तकनीकी सारांश: अराजक भविष्यवाणियों के लिए क्षितिज-प्रतिबंधित राशोमोन सेट (Horizon-Restricted Rashomon Sets)

समस्या विवरण

भविwise बहुलता (predictive multiplicity - समान सटीकता वाले कई मॉडलों का अस्तित्व लेकिन अलग-अलग भविष्यवाणियां) और अराजक गतिशीलता (chaotic dynamics - जहाँ प्रारंभिक अंतर छोटे होने पर भी परिणाम तेजी से भिन्न हो जाते हैं) दो मौलिक चुनौतियाँ हैं जो ऐतिहासिक रूप से अलग-अलग विकसित हुई हैं। जबकि राशोमोन प्रभाव (Rashomon effect) स्थिर भविष्यवाणी कार्यों के लिए अच्छी तरह से परिभाषित है, मौजूदा ढांचे समय संबंधी गतिशीलता को ध्यान में नहीं रखते हैं। इसके विपरीत, अराजक भविष्यवाणी पर साहित्य आमतौर पर एक एकल "सर्वश्रेष्ठ" मॉडल को अनुकूलित करने पर केंद्रित होता है, बिना समान रूप से सटीक विकल्पों की बहुलता को स्पष्ट किए।

यह विसंगति सुरक्षा-महत्वपूर्ण अनुप्रयोगों (जैसे, पवन शक्ति प्रेषण, यातायात प्रबंधन, मौसम पूर्वानुमान) में गंभीर जोखिम पैदा करती है। अराजक प्रणालियों में, जो मॉडल अल्पकालिक भविष्यवाणियों पर सहमत होते हैं, वे भविष्यवाणियों के क्षितिज (prediction horizon) को बढ़ाने पर तेजी से भिन्न हो सकते हैं। वर्तमान चयन विधियाँ, जो RMSE जैसे स्थिर सटीकता मेट्रिक्स पर आधारित हैं, यह बताने का कोई सिद्धांतगत तरीका प्रदान नहीं करती हैं कि निकट-इष्टतम मॉडलों के बीच कैसे चुनाव किया जाए, जब डाउनस्ट्रीम उपयोगिता (downstream utility) दीर्घकालिक व्यवहार पर निर्भर करती है। यह कार्य इस बात की जांच करके इस अंतर को पाटता है कि अराजकता समय के साथ भविष्यवाणात्मक समानता की संरचना को कैसे बदलती है और कैसे भविष्यवाणात्मक सटीकता के बजाय डाउनस्ट्रीम निर्णय उपयोगिता को अधिकतम करने के लिए मॉडलों का चयन किया जा सकता है।

कार्यप्रणाली

सैद्धांतिक ढांचा

लेखक क्षितिज-प्रतिबंधित राशोमोन सेट (horizon-restricted Rashomon sets) पेश करते हैं, जो शास्त्रीय राशोमोन सेट का एक सैद्धांतिक विस्तार है जो लीड टाइम $k$ के साथ बदलता है।

• परिभाषा: लीड टाइम $k$ और सहनशीलता $\epsilon_k$ के लिए, सेट $R^{(k)}_{\epsilon_k}$ उन सभी मॉडलों $h$ को समाहित करता है जिनका लॉस $L_k(h)$, इष्टतम लॉस $L^*_k$ के $\epsilon_k$ के भीतर है।
• घातांकीय संकुचन (Exponential Contraction): यह कार्य सिद्ध करता है (प्रमेय 1) कि अराजक प्रणालियों में, इस सेट का प्रभावी आकार लीड टाइम के साथ घातांकीय रूप से सिकुड़ जाता है। संकुचन दर अधिकतम लियापुनोव एक्सपोनेंट ($\lambda_{max}$) द्वारा निर्धारित होती है, जो प्रारंभिक स्थितियों के प्रति सिस्टम की संवेदनशीलता को मापता है।
• लियापुनोव-भारित मेट्रिक्स (Lyapunov-Weighted Metrics): विभिन्न क्षितिजों के महत्व को संबोधित करने के लिए, लेखक लियापुनोव-भारित राशोमोन अनुपात (परिभाषा 2) प्रस्तावित करते हैं। ये मेट्रिक्स मॉडल विचलन को घातांकीय क्षय कारक $e^{-\lambda_{max}k}$ के साथ भारित करते हैं और शास्त्रीय अनवेटेड मेट्रिक्स की तुलना में प्रभावी भविष्यवाणात्मक अस्पष्टता पर कड़े बंधन प्रदान करते हैं (प्रमेय 2)।

एल्गोरिदम दृष्टिकोण

यह कार्य निर्णय-संरेखित चयन एल्गोरिदम (एल्गोरिदम 1) विकसित करता है जो भविष्यवाणात्मक त्रुटियों के बजाय डाउनस्ट्रीम उपयोगिता कार्यों के आधार पर समय-परिवर्तित राशोमोन सेट से मॉडलों का चयन करता है।

• प्रक्रिया: एल्गोरिदम क्षितिज-प्रतिबंधित सेटों के प्रतिच्छेदन (intersection) से मॉडलों को नमूना लेता है, विभिन्न क्षितिजों पर प्रत्येक मॉडल के लिए इष्टतम डाउनस्ट्रीम क्रिया की गणना करता है, और लियापुनोव भारों का उपयोग करके उपयोगिता को एकत्रित करता है।
• अभिसरण (Convergence): एक सैद्धांतिक विश्लेषण (प्रमेय 3) इस चयन प्रक्रिया के लिए आवश्यक नमूना आकार पर सीमाएं स्थापित करता है और दिखाता है कि आवश्यक नमूना आकार प्रभावी निर्णय क्षितिज के साथ घातांकीय रूप से बढ़ता है, जो लियापुनोव एक्सपोनेंट द्वारा भारित होता है।

प्रयोगात्मक कार्यान्वयन

• मॉडल निर्माण: लेखक रिजवॉयर कंप्यूटर (Reservoir Computer) वेरिएंट के व्यवस्थित गणना के माध्यम से राशोमोन सेट का निर्माण करते हैं। वे हाइपरपैरामीटर जैसे कि रिजवॉयर आकार ($N_r$), स्पेक्ट्रल रेडियस ($\rho$), स्पर्सिटी ($p$), और लीकेज रेट ($\alpha$) को बदलते हैं, जिसके परिणामस्वरूप 1,080 संभावित कॉन्फ़िगरेशन प्राप्त होते हैं।
• लियापुनोव अनुमान: अधिकतम लियापुनोव एक्सपोनेंट का अनुमान टाइम-डिले एम्बेडेड फेज स्पेस पर रोसेनस्टीन एल्गोरिदम का उपयोग करके लगाया जाता है और सिंथेटिक ग्राउंड ट्रुथ के विरुद्ध सत्यापित किया जाता है।
• अनुकूली सहनशीलता (Adaptive Tolerance): सहनशीलता $\epsilon_k$ को प्रत्येक क्षितिज पर अनुभवजन्य प्रदर्शन सीमा के आधार पर अनुकूल रूप से परिभाषित किया जाता है, जिससे सेट का आकार प्रबंधनीय (10–100 मॉडल) रहता है और क्षितिज-विशिष्ट समानता को दर्शाता है।

मुख्य परिणाम

सिंथेटिक सिस्टम

Lorenz-96 और Kuramoto-Sivashinsky प्रणालियों पर प्रयोग सैद्धांतिक दावों की पुष्टि करते हैं:

• सेट संकुचन: अनुभवजन्य माप पुष्टि करते हैं कि राशोमोन सेट की कार्डिनैलिटी (cardinality) लीड टाइम के साथ घातांकीय रूप से घटती है, जिसमें गिरावट की दर $\lambda_{max}$ पर आधारित सैद्धांतिक भविष्यवाणियों से बारीकी से मेल खाती है ($R^2 > 0.95$)।
• अराजकता की शक्ति: बढ़ती अराजकता की शक्ति (फोर्सिंग पैरामीटर $F$ के माध्यम से) सेट संकुचन को तेज करती है। तीव्र अराजकता के तहत, सेट क्षितिज 30 तक केवल 10 से कम मॉडलों में सिमट जाता है, जबकि कमजोर अराजकता लगभग 50 मॉडलों को बनाए रखती है।

वास्तविक दुनिया के अनुप्रयोग

इस ढांचे का मूल्यांकन तीन वास्तविक दुनिया के डेटासेट पर किया गया: SDWPF विंड पावर, METR-LA ट्रैफिक, और ERA5 वेदर।

• निर्णय उपयोगिता: प्रस्तावित निर्णय-संरेखित चयन विधि ने बेसलाइन (एकल सर्वश्रेष्ठ, एन्सेम्बल औसत, रैंडम चयन) की तुलना में डाउनस्ट्रीम निर्णय गुणवत्ता में 18–34% का सुधार किया।
• क्षितिज निर्भरता: सुधार भविष्यवाणात्मक क्षितिज के साथ निरंतर (monotonic) थे। उदाहरण के लिए, विंड पावर में उपयोगिता लाभ 6 घंटे पर 18.4% से बढ़कर 24 घंटे पर 27.2% हो गया। ट्रैफिक में, लाभ 30 मिनट (21.3%) से बढ़कर 60 मिनट (31.7%) हो गया।
• वास्तुकला विविधता (Architectural Diversity): उम्मीदवार पूल में विविध मॉडल परिवारों (रिजवॉयर्स, CNNs, ट्रांसफॉर्मर्स) को शामिल करने से एकल परिवार के भीतर चयन की तुलना में अतिरिक्त उपयोगिता लाभ (38% तक) प्राप्त हुआ, जो सुझाव देता है कि वास्तुकला विविधता हाइपरपैरामीटर विविधता का पूरक है।

महत्व और दावे

यह कार्य अराजक सिद्धांत (chaos theory) और भविष्यवाणात्मक बहुलता के बीच पहला कठोर संबंध स्थापित करने का दावा करता है। इसके मुख्य योगदान हैं:

1. सैद्धांतिक एकीकरण: यह प्रदर्शित करता है कि अराजकता भविष्यवाणात्मक समानता को मौलिक रूप से बदल देती है, जिससे "समान रूप से अच्छे" मॉडलों का स्थान घातांकीय रूप से सिकुड़ जाता है क्योंकि भविष्यवाणियां सिस्टम के प्रेडिक्शन होराइजनन के करीब पहुंचती हैं।
2. व्यावहारिक मार्गदर्शन: यह सुरक्षा-महत्वपूर्ण अराजक डोमेन में मॉडल चयन के लिए एक सिद्धांतगत ढांचा प्रदान करता है, जो सटीकता-केंद्रित मेट्रिक्स से हटकर उपयोगिता-केंद्रित चयन की ओर बढ़ता है।
3. प्रदर्शन: ढांचा वास्तविक दुनिया के अराजक भविष्यवाणी कार्यों में मानक चयन रणनीतियों की तुलना में लगातार बेहतर प्रदर्शन करता है, जो निर्णय की गुणवत्ता में महत्वपूर्ण सुधार प्रदान करते हुए प्रतिस्पर्धी भविष्यवाणी सटीकता बनाए रखता है।

लेखक सीमाओं को स्वीकार करते हुए कहते हैं कि यह ढांचा सटीक लियापुनोव एक्सपोनेंट अनुमान (जो उच्च-आयामी या आंशिक रूप से प्रेक्षित प्रणालियों में कठिन हो सकता है) पर निर्भर करता है और इसके लिए पर्याप्त संख्या में निकट-इष्टतम मॉडलों के पूल तक पहुंच की आवश्यकता होती है। वे सुझाव देते हैं कि भविष्य के कार्यों में ऑनलाइन अनुकूलन, बहु-उद्देश्य अनुकूलन, और जलवायु मॉडलिंग एवं न्यूरल ODEs में अनुप्रयोगों की जांच की जानी चाहिए।