📊 statistics

Direct Estimation of Schrödinger Bridge Time-Series Drifts: Finite-Sample, Asymptotic, and Adaptive Guarantees

यह शोध पत्र नॉनपैरामेट्रिक श्रोडिंगर ब्रिज टाइम-सीरीज ड्रिफ्ट्स के लिए एक डायरेक्ट नादरया-वाट्सन प्लग-इन एस्टिमेटर पेश करता है जो सांख्यिकीय त्रुटि को ऑप्टिमाइज़ेशन आर्टिफैक्ट्स से अलग करता है और परिमित-नमूना यूनिफॉर्म बाउंड्स, एसिम्प्टोटिक नॉर्मलिटी, साथ ही एक एडेप्टिव, मिनिमैक्स-रेट-ऑप्टिमल बैंडविड्थ सेलेक्टर प्रदान करता है।

मूल लेखक: Othmane Mazhar, Huyên Pham

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Othmane Mazhar, Huyên Pham

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 अराजक नृत्य (chaotic dance) की फिल्म देख रहे हैं। आप शुरुआत में (समय $s$ पर) और अंत में (समय $u$ पर) नर्तकों को देखते हैं, लेकिन आप यह नहीं जानते कि उनके बीच में वे वास्तव में कैसे चले। आप उस "ड्रिफ्ट" (drift) को उजागर करना चाहते हैं—वह अदृश्य बल या नियम जिसने उन्हें शुरू से अंत तक निर्देशित किया।

गणित और वित्त की दुनिया में, इसे श्रोडिंगर ब्रिज (Schrödinger Bridge) कहा जाता है। यह दो प्रायिकता वितरणों (शुरुआत और अंत) को जोड़ने का एक तरीका है, जो एक स्टोकेस्टिक प्रक्रिया (stochastic process) के लिए सबसे "कुशल" पथ खोजने का प्रयास करता है।

यह कार्य एक सीधा तरीका बताता है जिससे आप इस अदृश्य मार्गदर्शक नियम (ड्रिफ्ट) का अनुमान लगा सकते हैं, जो केवल कई स्टार्ट-एंड पेयर्स (start-end pairs) के उदाहरणों का परीक्षण करके किया जाता है, बिना पहले एक विशाल, जटिल पहेली को हल किए।

यहाँ उनके कार्य का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (द डेटूर/विपथ): ड्रिफ्ट खोजने के लिए, शोधकर्ताओं को पहले एक विशाल, जटिल अनुकूलन समस्या (optimization problem) को हल करना पड़ता था (जैसे कि हर संभव सड़क की जांच करके, लागत की गणना करके और फिर उसे समायोजित करके एक मानचित्र पर सही मार्ग खोजने का प्रयास करना)। इसका अर्थ था कि उनका अंतिम उत्तर "सांख्यिकीय त्रुटि" (डेटा के कारण गलत अनुमान) और "गणना संबंधी त्रुटि" (गणितीय पहेली को हल करने की त्रुटि) का मिश्रण था।
नया तरीका (द शॉर्टकट/लघु मार्ग): लेखक कहते हैं: "आइए पहेली को छोड़ दें।" उन्होंने एक सीधा फॉर्मूला खोजा जो दो चीजों के अनुपात जैसा दिखता है। उन्होंने एक "प्लग-इन" एस्टिमेटर (एक उपकरण जो आपके डेटा को सीधे फॉर्मूले में डाल देता है) का अनुमान लगाया ताकि ड्रिफ्ट का तुरंत अनुमान लगाया जा सके। यह सांख्यिकीय अनुमान त्रुटि को गणितीय समाधान त्रुटियों से अलग करता है।

2. उपकरण: एक "बुद्धिमान आवर्धक लेंस" (An "Intelligent Magnifying Glass")

ड्रिफ्ट का अनुमान लगाने के लिए, वे एक कर्नेल एस्टिमेटर (kernel estimator) का उपयोग करते हैं। इसे एक बुद्धिमान आवर्धक लेंस के रूप में कल्पना करें।

यदि आप जानना चाहते हैं कि एक विशिष्ट बिंदु पर ड्रिफ्ट क्या है, तो आवर्धक लेंस पास के सभी डेटा बिंदुओं को देखता है।
यह उन बिंदुओं को अधिक महत्व देता है जो बहुत करीब हैं और उन बिंदुओं को कम महत्व देता है जो दूर हैं।
यह कार्य सिद्ध करता है कि यदि आप इस आवर्धक लेंस के आकार (बैंडविड्थ/bandwidth) को सही ढंग से समायोजित करते हैं, तो अधिक डेटा के साथ आपका अनुमान निरंतर सुधरता जाता है।

3. तीन बड़ी गारंटियाँ (The Three Big Guarantees)

लेखकों ने केवल उपकरण नहीं बनाया; उन्होंने तीन विशिष्ट स्थितियों के तहत इसके काम करने के नियम लिखे हैं:

गारंटी #1: सुरक्षा जाल (फाइनाइट-सैंपल बाउंड/Finite-Sample Bound)
भले ही आपके पास केवल कुछ ही डांस वीडियो (डेटा पॉइंट्स) हों, उपकरण पागल नहीं होगा। उन्होंने सिद्ध किया कि जब तक नर्तक एक निश्चित "स्थान" (बाउंडेड सपोर्ट) के भीतर रहते हैं और एक ही जगह बहुत अधिक भीड़ नहीं लगाते (डेंसिटी फ्लोर), तब तक आपके अनुमान की त्रुटि गणितीय रूप से सीमित (bounded) है। यह कहने जैसा है कि: "भले ही नमूना छोटा हो, आप X से अधिक विचलित नहीं होंगे।"
गारंटी #2: क्रिस्टल बॉल (पॉइंटवाइज सीएलटी/Pointwise CLT)
यदि आप एक विशिष्ट क्षण और एक विशिष्ट नर्तक पर ज़ूम करते हैं और आपके पास पर्याप्त डेटा है, तो आपके अनुमान की त्रुटियां एक पूर्ण बेल कर्व (सामान्य वितरण) का पालन करेंगी। यह बहुत बड़ी बात है क्योंकि इसका मतलब है कि आप कॉन्फिडेंस इंटरवल (विश्वास अंतराल) बना सकते हैं। आप कह सकते हैं: "मुझे 95% विश्वास है कि वास्तविक ड्रिफ्ट इन दो संख्याओं के बीच है।"
गारंटी #3: स्व-समायोजक नियामक (एडैप्टिव ऑप्टिमलिटी/Adaptive Optimality)
सामान्यतः, आपको यह अनुमान लगाना होता है कि आपके आवर्धक लेंस का आकार कितना होना चाहिए। यदि यह बहुत छोटा है, तो आप बहुत अधिक शोर (noise) देखेंगे; यदि यह बहुत बड़ा है, तो आप विवरण चूक जाएंगे। लेखकों ने एक इंटेलिजेंट सेलेक्टर बनाया जो डेटा के आधार पर स्वचालित रूप से आवर्धक लेंस के सर्वोत्तम आकार को चुनता है। उन्होंने सिद्ध किया कि यह स्व-समायोजक नियामक एक "ओरेकल" (एक जादुई संस्करण जो पहले से ही सही आकार जानता है) के समान ही अच्छा है, एक छोटे से लॉगरिदमिक कारक तक।

4. वह "जाल" जिससे वे बचे (The "Trap" They Avoided)

यह कार्य एक विशिष्ट खतरे को उजागर करता है: अंत पर विलक्षणता (The Singularity at the End)।
जैसे-जैसे नृत्य अंतिम क्षण ( $t \to u$ ) के करीब पहुंचता है, गणित अस्थिर हो जाता है (जैसे कि एक कार अनंत गति से त्वरित हो रही हो)। लेखक के फॉर्मूले में स्वाभाविक रूप से एक कारक होता है जो अंत में फट जाता है।

उनका समाधान: उन्होंने सिद्ध किया कि गणित पूरी तरह से काम करता है यदि आप बिल्कुल अंतिम क्षण से थोड़ा दूर रहते हैं (एक छोटा अंतराल $\eta$ छोड़ते हैं)।
प्रयोग: उन्होंने इसका परीक्षण किया और दिखाया कि जबकि त्रुटि जैसे-जैसे आप अंत के करीब पहुँचते हैं बढ़ती है, यह ठीक वैसे ही होती है जैसा उनका फॉर्मूला भविष्यवाणी करता है। यदि आप शेष समय के आधार पर त्रुटि को स्केल करते हैं, तो यह स्थिर रहती है।

5. "तनाव परीक्षण" (स्थान क्यों महत्वपूर्ण है?)

लेखकों ने यह देखने के लिए एक तनाव परीक्षण (stress test) किया कि क्या होता है यदि "स्थान" (बाउंडेड सपोर्ट) सख्ती से सीमित नहीं है।

उपमा: कल्पना कीजिए कि नर्तक एक छोटे, घेरे हुए पार्क में हैं। गणित बहुत अच्छा काम करता है। अब कल्पना कीजिए कि घेरा हटा दिया गया है, और वे एक अनंत मैदान में दौड़ सकते हैं।
परिणाम: "मिक्सचर-टू-मिक्सचर" टेस्ट (एक जटिल नृत्य) में, घेरा हटाने से गणित अस्थिर हो गया। "आवर्धक लेंस" बहुत अधिक शोर पकड़ने लगा, और अनुमान अनियंत्रित हो गए। इसने पुष्टि की कि उनका गणितीय प्रमाण इस बात पर निर्भर करता है कि नर्तक एक सीमित क्षेत्र के भीतर रहें।

सारांश

यह कार्य दो समय बिंदुओं को जोड़ने वाली एक स्टोकेस्टिक प्रक्रिया के छिपे हुए नियमों का अनुमान लगाने के लिए एक प्रत्यक्ष सांख्यिकीय उपकरण प्रदान करता है।

यह बिचौलिये (जटिल अनुकूलन) को हटा देता है।
यह एक ऐसा उपकरण प्रदान करता है जो सीमित डेटा के साथ भी अच्छा काम करता है।
यह आपको बताता है कि आप अपने उत्तर के प्रति कितने आश्वस्त हो सकते हैं।
इसमें एक स्व-समायोजक कार्य शामिल है जो स्वचालित रूप से सर्वोत्तम सेटिंग्स चुनता है।
यह सिद्ध करता है कि यह तब सबसे अच्छा काम करता है जब प्रक्रिया एक परिभाषित सीमा के भीतर रहती है।

उन्होंने इन सभी को सिंथेटिक प्रयोगों (कृत्रिम डेटा जहाँ वे उत्तर जानते थे) के साथ मान्य किया और दिखाया कि उनका उपकरण उच्च सटीकता और सही कॉन्फिडेंस लेवल के साथ सत्य को पुनः प्राप्त कर सकता है।

तकनीकी निष्कर्ष: श्रोडिंगर-ब्रिज टाइम सीरीज़ (Schrödinger-Bridge Time Series) में ड्रिफ्ट टर्म का प्रत्यक्ष अनुमान

समस्या विवरण
यह शोध पत्र श्रोडिंगर-ब्रिज टाइम सीरीज़ (SBTS) मॉडलों में ड्रिफ्ट टर्म के नॉनपैरामेट्रिक अनुमान (nonparametric estimation) को संबोधित करता है। SBTS मॉडल पथ स्थान (path space) पर रिलेटिव एंट्रॉपी को न्यूनतम करके प्रायिकता वितरणों के बीच इंटरपोलेशन करते हैं, जो स्टोकेस्टिक कंट्रोल, एंट्रॉपिक ऑप्टिमल ट्रांसपोर्ट और डिफ्यूजन-आधारित जनरेटिव मॉडलिंग को जोड़ते हैं। यद्यपि SBTS का उपयोग जनरेटिव मॉडलिंग और सैंपलिंग के लिए किया गया है, ड्रिफ्ट फंक्शन के प्रत्यक्ष, डेटा-संचालित अनुमान के लिए सांख्यिकीय सिद्धांत अभी भी सीमित है।

मौजूदा दृष्टिकोण आमतौर पर ड्रिफ्ट को एक प्राथमिक सांख्यिकीय वस्तु के रूप में नहीं देखते हैं। इसके बजाय, वे एंट्रॉपिक ऑप्टिमल ट्रांसपोर्ट (OT) पोटेंशियल का अनुमान लगाने, सिंकहॉर्न (Sinkhorn) इटरेशन निष्पादित करने, या पुनरावृत्ति ब्रिज सॉल्वर (iterative bridge solvers) को हल करने पर निर्भर करते हैं। फलस्वरूप, इन विधियों की सांख्यिकीय गारंटी अनुकूलन त्रुटियों (optimization errors), सन्निकटन त्रुटियों (approximation errors) और विवक्तीकरण त्रुटियों (discretization errors) के साथ उलझी हुई होती है। यह शोध पत्र एक प्रत्यक्ष दृष्टिकोण प्रस्तावित करता है: एक एकल समय अंतराल $[s, u]$ पर युग्मों $(X_s, X_u)$ के i.i.d. अवलोकनों से सीधे ड्रिफ्ट का अनुमान लगाना, जिससे सांख्यिकीय त्रुटि को कम्प्यूटेशनल आर्टिफैक्ट्स से अलग किया जा सके।

कार्यप्रणाली (Methodology)
लेखक [14] में प्राप्त एक कंडीशनल रेशियो के रूप में SBTS ड्रिफ्ट के क्लोज्ड-फॉर्म प्रतिनिधित्व का उपयोग करते हैं। एक निश्चित अंतराल $[s, u)$ और कंडीशनिंग वेरिएबल $\xi = X_s$ के लिए, वास्तविक ड्रिफ्ट $a^*(t, x; \xi)$ को इस प्रकार व्यक्त किया जाता है:
$a^*(t, x; \xi) = \frac{1}{\Delta(t)} \left( \frac{\mathbb{E}[X_u F(t, \xi, x, X_u) \mid X_s = \xi]}{\mathbb{E}[F(t, \xi, x, X_u) \mid X_s = \xi]} - x \right)$
जहाँ $\Delta(t) = u - t$ है और $F$ एक विशिष्ट एक्सपोनेंशियल वेटिंग फंक्शन है जिसमें कंट्रैक्टिंग और एक्सपैंडिंग दोनों कारक शामिल हैं।

प्रस्तावित एस्टिमेटर एक प्रत्यक्ष नादरयाना-वॉट्सन प्लग-इन एस्टिमेटर (Nadaraya–Watson plug-in estimator) है। यह कर्नेल-आधारित अनुमानों को अंश (numerator) और हर (denominator) पदों (कंडीशनल एक्सपेक्टेशंस) के निर्माण के लिए उपयोग करता है, जो कर्नेल फंक्शन्स के उत्पाद और प्रेक्षित डेटा का उपयोग करता है। विशेष रूप से, यह संयुक्त घनत्व (joint density) और भारित कंडीशनल मोमेंट्स का सीधा अनुमान लगाता है और तत्पश्चात अनुपात बनाता है। लेखक अंश और हर घटकों के लिए अलग-अलग बैंडविड्थ ( $h_1, h_2$ ) की अनुमति देते हैं, लेकिन एसिम्प्टोटिक और एडेप्टिव विश्लेषण के लिए एक डायगोनल विकल्प ( $h_1=h_2=h$ ) को विशिष्ट बनाते हैं।

मुख्य धारणाएँ (Key Assumptions)
सैद्धांतिक विश्लेषण तीन प्राथमिक धारणाओं पर निर्भर करता है:

कर्नेल रेगुलैरिटी (Kernel Regularity): कर्नेल बाउंडेड, कॉम्पैक्टली सपोर्टेड, लिप्सचिट्ज़ कंटीन्यूअस (Lipschitz continuous) और एक विशिष्ट ऑर्डर $\ell_\beta$ का है।
पेयर लॉ रेगुलैरिटी (Pair Law Regularity): $(X_s, X_u)$ का संयुक्त वितरण $\beta$ की होल्डर रेगुलैरिटी वाला घनत्व रखता है और इसमें एक स्ट्रिक्टली पॉजिटिव मार्जिनल डेंसिटी लोअर बाउंड ( $f_{\min} > 0$ ) है।
बाउंडेड सपोर्ट (Bounded Support): रैंडम वेरिएबल्स का सपोर्ट एक बाउंडेड सेट $B$ के भीतर है। SB वेट में "एक्सपैंडिंग" एक्सपोनेंशियल फैक्टर को नियंत्रित करने और यह सुनिश्चित करने के लिए कि भारित एम्पिरिकल प्रोसेस क्लास स्टैंडर्डाइज्ड शिफ्टेड कर्नेल्स के एंट्रॉपी ऑर्डर को बनाए रखती है, यह एक महत्वपूर्ण तकनीकी आवश्यकता है।

मुख्य योगदान और परिणाम

ड्रिफ्ट स्तर पर प्रत्यक्ष विश्लेषण: यह पेपर ड्रिफ्ट स्तर पर काम करके सांख्यिकीय त्रुटि को सिंकहॉर्न इटरेशन या SDE विवक्तीकरण की स्थिरता से अलग करता है। यह ड्रिफ्ट एस्टिमेटर का स्वयं का एक कठोर विश्लेषण प्रदान करता है।
यूनिफॉर्म फाइनाइट-सैंपल बाउंड्स: होल्डर रेगुलैरिटी और बाउंडेड सपोर्ट के तहत, लेखक स्पेस और टाइम (टर्मिनल सिंगुलैरिटी $t=u$ को छोड़कर) पर अनुमान त्रुटि के लिए एक यूनिफॉर्म नॉन-एसिम्प्टोटिक बाउंड सिद्ध करते हैं। कन्वर्जेंस रेट $O((\log M / M)^{\beta/(2\beta+d)})$ है, जो लॉगरिदमिक फैक्टर्स के साथ क्लासिकल कर्नेल रेट से मेल खाता है और इसमें एक टर्मिनल फैक्टर $1/\eta$ शामिल है।
पॉइंटवाइज एसिम्प्टोटिक नॉर्मलिटी: वास्तविक अंडरस्मूथिंग स्थितियों (जहाँ बैंडविड्थ इष्टतम दर से तेज़ घटती है) के तहत, एस्टिमेटर एक सेंट्रल लिमिट थ्योरम (CLT) का पालन करता है। पेपर एक स्पष्ट एसिम्प्टोटिक वेरिएंस फॉर्मूला प्रदान करता है, जो पॉइंटवाइज कॉन्फिडेंस इंटरवल के निर्माण को सक्षम बनाता है।
एडेप्टिव मिनिमैक्स ऑप्टिमलिटी:
- लेखक एक डेटा-संचालित बैंडविड्थ सेलेक्टर (गोल्डेंसलगर-लेप्स्की विधि पर आधारित) का निर्माण करते हैं जो एक ओरकल इनइक्वेलिटी (oracle inequality) को संतुष्ट करता है।
- वे ले कैम टू-पॉइंट कंस्ट्रक्शन का उपयोग करके एक पिवोट-लोकल मिनिमैक्स लोअर बाउंड सिद्ध करते हैं, जो दिखाता है कि कोई भी एस्टिमेटर इनर लॉज़ के आसपास दर $M^{-\beta/(2\beta+d)}$ से बेहतर नहीं हो सकता।
- एक विशिष्ट कम्पैटिबिलिटी कंडीशन को संतुष्ट करने वाले एक स्पष्ट यूनिफॉर्म पिवोट को प्रस्तुत करके, वे इसे ग्लोबल मिनिमैक्स लोअर बाउंड तक विस्तारित करते हैं।
- फलस्वरूप, यह दिखाया गया है कि एडेप्टिव सेलेक्टर लॉगरिदमिक फैक्टर्स तक मिनिमैक्स-रेट ऑप्टिमल है।

प्रायोगिक सत्यापन (Experimental Validation)
प्रायोगिक खंड का उद्देश्य केवल सैद्धांतिक भविष्यवाणियों को सत्यापित करना है, न कि SBTS को एक जनरेटिव मॉडल के रूप में बेंचमार्क करना। ज्ञात ग्राउंड-ट्रुथ ड्रिफ्ट्स (Gaussian-to-Gaussian और Mixture-to-Mixture bridges) वाले सिंथेटिक डेटा का उपयोग करके, लेखक प्रदर्शित करते हैं:

रेट रिकवरी: ओरकल बैंडविड्थ सीमित नमूनों के लिए अनुमानित स्केलिंग लॉ का अनुसरण करती है।
गौसियन एप्रोक्सिमेशन: अंडरस्मूथिंग के तहत पॉइंटवाइज अनुमानات लगभग-सामान्य व्यवहार और номинаल कवरेज प्रदर्शित करते हैं।
एडेप्टिव प्रदर्शन: डेटा-संचालित सेलेक्टर ओरकल-प्रतिस्पर्धी प्रदर्शन प्राप्त करता है, बशर्ते कि प्रभावी सैंपल साइज ( $Mh^d \geq 81$ ) का निचला स्तर बना रहे।
टर्मिनल सिंगुलैरिटी: त्रुटि $t \to u$ होने पर बढ़ती है, जो $1/\Delta(t)$ के सैद्धांतिक फैक्टर के अनुरूप है, जबकि स्केल्ड एरर स्थिर रहता है।
बाउंडेड सपोर्ट के लिए स्ट्रेस टेस्ट: प्रयोग पुष्टि करते हैं कि बाउंडेड सपोर्ट धारणा को हटाने से वेरिएंस काफी बढ़ जाता है और एस्टिमेटर अस्थिर हो जाता है, जो सैद्धांतिक प्रमाणों के लिए इस धारणा की आवश्यकता को प्रमाणित करता है।

महत्व और दावे
यह शोध पत्र SBTS ड्रिफ्ट के प्रत्यक्ष नॉनपैरामेट्रिक अनुमान के लिए पहला स्व-निहित सांख्यिकीय सिद्धांत प्रदान करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

त्रुटि अलगाव (Error Isolation): सीधे ड्रिफ्ट स्तर पर काम करके, यह सांख्यिकीय अनुमान त्रुटि को इटरेटिव सॉल्वर (सिंकहॉर्न) या पोटेंशियल-आधारित विधियों में अंतर्निहित कम्प्यूटेशनल त्रुटियों से अलग करता है।
तीव्र सैद्धांतिक गारंटी: यह स्थापित करता है कि प्रत्यक्ष कर्नेल दृष्टिकोण मिनिमैक्स-रेट ऑप्टिमल है और इस सेटिंग में नॉनपैरामेट्रिक रिग्रेशन की मौलिक सीमाओं को प्राप्त करता है।
व्यावहारिक व्यवहार्यता: एडेप्टिव सेलेक्टर व्यावहारिक रूप से प्रभावी सिद्ध होता है, जो ट्यूनिंग-मुक्त या कम्प्यूटेशनल रूप से महंगे तरीकों के लिए एक मजबूत विकल्प प्रदान करता है।

लेखक सीमाओं को नोट करते हैं, विशेष रूप से वर्तमान प्रमाण रणनीति के लिए बाउंडेड सपोर्ट पर निर्भरता और नॉनपैरामेट्रिक विधियों में निहित "कर्स ऑफ डायमेंशनलिटी" (curse of dimensionality)। वे अपने सेटिंग (i.i.d. ट्रेजेक्टरी सैंपल्स) को एकल डिपेंडेंट ट्रेजेक्टरी से अनुमान लगाने की अधिक जटिल समस्या से अलग करते हैं, जिसके लिए अलग एम्पिरिकल प्रोसेस टूल्स की आवश्यकता होती है।