📊 statistics

Beyond Expected Information Gain: Stable Bayesian Optimal Experimental Design with Integral Probability Metrics and Plug-and-Play Extensions

यह शोध पत्र एक स्थिर, प्लग-एंड-प्ले बेयसियन ऑप्टिमल एक्सपेरिमेंटल डिज़ाइन फ्रेमवर्क प्रस्तुत करता है जो सपोर्ट मिसमैच और टेल अंडरएस्टीमेशन की समस्याओं को दूर करने के लिए पारंपरिक कुलबैक-लीब्लर-आधारित एक्सपेक्टेड इंफॉर्मेशन गेन के स्थान पर इंटीग्रल प्रोबेबिलिटी मेट्रिक्स का उपयोग करता है, जिससे उच्च-आयामी सेटिंग्स में भी मजबूत, ज्यामिति-जागरूक डिज़ाइन प्राप्त होते हैं जहाँ पारंपरिक विधियाँ विफल हो जाती हैं।

मूल लेखक: Di Wu, Ling Liang, Haizhao Yang

प्रकाशित 2026-04-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Di Wu, Ling Liang, Haizhao Yang

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

एक बड़ी तस्वीर: "महँगा प्रयोग" वाली समस्या

कल्पना कीजिए कि आप एक वैज्ञानिक हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक नई, अविश्वसनीय रूप से महँगी दवा कैसे काम करती है। आपके पास एक सीमित बजट है और आप केवल कुछ ही परीक्षण (tests) कर सकते हैं। आप उस एक सबसे अच्छे परीक्षण को चुनना चाहते हैं जो आपको उस दवा के बारे में सबसे अधिक जानकारी दे सके।

यह बेयसियन ऑप्टिमल एक्सपेरिमेंटल डिज़ाइन (BOED) की समस्या है। यह एक जासूस होने जैसा है जो रहस्य सुलझाने के लिए केवल एक सवाल पूछ सकता है। आप चाहते हैं कि वह सवाल आपको सबसे बड़ा "अहा!" वाला क्षण (aha! moment) दे।

दशकों से, किस सवाल को पूछना है यह तय करने का मानक तरीका एस्पेक्टेड इंफॉर्मेशन गेन (EIG) नामक एक गणितीय अवधारणा पर आधारित रहा है। EIG को एक "सरप्राइज मीटर" (Surprise Meter) के रूप में सोचें। यह पूछता है: "अगर मैं यह परिणाम देखूँ, तो मेरे ज्ञान में कितना बदलाव आएगा?"

समस्या: "सरप्राइज मीटर" टूट गया है

पारंपरिक "सरप्राइज मीटर" (EIG) KL डाइवर्जेंस (KL Divergence) नामक एक टूल का उपयोग करता है। यह गणितीय रूप से सुंदर तो है, लेकिन इसमें एक घातक दोष है: यह अत्यंत नाजुक है।

उपमा: कांच का घर
कल्पना कीजिए कि दवा के बारे में आपका वर्तमान ज्ञान कांच से बना एक घर है। पारंपरिक तरीका आपके वर्तमान कांच के घर और उस नए घर के बीच की दूरी को मापने की कोशिश करता है जो आप प्रयोग के बाद बनाएंगे।

समस्या: यदि आपके वर्तमान कांच के घर में एक छोटी सी दरार (आपके मॉडल में एक छोटी सी त्रुटि) है, या यदि प्रयोग एक दुर्लभ, अजीब परिणाम (एक "दुर्लभ घटना") देता है, तो कांच पूरी तरह से टूट जाता है।
परिणाम: गणित फट जाता है। गणना अस्थिर हो जाती है, जिससे आपको गलत उत्तर मिलते हैं या आपका कंप्यूटर क्रैश हो जाता है। यह दो घरों के बीच की दूरी मापने की कोशिश करने जैसा है जब उनमें से एक कांच का बना हो और दूसरा पानी का; यदि कांच टूट जाए तो माप लेना असंभव हो जाता है।

ऐसा इसलिए होता है क्योंकि पारंपरिक तरीका संभावनाओं के अनुपात (ratios of probabilities) पर निर्भर करता है (यह तुलना करना कि एक चीज़ दूसरी चीज़ की तुलना में कितनी संभावित है)। यदि उस अनुपात का हर (denominator) बहुत छोटा हो जाता है (एक दुर्लभ घटना), तो पूरी संख्या अनंत (infinity) हो जाती है।

समाधान: "रबर शीट" (IPMs)

लेखक आपके वर्तमान ज्ञान और आपके नए ज्ञान के बीच की दूरी को मापने का एक नया तरीका प्रस्तावित करते हैं। "कांच के घर" (KL डाइवर्जेंस) के नाजुक तरीके के बजाय, वे इंटीग्रल प्रोबेबिलिटी मेट्रिक्स (IPMs) का उपयोग करते हैं।

उपमा: रबर शीट
कल्पना कीजिए कि आपका ज्ञान एक भारी रबर शीट है।

पुराना तरीका (KL): आप रबर के घनत्व (density) को देखकर दूरी मापने की कोशिश करते हैं। यदि वहां एक छोटा सा छेद है, तो माप टूट जाता है।
नया तरीका (IPMs): आप अपने "वर्तमान ज्ञान" और अपने "नए ज्ञान" दोनों के ऊपर एक रबर शीट फैलाते हैं। आप यह मापते हैं कि उन्हें मिलाने के लिए आपको शीट को कितना खींचना पड़ता है।
- यदि कोई छोटा छेद या कोई अजीब उभार (एक दुर्लभ घटना) है, तो रबर शीट बस थोड़ा खिंच जाती है। यह टूटती नहीं है।
- यह डेटा के आकार (shape) और ज्यामिति (geometry) पर ध्यान देती है, न कि केवल सटीक संख्याओं पर।

पेपर तीन विशिष्ट प्रकार की "रबर शीट" का परीक्षण करता है:

वॉसरस्टीन डिस्टेंस (Wasserstein Distance): जैसे एक ढेर से दूसरे ढेर तक मिट्टी ले जाने की लागत को मापना। यह बहुत स्थिर है।
मैक्सिमम मीन डिसक्रीपेंसी (MMD): जैसे यह जांचना कि क्या दो समूहों के लोग अलग दिखते हैं, उन्हें कुछ विशिष्ट नियमों के आधार पर हाथ उठाने के लिए कहना।
एनर्जी डिस्टेंस (Energy Distance): यह मापने का एक तरीका कि दो समूहों के बीच का अंतर कितना "ऊर्जावान" है।

यह क्यों मायने रखता है: स्थिरता और गति

लेखक दो चीजें सिद्ध करते हैं:

1. यह अटूट है (स्थिरता)
चूंकि IPMs नाजुक संभावना अनुपातों पर निर्भर नहीं करते हैं, इसलिए वे स्थिर हैं।

वास्तविक दुनिया की उपमा: यदि आप एक पुल बना रहे हैं और आपके ब्लूप्रिंट में एक छोटी सी त्रुटि है, तो "कांच के घर" वाला तरीका कहेगा कि पुल ढह जाएगा। "रबर शीट" वाला तरीका कहेगा, "पुल थोड़ा डगमगा रहा है, लेकिन यह फिर भी खड़ा रहेगा।"
इसका मतलब है कि वैज्ञानिक प्रयोगों को डिजाइन करने के लिए सस्ते, अनुमानित कंप्यूटर मॉडल का उपयोग कर सकते हैं बिना गणित के विफल हुए।

2. यह तेज़ और सुचारू है (ऑप्टिमाइजेशन)
जब आप सबसे अच्छा प्रयोग खोजने की कोशिश करते हैं, तो आप उच्चतम शिखर खोजने के लिए एक पहाड़ पर चढ़ रहे होते हैं।

पुराना तरीका: पहाड़ ऊबड़-खाबड़, नुकीले स्पाइक्स से बना है। एक गलत कदम, और आप खाई में गिर जाते हैं। शिखर तक पहुँचना कठिन है।
नया तरीका: पहाड़ एक चिकनी, लुढ़कती हुई पहाड़ी है। आप इस पर आसानी से चल सकते हैं, और भले ही आप थोड़ा गलत रास्ता लें, आप अभी भी पहाड़ी के ऊंचे हिस्से पर ही रहेंगे। यह कंप्यूटर के लिए सबसे अच्छा प्रयोग ढूंढना बहुत आसान बनाता है।

"प्लग-एंड-प्ले" बोनस

पेपर यह भी दिखाता है कि यह नया ढांचा एक लेगो सेट (Lego set) की तरह है।

आप "रबर शीट्स" (IPMs) का उपयोग करके बुनियादी संरचना बना सकते हैं।
लेकिन यदि आपको एक सुपर-हार्ड समस्या (जैसे उच्च-आयामी डेटा में जहाँ गणित बहुत जटिल हो जाता है) को हल करने की आवश्यकता है, तो आप दूरी मापने में मदद करने के लिए एक विशेष "न्यूरल नेटवर्क" (एक प्रकार का AI) वाला हिस्सा बदल सकते हैं।
यह सिस्टम को उन समस्याओं पर काम करने की अनुमति देता है जो पहले कंप्यूटर के लिए असंभव थीं क्योंकि वे बहुत जटिल थीं।

सारांश

समस्या: सबसे अच्छा वैज्ञानिक प्रयोग चुनने का पुराना तरीका त्रुटियों और दुर्लभ घटनाओं के प्रति बहुत संवेदनशील है। यह आसानी से टूट जाता है।
समाधान: इंटीग्रल प्रोबेबिलिटी मेट्रिक्स (IPMs) पर आधारित एक नया तरीका।
रूपक (Metaphor): एक नाजुक कांच के घर (जो एक दरार के साथ टूट जाता है) से एक लचीली रबर शीट (जो खिंचती है और त्रुटियों को सोख लेती है) में परिवर्तन।
परिणाम: प्रयोग अधिक विश्वसनीय रूप से डिजाइन किए जाते हैं, गणित को कंप्यूट करना तेज़ होता है, और यह तब भी काम करता है जब डेटा अव्यवस्थित हो या कंप्यूटर मॉडल अपूर्ण हों।

संक्षेप में, यह पेपर वैज्ञानिकों को यह तय करने के लिए एक अधिक मजबूत, अटूट उपकरण देता है कि उन्हें कौन से प्रयोग करने चाहिए, जिससे यह सुनिश्चित होता है कि उन्हें उनके पैसे का अधिकतम मूल्य मिले और गणित क्रैश न हो।

यहाँ शोध पत्र "Beyond EIG: Stable BOED with IPMs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बेयसियन ऑप्टिमल एक्सपेरिमेंटल डिज़ाइन (BOED) का लक्ष्य उन प्रयोगात्मक विन्यासों ( $\xi$ ) का चयन करना है जो अज्ञात मॉडल मापदंडों ( $x$ ) के बारे में प्राप्त होने वाली सूचना को अधिकतम करते हैं। इसके लिए मानक मानदंड एक्स्पेक्टेड इंफॉर्मेशन गेन (EIG) है, जिसे प्रायोर (prior) और पोस्टीरियर (posterior) वितरणों के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस के माध्यम से परिभाषित किया जाता है।

यह शोध पत्र शास्त्रीय KL-आधारित EIG दृष्टिकोण की तीन मौलिक सीमाओं की पहचान करता है:

कंप्यूटेशनल अस्थिरता (Computational Instability): EIG का मूल्यांकन करने के लिए नेस्टेड एक्सपेक्टेशन्स (nested expectations) का अनुमान लगाना आवश्यक है, जो कंप्यूटेशनल रूप से महंगा है और मानक मोंटे कार्लो विधियों में उच्च विचरण (high variance) के प्रति संवेदनशील है।
संरचनात्मक भंगुरता (Structural Fragility): KL डाइवर्जेंस लॉग-डेंसिटी अनुपातों (log-density ratios) पर निर्भर करता है। यह इसे स्वाभाविक रूप से निम्नलिखित के प्रति संवेदनशील बनाता है:
- पूंछ का कम आकलन (Tail underestimation): कम-संभाव्यता वाले क्षेत्रों में छोटी त्रुटियां लॉग-अनुपात को अत्यधिक बढ़ा सकती हैं।
- दुर्लभ घटनाएँ (Rare events): एक एकल दुर्लभ अवलोकन उपयोगिता (utility) को असंगत रूप से प्रभावित कर सकता है।
- सपोर्ट मिसमैच (Support mismatch): KL डाइवर्जेंस तब अपरिभाषित या अस्थिर हो जाता है जब प्रायोर और पोस्टीरियर (या उनके अनुभवजन्य सन्निकटन) के सपोर्ट ओवरलैप नहीं होते (जैसे, निरंतर प्रायर्स की तुलना असतत अनुभवजन्य मापों से करना)।
ज्यामिति जागरूकता का अभाव (Lack of Geometry Awareness): KL डाइवर्जेंस वितरणों को घनत्व कार्यों (density functions) के रूप में मानता है, जिससे पैरामीटर स्पेस की अंतर्निहित ज्यामितीय संरचना की अनदेखी होती है, जो उच्च-आयामी या गैर-गॉसियन सेटिंग्स में स्थिरता के लिए महत्वपूर्ण है।

2. कार्यप्रणाली (Methodology)

लेखक एक ज्यामिति-जागरूक BOED फ्रेमवर्क प्रस्तावित करते हैं जो KL डाइवर्जेंस को इंटीग्रल प्रोबेबिलिटी मेट्रिक्स (IPMs) से बदल देता है।

मुख्य ढांचा (Core Framework)

EIG को अधिकतम करने के बजाय, नया उपयोगिता फलन $U_F(\xi)$ प्रायोर $\mu$ और पोस्टीरियर $\mu_y$ के बीच अपेक्षित IPM दूरी को अधिकतम करता है:
$U_F(\xi) := \mathbb{E}_{p(y|\xi)} \left[ \gamma_F(\mu, \mu_y) \right] = \int_Y \gamma_F(\mu, \mu_y) p(y|\xi) dy$
जहाँ $\gamma_F$ परीक्षण कार्यों (test functions) के एक वर्ग $\mathcal{F}$ द्वारा प्रेरित एक IPM है:
$\gamma_F(P, Q) = \sup_{f \in \mathcal{F}} \left| \mathbb{E}_{P}[f(X)] - \mathbb{E}_{Q}[f(X)] \right]$

प्रयुक्त विशिष्ट मेट्रिक्स (Specific Metrics Used)

शोध पत्र तीन प्रतिनिधि IPMs पर ध्यान केंद्रित करता है:

1-वॉसरस्टीन दूरी ( $W_1$ ): 1-लिप्सचिट्ज़ (1-Lipschitz) कार्यों द्वारा प्रेरित। यह परिवहन लागत (transport cost) और ज्यामिति को कैप्चर करता है।
मैक्सिमम मीन डिसक्रीपेंसी (MMD): एक बाउंडेड कर्नेल वाले रिप्रोडसिंग कर्नेल हिलबर्ट स्पेस (RKHS) में कार्यों द्वारा प्रेरित।
एनर्जी डिस्टेंस (ED): यूक्लिडियन दूरी का उपयोग करने वाला MMD का एक विशेष मामला, जो अक्सर अधिक मजबूत लेकिन अनबाउंडेड होता है।

प्लग-एंड-प्ले एक्सटेंशन (Plug-and-Play Extension)

यह फ्रेमवर्क मॉड्यूलर है। जबकि सैद्धांतिक गारंटी IPMs पर केंद्रित है, इसका सैंपल-आधारित अनुमान पाइपलाइन सख्त IPM क्लास के बाहर के विसंगतियों (discrepancies) के लिए न्यूरल एस्टिमेटर्स के एकीकरण की अनुमति देता है। लेखक उच्च-आयामी सेटिंग्स में स्क्वेर्ड 2-वॉसरस्टीन दूरी ( $W_2^2$ ) के लिए न्यूरल ऑप्टिमल ट्रांसपोर्ट (OT-ICCN) एस्टिमेटर्स को एकीकृत करके इसे प्रदर्शित करते हैं।

3. प्रमुख योगदान (Key Contributions)

A. सैद्धांतिक स्थिरता गारंटी (Theoretical Stability Guarantees)

लेखक कठोर सीमाएं स्थापित करते हैं जो दर्शाती हैं कि मॉडल मिसस्पेसिफिकेशन के तहत IPM-आधारित उपयोगिताएँ KL-आधारित EIG की तुलना में अधिक स्थिर हैं:

लाइकलीहुड स्थिरता (सरोगेट मॉडल):
- बाउंडेड IPMs के लिए (जैसे, बाउंडेड कर्नेल के साथ MMD), उपयोगिता त्रुटि लाइकलीहुड की $L_1$ त्रुटि द्वारा समान रूप से सीमित होती है, चाहे पूंछ का व्यवहार (tail behavior) कुछ भी हो।
- अनबाउंडेड IPMs के लिए (जैसे, $W_1$ , ED), स्थिरता तब सुनिश्चित होती है जब प्रायोर में विशिष्ट मोमेंट स्थितियाँ (जैसे, $W_1$ के लिए सब-गॉसियन टेल्स) हों और फॉरवर्ड मॉडल लिप्सचिट्ज़ हो।
- विपरीत: KL डाइवर्जेंस में ऐसा कोई समान बाउंड नहीं है; कम-संभाव्यता वाले क्षेत्र में एक मामूली त्रुटि भी उपयोगिता को लॉगरिदमिक रूप से विचलित कर सकती है।
प्रायोर स्थिरता (अनुमान त्रुटियाँ):
- IPM सीधे संभाव्यता मापों (probability measures) पर कार्य करते हैं, जिससे वे निरंतर प्रायर्स के असतत अनुभवजन्य सन्निकटन (पार्टिकल फिल्टर्स) के साथ स्वाभाविक रूप से संगत होते हैं।
- उपयोगिता त्रुटि वास्तविक प्रायोर और अनुमानित प्रायोर के बीच IPM दूरी द्वारा रैखिक रूप से सीमित है।
- विपरीत: निरंतर प्रायोर और असतत अनुभवजन्य माप के बीच KL डाइवर्जेंस तकनीकी रूप से अपरिभाषित है क्योंकि इसमें पूर्ण निरंतरता (absolute continuity) का अभाव होता है।

B. कंप्यूटेशनल लाभ (Computational Advantages)

घनत्व-मुक्त अनुमान (Density-Free Estimation): IPM को सीधे नमूनों (samples) से युग्मवार दूरियों (pairwise distances) या कर्नेल मूल्यांकनों का उपयोग करके अनुमानित किया जा सकता है, जिससे स्पष्ट घनत्व अनुमान या लॉग-अनुपात गणना की आवश्यकता समाप्त हो जाती है।
ऑप्टिमाइजेशन लैंडस्केप: अनुभवजन्य परिणाम दिखाते हैं कि IPM-आधारित उपयोगिताएँ व्यापक निकट-इष्टतम डिज़ाइन क्षेत्रों (near-optimal design regions) का निर्माण करती हैं। यह KL-आधारित उपयोगिताओं के तीखे, अस्थिर शिखरों की तुलना में ऑप्टिमाइजेशन लैंडस्केप को स्मूथ और डिस्क्रीटाइजेशन त्रुटियों या स्थानीय अनुकूलन विफलताओं के प्रति कम संवेदनशील बनाता है।

C. न्यूरल एस्टिमेटर्स के माध्यम से स्केलेबिलिटी (Scalability via Neural Estimators)

शोध पत्र प्रदर्शित करता है कि उच्च आयामों ( $d=64$ ) में Neural Optimal Transport का उपयोग करके सैंपल-आधारित BOED पाइपलाइन को विस्तारित किया जा सकता है। यह "कर्स ऑफ डायमेंशनलिटी" (curse of dimensionality) को दूर करता है जो EIG के लिए नेस्टेड मोंटे कार्लो एस्टिमेटर्स और गैर-गॉसियन पोस्टीरियर्स के लिए वेरिएशनल विधियों को प्रभावित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

1. विश्लेषणात्मक सत्यापन (A/B टेस्टिंग)

एक सुलभ गॉसियन सेटिंग में, वॉसरस्टीन उपयोगिता ने शास्त्रीय KL-आधारित EIG के समान इष्टतम डिज़ाइन की पहचान की, जिससे पुष्टि हुई कि नया फ्रेमवर्क वैश्विक इष्टतमता (global optimality) को बनाए रखते हुए बेहतर स्थिरता गुण प्रदान करता है।

2. प्रेफरेंस लर्निंग (नॉनलीनियर, नो क्लोज्ड फॉर्म)

गति: IPM-आधारित मूल्यांकन KL-आधारित EIG की तुलना में ~40 गुना तेज़ था (0.3s बनाम 14s प्रति डिज़ाइन) क्योंकि इसने घनत्व अनुमान से परहेज किया।
मजबूती (Robustness): मोटे ग्रिड चयन (जो अपूर्ण अनुकूलन का अनुकरण करता है) के तहत, IPM-आधारित डिज़ाइन (विशेष रूप से $W_1$ ) ने काफी कम रिग्रेट (regret) दिखाया। इष्टतम डिज़ाइनों के लिए "बेसिन ऑफ अट्रैक्शन" IPM के लिए बहुत व्यापक था, जिसका अर्थ है कि उप-इष्टतम ग्रिड बिंदु भी उच्च उपयोगिता प्रदान करते थे।

3. उच्च-आयामी बेंचमार्क (High-Dimensional Benchmarks)

लीनियर-गॉसियन ( $d=64$ ): $W_2^2$ के लिए Neural OT एस्टिमेटर ने लगभग पूर्ण सटीकता (सापेक्ष त्रुटि < 3%) प्राप्त की, जबकि EIG के लिए नेस्टेड मोंटे कार्लो विफल रहा (सापेक्ष त्रुटि > 800%)।
साइन-एम्बिग्युअस बाइमोडल ( $d=32$ ): एक ऐसी सेटिंग में जहाँ बाइमोडल पोस्टीरियर होता है (जहाँ गॉसियन वेरिएशनल एप्रोक्सिमेशन विफल हो जाते हैं), Neural OT एस्टिमेटर ने सूचना प्राप्ति के आधार पर डिज़ाइनों को सही ढंग से रैंक किया। इसके विपरीत, EIG के लिए वेरिएशनल लोअर बाउंड ने नकारात्मक मान उत्पन्न किए और डिज़ाइन रैंकिंग को पूरी तरह से उलट दिया, जिससे सबसे कम सूचनात्मक डिज़ाइन चुने गए।

5. महत्व और प्रभाव (Significance and Impact)

प्रतिमान परिवर्तन (Paradigm Shift): यह शोध पत्र BOED को सूचना-सैद्धांतिक (घनत्व-अनुपात) उद्देश्यों से हटाकर ज्यामितीय (परिवहन/मेट्रिक) उद्देश्यों की ओर ले जाता है।
मजबूती (Robustness): यह टेल सेंसिटिविटी (tail sensitivity) और सपोर्ट मिसमैच की महत्वपूर्ण समस्या को हल करता है, जिससे BOED जटिल, वास्तविक दुनिया की समस्याओं के लिए व्यवहार्य हो जाता है जहाँ मॉडल अनुमानित होते हैं और डेटा दुर्लभ होता है।
स्केलेबिलिटी (Scalability): अपने डिज़ाइन फ्रेमवर्क को विशिष्ट घनत्व एस्टिमेटर्स से अलग करके और प्लग-एंड-प्ले न्यूरल एस्टिमेटर्स को सक्षम करके, यह उच्च-आयामी, गैर-गॉसियन और मल्टीमॉडल सेटिंग्स में इष्टतम प्रयोगात्मक डिज़ाइन के द्वार खोलता है जहाँ पिछले तरीके विफल रहे थे।
व्यावहारिकता (Practicality): "व्यापक निकट-इष्टतम क्षेत्र" का गुण यह बताता है कि अभ्यासी डिज़ाइन की गुणवत्ता से समझौता किए बिना मोटे अनुकूलन ग्रिड या अनुमानित सॉल्वर का उपयोग कर सकते हैं, जिससे क्रमिक डिज़ाइन लूप में कंप्यूटेशनल लागत काफी कम हो जाती है।

संक्षेप में, यह कार्य शास्त्रीय EIG के लिए एक सैद्धांतिक रूप से ठोस और अनुभवजन्य रूप से सत्यापित विकल्प प्रदान करता है, जो एक स्थिर, स्केलेबल और ज्यामिति-जागरूक फ्रेमवर्क पेश करता है।