📊 statistics

Safe, Scalable, and Accurate Bayes Posterior Sampling for Large-Data Generalized Linear Mixed Models

यह शोध पत्र स्टोकेस्टिक मिरर लैंघ्विन डायनेमिक्स (stochastic mirror Langevin dynamics) का उपयोग करके बड़े डेटा वाले सामान्यीकृत रैखिक मिश्रित मॉडलों (generalized linear mixed models) के लिए एक स्केलेबल और सटीक बेयसियन अनुमान ढांचा प्रस्तावित करता है, जो मौजूदा विधियों की विचलन समस्याओं को दूर करता है और स्पष्ट त्रुटि सीमाओं द्वारा समर्थित एक नवीन पोस्ट-प्रोसेसिंग चरण के माध्यम से सबसैंपलिंग-प्रेरित विचरण पूर्वाग्रह (subsampling-induced variance bias) को समाप्त करता है।

मूल लेखक: Youngsoo Baek, Samuel I. Berchuck

प्रकाशित 2026-04-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Youngsoo Baek, Samuel I. Berchuck

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 जासूस हैं जो लाखों सुरागों (डेटा पॉइंट्स) वाले एक विशाल रहस्य और संदिग्धों के एक जटिल जाल (सांख्यिकीय पैरामीटर्स) को सुलझाने की कोशिश कर रहे हैं। आपका लक्ष्य न केवल यह पता लगाना है कि किसने अपराध किया है, बल्कि यह भी कि उनके दोषी होने की कितनी संभावना है, और आपके निष्कर्ष में कितनी अनिश्चितता शेष है। सांख्यिकीविद इसे "बायेसियन इन्फरेंस" (Bayesian inference) कहते हैं।

हालाँकि, जब केस फाइल बहुत बड़ी हो जाती है (जैसे मरीजों के हजारों समूहों का डेटा), तो इन रहस्यों को सुलझाने के पारंपरिक उपकरण बहुत धीमे हो जाते हैं या पूरी तरह से टूट जाते हैं। यह शोध पत्र इन विशाल मामलों को हल करने के लिए एक नया, सुरक्षित और तेज़ उपकरण पेश करता है, जो विशेष रूप से जनरलाइज्ड लीनियर मिक्स्ड मॉडल्स (GLMMs) नामक मॉडल के लिए है।

इस समस्या और समाधान की कहानी यहाँ सरल रूप में दी गई है:

समस्या: "विस्फोटित" होता मानचित्र (The "Exploding" Map)

अतीत में, सांख्यिकीविद इन बड़े पहेलियों को हल करने के लिए स्टोकेस्टिक ग्रेडिएंट लैंगविन डायनेमिक्स (SGLD) नामक विधि का उपयोग करते थे। इस विधि को एक ऐसे हाइकर (पगडंडी पर चलने वाले) के रूप में समझें जो ढलान की ओर छोटे, यादृच्छिक कदम लेकर एक धुंधली घाटी के सबसे निचले बिंदु (सबसे संभावित उत्तर) को खोजने की कोशिश कर रहा है।

शोध पत्र बताता है कि जब कुछ प्रकार की संख्याओं, जैसे कि विचरण (variance) (जो यह मापता है कि डेटा कितना फैला हुआ है) के साथ काम करते समय, इस हाइकर को पहले कैसे निर्देशित किया जाता था, उसमें एक घातक दोष था। विचरण हमेशा एक धनात्मक संख्या होनी चाहिए (फैलाव कभी ऋणात्मक नहीं हो सकता)। इन संख्याओं को काम करने योग्य बनाने के लिए, पिछले तरीकों ने एक ट्रिक (जैसे धनात्मक संख्या को लघुगणक/logarithm में बदलना) का उपयोग करके इन्हें "पुनः लेबल" करने की कोशिश की।

उपमा: कल्पना कीजिए कि हाइकर एक ऐसे मानचित्र पर चल रहा है जहाँ यदि वह एक दिशा में बहुत दूर कदम रखता है, तो ज़मीन अचानक एक खड़ी चट्टान बन जाती है। पुराने पुनः लेबलिंग ट्रिक ने उस चट्टान को एक हल्की ढलान जैसा बना दिया था। हाइकर, यह सोचकर कि यह सुरक्षित है, एक कदम आगे बढ़ता है, और अचानक गणित "फट" जाता है (blow up)। हाइकर मानचित्र से बाहर गिर जाता है, और कंप्यूटर क्रैश हो जाता है या गलत परिणाम देने लगता है। शोध पत्र दिखाता है कि बड़े डेटासेट के लिए, यह "विस्फोट" लगभग अनिवार्य है, जिससे पुराना तरीका असुरक्षित हो जाता है।

समाधान: "मिरर" हाइकर (The "Mirror" Hiker)

लेखक एक नई विधि प्रस्तावित करते हैं जिसे स्टोकेस्टिक मिरर लैंगविन डायनेमिक्स (SMLD) कहा जाता है।

उपमा: खतरनाक, चट्टानी इलाके में सीधे चलने के बजाय, कल्पना करें कि हाइकर एक दर्पण दुनिया (mirror world) में चल रहा है। इस दर्पण दुनिया में, खतरनाक चट्टानों को चिकनी, सुरक्षित घुमावदार दीवारों में बदल दिया गया है जो हाइकर के किनारे के करीब पहुँचने पर उसे धीरे से वापस धकेल देती हैं।

सुरक्षा: हाइकर कभी भी मानचित्र से बाहर नहीं गिर सकता। "दर्पण" यह सुनिश्चित करता है कि वे स्वाभाविक रूप से सुरक्षित क्षेत्र (धनात्मक संख्याओं) के भीतर रहें।
स्केलेबिलिटी (Scalability): क्योंकि हाइकर एक बार में डेटा के पूरे पहाड़ के बजाय केवल सुरागों की एक छोटी सी टोली ("मिनिबैच") को देखता है, इसलिए वे बहुत तेज़ी से आगे बढ़ सकते हैं। यह उन पहेलियों को हल करना संभव बनाता है जिनमें लाखों डेटा पॉइंट्स हैं, जिन्हें पुराने तरीकों से हल करने में वर्षों लग जाते।

गड़बड़ी: "शोर वाला" अनुमान (The "Noisy" Estimate)

भले ही हमारे पास सुरक्षित मिरर हाइकर हो, फिर भी एक दूसरी समस्या थी। क्योंकि हाइकर एक बार में सुरागों के केवल एक छोटे नमूने को देख रहा है, इसलिए "हम कितने अनिश्चित हैं" (विचरण) का उनका अनुमान थोड़ा गलत था। यह ऐसा था जैसे हाइकर एक पोखर को देखकर झील के आकार का अनुमान लगा रहा हो; वे लगातार झील के आकार को बहुत अधिक बढ़ाकर बता रहे थे।

सुधार: लेखकों ने केवल हाइकर पर ही काम नहीं रोका। उन्होंने एक पोस्ट-प्रोसेसिंग स्टेप (एक अंतिम सफाई दल) जोड़ा।

उपमा: हाइकर की यात्रा समाप्त होने के बाद, सफाई दल उस "शोर" (noise) को मापता है जो हाइकर ने रास्ते में पैदा किया था। वे एक विशिष्ट समीकरण (जिसे ल्यपुनोव समीकरण कहा जाता है) को हल करके उस शोर को हटा देते हैं।
परिणाम: यह एक थोड़े धुंधले, अत्यधिक अनुमानित मानचित्र को एक क्रिस्टल-क्लियर, सटीक मानचित्र में बदल देता है। शोध पत्र गणितीय रूप से सिद्ध करता है कि यह सुधार अनिश्चितता के अनुमानों को पूरी तरह से सटीक बनाता है जैसे-जैसे डेटासेट बड़ा होता जाता है।

वास्तविक दुनिया का प्रमाण

लेखकों ने अपने नए "मिरर हाइकर" का दो तरह से परीक्षण किया:

नकली डेटा (Fake Data): उन्होंने कंप्यूटर-जनरेटेड रहस्य बनाए जहाँ वे उत्तर जानते थे। पुराना तरीका विफल हो गया या गलत उत्तर दिए, लेकिन नए तरीके ने सही उत्तर को तेज़ी से और सटीकता से खोज लिया।
वास्तविक डेटा (Real Data): उन्होंने इसे स्तन कैंसर उत्तरजीवियों (breast cancer survivors) के एक वास्तविक अध्ययन पर लागू किया, जिसमें समय के साथ उनके दर्द के स्तर को ट्रैक किया गया।
- वे जानना चाहते थे: क्या कुछ कारक (जैसे आयु या बीमा) दर्द को प्रभावित करते हैं? एक मरीज से दूसरे मरीज में दर्द कितना भिन्न होता है?
- नए तरीके ने इन कारकों की एक स्पष्ट तस्वीर प्रदान की। महत्वपूर्ण रूप से, "सफाई दल" (विचरण सुधार) के बिना, परिणाम भ्रामक होते, जिससे अनिश्चितता वास्तव में जितनी थी उससे कहीं अधिक बड़ी दिखाई देती।

सारांश

यह शोध पत्र बड़े डेटा (big-data) सांख्यिकी की एक गंभीर समस्या को हल करता है:

पुराने उपकरण खतरनाक थे: जटिल, बड़े पैमाने के डेटा को संभालते समय वे क्रैश हो सकते थे या अजीब परिणाम दे सकते थे।
नए उपकरण सुरक्षित हैं: वे गणनाओं को स्थिर रखने के लिए एक "दर्पण" तकनीक का उपयोग करते हैं।
नए उपकरण सटीक हैं: वे एक विशेष "सफाई" चरण शामिल करते हैं जो डेटा के टुकड़ों (chunks) में देखने से होने वाली त्रुटियों को ठीक करता है, जिससे अंतिम परिणाम भरोसेमंद बनते हैं।

लेखक निष्कर्ष निकालते हैं कि यह विधि शोधकर्ताओं को विशाल, जटिल डेटासेट (जैसे हजारों मरीजों के मेडिकल रिकॉर्ड) का विश्लेषण करने की अनुमति देती है, जो पहले असंभव था।

यहाँ यंगसू बेक और सैमुअल आई. बरचक के शोध पत्र "Safe, Scalable, and Accurate Bayes Posterior Sampling for Large-Data Generalized Linear Mixed Models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र बड़े डेटासेट पर जनरलाइज्ड लीनियर मिक्स्ड मॉडल्स (GLMMs) के लिए बेयसियन इन्फरेंस (Bayesian inference) करने की कम्प्यूटेशनल चुनौती को संबोधित करता है।

संदर्भ: GLMMs, जनरलाइज्ड लीनियर मॉडल्स (GLMs) का विस्तार हैं जो विभिन्न रिग्रेशन गुणांकों (रैंडम इफेक्ट्स) वाले समूहीकृत डेटा (grouped data) को संभालने के लिए उपयोग किए जाते हैं। अनिश्चितता के परिमाणीकरण (uncertainty quantification) के लिए बेयसियन अनुमान को प्राथमिकता दी जाती है, लेकिन यह लेटेंट वेरिएबल्स (latent variables) पर संख्यात्मक एकीकरण (numerical integration) की आवश्यकता के कारण कम्प्यूटेशनल रूप से महंगा होता है क्योंकि इसमें इंट्रैक्टेबल मार्जिनल लाइकलीहुड (intractable marginal likelihoods) शामिल होते हैं।
मौजूदा विधियों की सीमाएँ:
- मानक MCMC: जैसे-जैसे समूहों की संख्या ( $n$ ) बढ़ती है, मानक MCMC खराब प्रदर्शन करता है क्योंकि इसके लिए पैरामीटर्स और लेटेंट वेरिएबल्स दोनों के नमूने (sampling) लेने की आवश्यकता होती है, जिससे इसकी जटिलता $O(n)$ या उससे भी अधिक हो जाती है।
- स्टोकेस्टिक ग्रेडिएंट MCMC (SGMCMC): डेटा सबसैंपलिंग के माध्यम से स्केलेबिलिटी प्रदान करने वाली स्टोकेस्टिक ग्रेडिएंट लैंग्वेज डायनेमिक्स (SGLD) जैसी विधियाँ GLMM के संदर्भ में विफल रहती हैं।
  - अस्थिरता (Instability): GLMMs में पैरामीटर्स विशिष्ट डोमेन (जैसे, वेरिएंस/कोवेरिएंस मैट्रिसेस को पॉजिटिव डेफिनिट होना चाहिए) के भीतर सीमित होते हैं। मानक SGLD अक्सर इन बाधाओं को संभालने के लिए स्मूथ री-पैरामीट्राइजेशन (जैसे, $\theta = \log \sigma$ ) पर निर्भर करता है। लेखक प्रदर्शित करते हैं कि यह दृष्टिकोण डाइवर्जेंट मार्कोव चेन्स (divergent Markov chains) की ओर ले जाता है क्योंकि लॉग-पोस्टीरियर का ग्रेडिएंट सुपर-लीनियर रूप से बढ़ता है, जिससे संख्यात्मक अस्थिरता और चेन का "ब्लो-अप" (blow-up) होता है।
  - बायस (Bias): भले ही यह स्थिर हो, मानक SGLD सबसैंपलिंग शोर के कारण पोस्टीरियर वेरिएंस के अनुमान में अपरिहार्य बायस (irreducible bias) से ग्रस्त रहता है, जो अक्सर रैंडम इफेक्ट्स के वास्तविक वेरिएंस को कम करके आंकता है।

2. कार्यप्रणाली (Methodology)

लेखक एक नया एल्गोरिदम प्रस्तावित करते हैं जिसे GLMMs में बाधाओं वाले सैंपलिंग के लिए स्टोकेस्टिक मिरर लैंग्वेज डायनेमिक्स (SMLD) कहा जाता है, जिसे एक कठोर पोस्ट-प्रोसेसिंग चरण के साथ जोड़ा गया है।

A. स्टोकेस्टिक मिरर लैंग्वेज डायनेमिक्स (SMLD)

बाधित वेरिएबल्स को अनकन्स्ट्रेंड स्पेस में री-पैरामीटर करने के बजाय (जो अस्थिरता का कारण बनता है), SMLD मिरर डिसेंट (Mirror Descent) सिद्धांतों का उपयोग करके सीधे कन्स्ट्रेंड स्पेस पर कार्य करता है।

मिरर मैप (Mirror Map): एक बैरियर फंक्शन $\phi(\theta)$ (जैसे, कोवेरिएंस मैट्रिसेस के लिए $-\log \det(\Omega)$ ) चुना जाता है जो व्यवहार्य सेट (feasible set) की सीमा पर अनंत की ओर जाता है।
डुअल स्पेस डायनेमिक्स (Dual Space Dynamics): एल्गोरिदम मिरर मैप के ग्रेडिएंट ( $\nabla \phi$ ) द्वारा परिभाषित डुअल स्पेस में एक स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) का अनुकरण करता है।
अपडेट नियम (Update Rule): डिस्क्रीट अपडेट में डेटा के मिनी-बैच पर गणना किया गया एक स्टोकेस्टिक ग्रेडिएंट एस्टीमेट शामिल है, जिसे मिरर फंक्शन के हेसियन (Hessian) के माध्यम से मैप किया जाता है। यह सुनिश्चित करता है कि इटरेट्स (iterates) बिना किसी मेट्रोपोलिस-हेस्टिंग्स सुधार की आवश्यकता के, व्यवहार्य सेट के भीतर रहें (एर्गोडिसिटी)।
ग्रेडिएंट एस्टीमेशन: चूंकि GLMMs का मार्जिनल लॉग-लाइकली इंट्रैक्टेबल है, इसलिए ग्रेडिएंट का अनुमान फिशर की आइडेंटिटी (Fisher's identity) से प्राप्त रैंडम इफेक्ट्स (लेटेंट वेरिएबल्स) के मोंटे कार्लो नमूनों का उपयोग करके लगाया जाता है।

B. सैद्धांतिक गारंटी (Theoretical Guarantees)

शोध पत्र एल्गोरिथमिक सन्निकटन (approximation) और वास्तविक पोस्टीरियर के बीच एक स्पष्ट वासेरस्टीन दूरी ( $W_2$ ) त्रुटि सीमा (error bound) प्रदान करता है।

त्रुटि सीमा स्टेप साइज $\epsilon$ , समूहों की संख्या $n$ , और आयाम $d$ पर निर्भर करती है।
विश्लेषण दिखाता है कि स्टेप साइज $\epsilon = O(n^{-(1+\delta)})$ के साथ, दूरी $O(n^{-\delta})$ के रूप में घटती है।

C. वेरिएंस सुधार के लिए पोस्ट-प्रोसेसिंग (Post-Processing for Variance Correction)

सबसैंपलिंग के कारण पोस्टीरियर वेरिएंस अनुमान में होने वाले बायस को ठीक करने के लिए एक महत्वपूर्ण योगदान एक गैर-हस्तक्षेपकारी (non-intrusive) पोस्ट-प्रोसेसिंग चरण है।

समस्या: स्टोकेस्टिक ग्रेडिएंट्स द्वारा उत्पन्न शोर वास्तविक पोस्टीरियर की तुलना में मार्कोव चेन के नमूनों के वेरिएंस को बढ़ा देता है।
समाधान: लेखक एक लियापुनोव समीकरण (Lyapunov equation) व्युत्पन्न करते हैं जो SMLD चेन के इनवेरिएंट डिस्ट्रीब्यूशन को वास्तविक पोस्टीरियर कर्वेचर (MLE पर लॉग-लाइकली का हेसियन) से जोड़ता है।
- वे डेटा और मोंटे कार्लो नमूनों का उपयोग करके शोर पद (noise term) के "कुल कोवेरिएंस" का अनुमान लगाते हैं।
- वे वास्तविक पोस्टीरियर कर्वेचर ( $H^{-1}$ ) को पुनः प्राप्त करने के लिए लियापुनोव समीकरण को हल करते हैं।
- सुधार (Correction): कच्चे SMLD नमूनों को अनुमानित कर्वेचर का उपयोग करके री-स्केल किया जाता है ताकि एसिम्टोटिकली ऑर्डर-वाइज करेक्ट पोस्टीरियर वेरिएंस का अनुमान प्राप्त किया जा सके। यह कंट्रोल वेरिएट्स की आवश्यकता को समाप्त करता है।

3. मुख्य योगदान (Key Contributions)

एल्गोरिद्मिक सुरक्षा (Algorithmic Safety): यह प्रदर्शित किया गया कि बाधाओं वाले पैरामीटर्स (विशेष रूप से कोवेरिएंस मैट्रिसेस) के लिए स्मूथ री-पैरामीट्राइजेशन के साथ मानक SGLD असुरक्षित है क्योंकि यह ट्रांजिएंट मार्कोव चेन्स का कारण बनता है। बाधाओं वाले डोमेन के लिए एक स्थिर, एर्गोडिक विकल्प के रूप में SMLD प्रस्तावित किया गया।
नवीन एल्गोरिदम: बेयसियन इन्फरेंस के लिए मिरर लैंग्वेज डायनेमिक्स (SMLD) के पहले स्टोकेस्टिक सबसैंपलिंग एनालॉग को पेश किया गया, जो SGLD को कंस्ट्रेंड डोमेन तक विस्तारित करता है।
वेरिएंस सुधार: एक कठोर, गैर-हस्तक्षेपकारी पोस्ट-प्रोसेसिंग विधि विकसित की गई जो डेटा सबसैंपलिंग के कारण होने वाले अपरिहार्य बायस को ठीक करती है, जिससे सटीक अनिश्चितता का परिमाणीकरण संभव होता है।
सैद्धांतिक विश्लेषण: बड़े-डेटा GLMMs के संदर्भ में SMLD के लिए स्पष्ट वासेरस्टीन त्रुटि सीमाएं प्रदान की गईं, जो स्टेप साइज, सैंपल साइज और एप्रोक्सिमेशन एरर के बीच के ट्रेड-ऑफ को स्पष्ट करती हैं।

4. प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन सिम्युलेटेड प्रयोगों और एक वास्तविक दुनिया के केस स्टडी के माध्यम से किया गया।

टॉय मॉडल (Toy Model): एक सरल नॉर्मल वेरिएंस एस्टीमेशन कार्य में, मानक SGLD डाइवर्ज (blow-up) हो गया, जबकि SMLD स्थिर रहा। पोस्ट-प्रोसेस्ड SMLD नमूने वास्तविक पोस्टीरियर मीन और कोवेरिएंस से सटीक रूप से मेल खाए, जबकि अनकरेक्टेड नमूने बड़ा बायस दिखाते थे।
सिम्युलेटेड GLMMs:
- $n=10^4$ और $n=10^5$ समूहों के साथ बाइनरी रिस्पॉन्स GLMMs पर परीक्षण किया गया।
- अभिसरण (Convergence): SMLD मीन एस्टीमेट्स वास्तविक मानों की ओर तेजी से अभिसरित हुए।
- वेरिएंस: अनकरेक्टेड SMLD वेरिएंस को बढ़ाकर दिखाता है; प्रस्तावित सुधार वेरिएंस अनुमानों को फुल-बैच गिब्स सैंपलर (जहाँ अभिसरण संभव था) के साथ संरेखित करता है।
- दक्षता (Efficiency): SMLD ने फुल-बैच MCMC की तुलना में काफी कम कम्प्यूटेशनल समय के साथ सटीक अनुमान प्राप्त किए।
वास्तविक दुनिया का डेटा (ब्रेस्ट कैंसर सर्वाइवर्स):
- दर्द के प्रक्षेपवक्र (pain trajectories) के अनुदैर्ध्य अध्ययन ( $n=2,528$ रोगी, 33k अवलोकन) पर लागू किया गया।
- सुधारा गया (corrected) SMLD फिक्स्ड इफेक्ट्स के लिए विश्वसनीय अंतराल (credible intervals) प्रदान करता है जो अनकरेक्टेड संस्करणों की तुलना में काफी संकीर्ण और अधिक सटीक हैं।
- सुधार ने यह प्रकट किया कि जबकि कोहॉर्ट-स्तरीय दर्द में उल्लेखनीय कमी आई, व्यक्तिगत रोगी परिवर्तनशीलता (रैंडम इफेक्ट्स) पर्याप्त थी। बेयसियन p-वैल्यू को कैलिब्रेट करने के लिए यह सुधार अत्यंत महत्वपूर्ण था।

5. महत्व (Significance)

यह कार्य पदानुक्रमित मॉडल्स (hierarchical models) के लिए स्केलेबल बेयसियन इन्फरेंस के एक महत्वपूर्ण अंतर को पाटता है।

विश्वसनीयता: यह बाधाओं वाले पैरामीटर्स (जो मिक्स मॉडल्स में सर्वव्यापी हैं - वेरिएंस कंपोनेंट्स) को लागू करने के लिए स्टोकेस्टिक ग्रेडिएंट विधियों के उपयोग की "सुरक्षा" समस्या को हल करता है।
सटीकता: वेरिएंस बायस को ठीक करके, यह सुनिश्चित करता है कि अनिश्चितता का परिमाणीकरण (credible intervals) भरोसेमंद है, जो बेयसियन विश्लेषण का प्राथमिक लक्ष्य है।
स्केलेबिलिटी: यह सैकड़ों हजारों समूहों वाले डेटासेट पर जटिल GLMMs को फिट करने में सक्षम बनाता है, जो पहले मानक MCMC के लिए दुर्गम और SGLD के लिए अस्थिर था।
व्यावहारिकता: पोस्ट-प्रोसेसिंग चरण मॉड्यूलर है और इसके लिए कोर सैंपलिंग लूप को बदलने की आवश्यकता नहीं है, जिससे इसे मौजूदा इन्फरेंस पाइपलाइनों में एकीकृत करना आसान हो जाता है।

संक्षेप में, यह शोध पत्र मिरर डायनेमिक्स और एसिम्टोटिक वेरिएंस सुधार का लाभ उठाकर, वर्तमान स्टोकेस्टिक ग्रेडिएंट विधियों की सीमाओं से आगे बढ़ते हुए, GLMMs के लिए एक सुरक्षित, स्केलेबल और सांख्यिकीय रूप से सटीक ढांचा प्रदान करता है।