख्या $K$ को मनमाने ढंग से निर्धारित करते हैं या अनइन्फॉर्मेटिव प्रायर्स का उपयोग करते हैं। वे उपयोगकर्ताओं को अधि chiếm क्लस्टरों की अपेक्षित संख्या ( $K^+$ ) के संबंध में पूर्व ज्ञान को शामिल करने के लिए एक सहज तंत्र प्रदान करने में विफल रहते हैं, जो कि कुल घटकों $K$ से भिन्न है।
कोवेरिएट्स का एकीकरण (Covariate Integration): वर्तमान सॉफ़्टवेयर पैकेज आमतौर पर लेटेंट क्लस्टर-विशिष्ट मापदंडों के मॉडलिंग में कोवेरिएट्स को सीधे शामिल करने में संघर्ष करते हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक नया बेयसियन ढांचा प्रस्तावित करते हैं जिसे aFMM (asymmetric Finite Mixture Model) कहा जाता है, जो पूर्ण पोस्टीरियर अनुमान के साथ कंप्यूटेशनल दक्षता का संतुलन बनाता है।

A. मॉडल संरचना (Model Structure)

डेटा: $P$ -आयामी बाइनरी वेक्टर्स $Y_i$ के $N$ अवलोकन।
मिक्सचर मॉडल: डेटा को $K$ सशर्त स्वतंत्र बरनौली वितरणों के एक परिमित मिश्रण (finite mixture) के रूप में मॉडल किया गया है:
$p(Y_i | \omega, \pi_1, \dots, \pi_K) = \sum_{k=1}^K \omega_k \prod_{p=1}^P \pi_{kp}^{Y_{ip}} (1-\pi_{kp})^{1-Y_{ip}}$
कोवेरिएट्स (Covariates): सफलता की संभावनाओं $\pi_{kp}$ को क्लस्टर-विशिष्ट लॉजिस्टिक रिग्रेशन के माध्यम से मॉडल किया जा सकता है: $\text{logit}(\pi_{kp}) = x_p^\top \beta_k$ , जिससे पर्यावरणीय या अन्य कोवेरिएट्स क्लस्टर सदस्यता की संभावनाओं को प्रभावित कर सकते हैं।

B. मुख्य नवाचार: एसिमेट्रिक डिरिचलेट प्रायोर (Asymmetric Dirichlet Prior)

मिक्सचर वेट्स $\omega$ पर सिमेट्रिक डिरिचलेट प्रायोर के बजाय, लेखक एक एसिमेट्रिक डिरिचलेट प्रायोर का उपयोग करते हैं:
$\omega \sim \text{Dirichlet}(\underbrace{\alpha_1, \dots, \alpha_1}_{U}, \underbrace{\alpha_2, \dots, \alpha_2}_{K-U})$

$K$ (कुल घटक): एक बड़े मान के लिए स्थिर रखा गया है (अपेक्षित क्लस्टरों की संख्या से अधिक), ताकि एक स्पार्स प्रतिनिधित्व (sparse representation) की अनुमति मिल सके।
$U$ (सॉफ्ट अपर बाउंड): गैर-खाली क्लस्टरों की अधिकतम संख्या के लिए उपयोगकर्ता के पूर्व विश्वास को दर्शाता है।
$\alpha_2$ : एक छोटे मान (जैसे, 0.01) पर स्थिर है ताकि "अतिरिक्त" घटकों ( $K-U$ ) के वेट्स को शून्य की ओर सिकोड़ा जा सके, जो प्रभावी रूप से अवांछित क्लस्टरों को हतोत्साहित करता है।
$\alpha_1$ : पहले $U$ घटकों के भरने को नियंत्रित करता है। $\alpha_1$ को स्थिर करने के बजाय, इस पर एक पेनलाइज्ड कॉम्प्लेक्सिटी (PC) प्रायोर लगाया जाता है। यह डेटा को $\alpha_1$ के परिमाण को सूचित करने की अनुमति देता है जबकि $U$ की ओर संकुचन (shrinkage) को प्रोत्साहित करता है।
हाइपरपैरामीटर्स: प्रायोर दो सहज मापदंडों द्वारा शासित है:
1. $U$ : क्लस्टरों की संख्या के लिए सॉफ्ट अपर बाउंड।
2. $t_p$ : अनिश्चितता को नियंत्रित करने वाला टेल प्रोबेबिलिटी (जैसे, $P(K^+ < U) = t_p$ )।

C. अनुमान एल्गोरिदम (Inference Algorithm)

MCMC कार्यान्वयन: एलोकेशन वेरिएबल्स ( $z$ ), वेट्स ( $\omega$ ), प्रोबेबिलिटीज ( $\pi$ ), और $\alpha_1$ को अपडेट करने के लिए ब्लॉक-गिब्स सैंपलिंग का उपयोग करने वाला एक सिंगल चेन।
सिमुलेटेड एनीलिंग (Simulated Annealing): पोस्टीरियर मल्टीमोडैलिटी (लेबल स्विचिंग और लोकल ट्रैप्स) से निपटने के लिए, एल्गोरिदम एक सिमुलेटेड एनीलिंग शेड्यूल का उपयोग करता है। तापमान $T_b$ उच्च स्तर से शुरू होता है (पार्टिशन को एक्सप्लोर करने के लिए पोस्टीरियर को सपाट करना) और पहले 90% इटरेशन के दौरान तेजी से घटकर 1 हो जाता है, जिसके बाद अंतिम 10% के लिए मानक सैंपलिंग की जाती है।
पोस्ट-प्रोसेसिंग: लेबल स्विचिंग को हल करने के लिए क्लस्टर लेबल्स को आकार के आधार पर व्यवस्थित किया जाता है। अंतिम पार्टीशन को SALSO एल्गोरिदम (Variation of Information को न्यूनतम करना) का उपयोग करके या क्लस्टर के विश्वसनीय सेटों की पहचान करने के लिए CHIPS प्रक्रिया के माध्यम से चुना जाता है।

3. मुख्य योगदान (Key Contributions)

एकीकृत ढांचा: यह विधि पूर्ण पोस्टीरियर अनुमान (अनिश्चितता का मात्रा निर्धारण) के साथ कंप्यूटेशनल दक्षता प्राप्त करती है जो वेरिएशनल इन्फरेंस या EM एल्गोरिदम के तुलनीय है, जिससे पिछले MCMC-आधारित MBMMs की सीमाओं को दूर किया जाता है।
सहज प्रायोर एलिसिटेशन: यह PC फ्रेमवर्क का उपयोग करके क्लस्टरों की संख्या के बारे में पूर्व विश्वासों को निर्दिष्ट करने के लिए एक उपयोगकर्ता के अनुकूल तंत्र पेश करता है, जिससे उपयोगकर्ताओं को जटिल ट्यूनिंग के बिना एक "सॉफ्ट अपर बाउंड" ( $U$ ) और अनिश्चितता स्तर ( $t_p$ ) सेट करने की अनुमति मिलती है।
कोवेरिएट एकीकरण: यह पहला MBMM अनुप्रयोग (लेखकों की जानकारी के अनुसार) है जो डाइमेंशन $P$ द्वारा इंडेक्स किए गए कोवेरिएट्स को क्लस्टर-विशिष्ट रिग्रेशन मापदंडों के माध्यम से क्लस्टरिंग प्रक्रिया को सूचित करने की अनुमति देता है।
मजबूती (Robustness): दृष्टिकोण $U$ के चयन के प्रति मजबूत है, बशर्ते कि $U$ एक रूढ़िवादी (conservatively large) मान हो।

4. परिणाम (Results)

सिमुलेशन अध्ययन

सेटअप: VICatMix (वेरिएशनल इन्फरेंस), sFMM (सिमेट्रिक डिरिचलेट MCMC), और flexmix (EM) के विरुद्ध aFMM की तुलना की गई।
प्रदर्शन:
- सटीकता: aFMM ने VICatMix और sFMM की तुलना में लगातार उच्च एडजस्टेड रैंड इंडेक्स (ARI) स्कोर प्राप्त किया, विशेष रूप से जब वास्तविक क्लस्टरों की संख्या कम थी ( $K^+ = 2, 5$ )।
- क्लस्टर अनुमान: aFMM ने अधिक सटीक $K^+$ अनुमान प्रदान किया और प्रतिस्पर्धियों की तुलना में हाइपरपैरामीटर विकल्पों के प्रति कम संवेदनशील था।
- दक्षता: सभी विधियों में रन टाइम तुलनीय था, जो यह दर्शाता है कि MCMC दृष्टिकोण अत्यधिक गणनात्मक लागत का कारण नहीं बनता है।
- मजबूती: aFMM ने उच्च प्रदर्शन बनाए रखा, भले ही सॉफ्ट अपर बाउंड $U$ को वास्तविक $K^+$ से अधिक रखा गया हो।

वास्तविक दुनिया के अनुप्रयोग

हस्तलिखित अंक (UCI):
- कार्य: 1796 बाइनरी डिजिट छवियों (0-9) का क्लस्टरिंग।
- परिणाम: aFMM ने सभी विधियों में उच्चतम ARI (0.652) प्राप्त किया। इसने $U=10$ (वास्तविक अंकों की संख्या) के सॉफ्ट अपर बाउंड के साथ संरचना को सही ढंग से पहचाना, जबकि अन्य विधियों ने या तो क्लस्टर संख्या का अति-अनुमान लगाया या कम सटीकता दी।
META2 पारिस्थितिक डेटासेट:
- कार्य: उपस्थिति/अनुपस्थिति के आधार पर 55 साइटों में 25 डंग-बीटल प्रजातियों का क्लस्टरिंग, जिसमें पर्यावरणीय कोवेरिएट्स (क्षेत्र, आवास, ऊंचाई) को शामिल किया गया।
- परिणाम: मॉडल ने विशिष्ट पर्यावरणीय प्राथमिकताओं (जैसे, चरागाह बनाम वन, ऊंचाई बैंड) के अनुरूप 6 विशिष्ट पारिस्थितिक क्लस्टरों की सफलतापूर्वक पहचान की।
- अनिश्चितता: CHIPS प्रक्रिया का उपयोग करते हुए, अध्ययन ने अधिकांश प्रजातियों के लिए कम पोस्टीरियर अनिश्चितता दिखाई, और अनिश्चितता केवल कुछ संदिग्ध प्रजातियों पर केंद्रित थी। पद्धति ने प्रजातियों को कोवेरिएट-संचालित उपस्थिति पैटर्न से सफलतापूर्वक जोड़ा।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र मल्टीवेरिएट बाइनरी डेटा के विश्लेषण में एक महत्वपूर्ण प्रगति प्रस्तुत करता है। एक स्पार्स फाईनाइट मिक्सचर फ्रेमवर्क को एसिमेट्रिक डिरिचलेट प्रायोर और सिमुलेटेड एनीलिंग MCMC के साथ जोड़कर, लेखक एक ऐसा उपकरण प्रदान करते हैं जो है:

मध्यम से बड़े डेटासेट के लिए कंप्यूटेशनल रूप से व्यवहार्य है।
सांख्यिकीय रूप से कठोर, जो पूर्ण बेयसियन अनुमान और अनिश्चितता का मात्रा निर्धारण प्रदान करता है।
व्याख्या योग्य (Interpretable), जो शोधकर्ताओं को क्लस्टरों की अपेक्षित संख्या के बारे में डोमेन ज्ञान को शामिल करने की अनुमति देता है।
लचीला, जो क्लस्टर निर्माण को समझाने के लिए कोवेरिएट्स को संभालने में सक्षम है।

यह दृष्टिकोण मौजूदा ह्यूरिस्टिक या वेरिएशनल विधियों के लिए एक प्रतिस्पर्धी विकल्प प्रदान करते हुए साहित्य में एक महत्वपूर्ण अंतर को भरता है, जिसके पारिस्थितिकी, बायोमेडिसिन और सामाजिक विज्ञान में तत्काल अनुप्रयोग हैं। लेखक स्थानिक/कालिक विस्तार (spatial/temporal extensions) और वैकल्पिक अनुमान सन्निकटन (inference approximations) पर भविष्य के कार्य का सुझाव देते हुए, कंडीशनल इंडिपेंडेंस की धारणा और बहुत उच्च आयामों के लिए कंप्यूटेशनल स्केलिंग के संबंध में सीमाओं को भी स्वीकार करते हैं।