📊 statistics

Unified Approach for Weakly Supervised Multicalibration

यह शोध पत्र एक एकीकृत ढांचे का प्रस्ताव करके उन कमजोर रूप से पर्यवेक्षित शिक्षण (weakly supervised learning) परिवेशों में मल्टीकैलिब्रेशन की चुनौती को संबोधित करता है जहाँ स्वच्छ लेबल उपलब्ध नहीं होते हैं, जो मल्टीकैलिब्रेशन त्रुटियों का अनुमान लगाने और उन्हें सुधारने के लिए कंटैमिनेशन-मैट्रिक्स रिराइट्स (contamination-matrix rewrites) को विटनेस-आधारित बाधाओं (witness-based constraints) के साथ जोड़ता है, और साथ ही 'वीक-लेबल मल्टीकैलिब्रेशन बूस्ट' (WLMC) नामक एक जेनेरिक पोस्ट-हॉक एल्गोरिदम प्रदान करता है जो परिमित-नमूना गारंटी (finite-sample guarantees) देता है।

मूल लेखक: Futoshi Futami, Takashi Ishida

प्रकाशित 2026-05-12

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Futoshi Futami, Takashi Ishida

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

यहाँ "Unified Approach for Weakly Supervised Multicalibration" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी तस्वीर: "विश्वसनीय मौसम पूर्वानुमानकर्ता" की समस्या

कल्पना कीजिए कि आप एक मौसम पूर्वानुमानकर्ता (weather forecaster) हैं। केवल औसत तापमान के बारे में सही होना ही काफी नहीं है। यदि आप सूखे की आशंका वाले क्षेत्र के एक किसान को बताते हैं कि बारिश की 90% संभावना है, तो उस किसान को यह जानने की ज़रूरत है कि जब भी आप "90%" कहते हैं, तो वास्तव में 90% बार बारिश होती है। यदि आप "90%" कहने पर केवल 50% बार सही होते हैं, तो किसान गलत निर्णय लेगा।

मशीन लर्निंग में, इसे कैलिब्रेशन (calibration) कहा जाता है। एक मॉडल "कैलिब्रेटेड" तब होता है जब उसके कॉन्फिडेंस स्कोर (जैसे "बीमारी की 80% संभावना") वास्तविक दुनिया की परिणाम आवृत्ति (frequency) से मेल खाते हैं।

मल्टीकैलिब्रेशन (Multicalibration) इसे एक कदम आगे ले जाता है। यह मांग करता है कि मॉडल न केवल पूरी आबादी के लिए सटीक हो, बल्कि प्रत्येक विशिष्ट उपसमूह (subgroup) के लिए भी (जैसे, "बीमारी की 80% संभावना" महिलाओं के लिए, पुरुषों के लिए, 60 वर्ष से अधिक उम्र के लोगों के लिए, 30 वर्ष से कम उम्र के लोगों के लिए, आदि, यह सब एक साथ होना चाहिए)।

समस्या: "लापता लेबल" की दुविधा

आमतौर पर, यह जाँचने के लिए कि क्या एक मॉडल कैलिब्रेटेड है, आपको एक "गोल्ड स्टैंडर्ड" डेटासेट की आवश्यकता होती है जहाँ आपको प्रत्येक डेटा पॉइंट के लिए सही उत्तर (लेबल) पता हो।

चुनौती: चिकित्सा या वित्त जैसे कई वास्तविक दुनिया के उच्च-जोखिम वाले मामलों में, ये "सही उत्तर" प्राप्त करना बेहद महंगा, धीमा या कभी-कभी असंभव होता है।
परिणाम: आपके पास बहुत सारा डेटा हो सकता है, लेकिन लेबल "कमजोर" (weak) होते हैं।
- पॉजिटिव-अनलेबल (Positive-Unlabeled - PU): आप जानते हैं कि कुछ लोग बीमार हैं, लेकिन बाकी "अज्ञात" हैं (वे बीमार भी हो सकते हैं, स्वस्थ भी हो सकते हैं)।
- अनलेबल-अनलेबल (Unlabeled-Unlabeled - UU): आपके पास दो समूह हैं, लेकिन आप नहीं जानते कि दोनों समूहों में से कौन बीमार है, केवल यह कि समूहों में बीमार और स्वस्थ लोगों का मिश्रण अलग-अलग है।
- पॉजिटिव-कॉन्फिडेंस (Positive-Confidence - Pconf): आप जानते हैं कि कुछ लोग बीमार हैं, और आपके पास इस बात का "कॉन्फिडेंस स्कोर" है कि उनके बीमार होने की कितनी संभावना है, लेकिन कोई सख्त "हाँ/नहीं" लेबल नहीं है।

दुविधा: आप इन कमजोर संकेतों का उपयोग करके एक मॉडल को प्रशिक्षित कर सकते हैं, लेकिन आप यह कैसे जाँच करेंगे कि क्या यह भरोसेमंद (कैलिब्रेटेड) है या यदि यह नहीं है तो इसे कैसे ठीक करेंगे, जब आपके पास तुलना करने के लिए "गोल्ड स्टैंडर्ड" उत्तर ही नहीं हैं?

समाधान: "जासूस का पुनर्निर्माण" (The Detective's Reconstruction)

लेखक इसे हल करने के लिए एक एकीकृत तरीका प्रस्तावित करते हैं। वे लापता लेबल्स के साथ ऐसे व्यवहार करते हैं जैसे कि यह एक अपराध स्थल हो जहाँ सबूत बिखरे हुए हैं। पूरी तस्वीर की आवश्यकता के बजाय, वे सच को कमजोर संकेतों से पुनर्निर्मित (reconstruct) करने के लिए गणित का उपयोग करते हैं।

1. "कंटैमिनेशन मैट्रिक्स" (मिश्रण का नुस्खा)

अपने डेटा स्रोतों को सूप के बर्तनों (buckets) के रूप में सोचें।

एक आदर्श दुनिया में, आपके पास "शुद्ध बीमार" सूप का एक बर्तन और "शुद्ध स्वस्थ" सूप का एक बर्तन होता है।
कमजोर दुनिया में, आपके पास "मिश्रित सूप" के बर्तन होते हैं।
- बकेट A में 80% "शुद्ध बीमार" सूप और 20% "शुद्ध स्वस्थ" सूप है।
- बकेट B में 20% "शुद्ध बीमार" सूप और 80% "शुद्ध स्वस्थ" सूप है।

पेपर एक गणितीय उपकरण का उपयोग करता है जिसे कंटैमिनेशन मैट्रिक्स (contamination matrix) कहा जाता है। यह एक रेसिपी की तरह है जो आपको बताती है कि सूप को कैसे मिलाया गया था। इस रेसिपी को जानकर, आप गणितीय रूप से सूप को "अन-मिक्स" (un-mix) कर सकते हैं। आप गणना कर सकते हैं कि "शुद्ध बीमार" और "शुद्ध स्वस्थ" बकेट कैसे दिखते, भले ही आपके पास केवल मिश्रित बकेट हों।

2. "गवाह" (उपसमूह निरीक्षक)

मल्टीकैलिब्रेशन की जाँच करने के लिए, मॉडल का निरीक्षण कई "गवाहों" द्वारा किया जाना चाहिए।

कल्पना कीजिए कि एक अदालत है। "गवाह" विभिन्न समूहों के लोग हैं (जैसे, "सभी महिलाएं," "60 वर्ष से अधिक आयु के सभी लोग")।
पेपर एक विधि बनाता है जिससे इन गवाहों से पूछा जा सके: "क्या मॉडल का अनुमान वास्तविकता से मेल खाता है?"
नवाचार: आमतौर पर, इस प्रश्न को पूछने के लिए आपको सही उत्तरों की आवश्यकता होती है। लेखक दिखाते हैं कि पिछले चरण के "अन-मिक्स" गणित का उपयोग करके इस प्रश्न को कैसे पूछा जाए। वे बिना वास्तविक लेबल देखे, प्रत्येक उपसमूह के लिए "त्रुटि" (error) का अनुमान लगा सकते हैं।

3. "बूस्टिंग" सुधार (ट्यूनिंग नॉब)

एक बार जब वे कमजोर डेटा का उपयोग करके त्रुटि को माप लेते हैं, तो उन्हें इसे ठीक करने की आवश्यकता होती है।

वे WLMC (Weak-Label Multicalibration Boost) नामक एक एल्गोरिदम प्रस्तावित करते हैं।
यह कैसे काम करता है: कल्पना कीजिए कि मॉडल एक थोड़ा बेसुरा पियानो है। एल्गोरिदम "गवाहों" (उपसमूहों) को सुनता है और उन विशिष्ट नोट्स (भविpredictions) को ढूंढता है जो बेसुरे हैं। फिर यह उन विशिष्ट नोट्स को ठीक करने के लिए ट्यूनिंग पेग्स (स्कोर को समायोजित करना) को धीरे से घुमाता है।
गारंटी: वे गणितीय रूप से सिद्ध करते हैं कि इस "कमजोर" सुनने की क्षमता के बावजूद, पियानो अंततः हर उपसमूह के लिए सही ढंग से ट्यून हो जाएगा, बशर्ते आपके पास पर्याप्त डेटा हो।

परिणाम: क्या यह काम करता है?

लेखकों ने वास्तविक दुनिया के डेटा (जैसे क्रेडिट कार्ड डिफॉल्ट, मेडिकल रिकॉर्ड और चेहरे के गुण) और खिलौना समस्याओं (toy problems) पर इसका परीक्षण किया।

"ओरेकल" मैच: जब उन्होंने अपने "कमजोर" अनुमानों की तुलना "गोल्ड स्टैंडर्ड" (चेक करने के लिए छिपे हुए वास्तविक लेबल का उपयोग करके) से की, तो उनके कमजोर अनुमान आश्चर्यजनक रूप से सटीक थे। वे वास्तविक लेबल होने पर भी लगभग उतनी ही सटीकता से वास्तविक त्रुटियों को ट्रैक कर सके।
मॉडल को ठीक करना: उन्होंने पाया कि कमजोर डेटा पर प्रशिक्षित मॉडल अक्सर कम कैलिब्रेटेड (कम भरोसेमंद) होते हैं। हालांकि, उनके कमजोर-लेबल सुधार पद्धति का उपयोग करके, वे इन मॉडलों को ठीक कर सकते हैं।
चौंकाने वाला तथ्य: वे मॉडल जो पहले से ही सटीक डेटा पर प्रशिक्षित थे, उन्हें भी कमजोर लेबल्स का उपयोग करके और बेहतर बनाया जा सकता था। यह बताता है कि यदि आपके पास बहुत सारा सस्ता, कमजोर डेटा है, तो आप महंगे, पूर्ण लेबल्स की आवश्यकता के बिना अपने मॉडल की विश्वसनीयता को फाइन-ट्यून करने के लिए इसका उपयोग कर सकते हैं।

सारांश उपमा (Summary Analogy)

कल्पना कीजिए कि आप एक कक्षा को ग्रेड दे रहे हैं।

मानक कैलिब्रेशन (Standard Calibration): आपके पास उत्तर कुंजी (answer key) है। आप जाँचते हैं कि छात्रों का आत्मविश्वास उनके वास्तविक अंकों से मेल खाता है या नहीं।
कमजोर पर्यवेक्षण (Weak Supervision): आपके पास उत्तर कुंजी नहीं है। आपके पास केवल उन छात्रों की सूची है जो निश्चित रूप से पास हुए हैं, और उन छात्रों की सूची है जो पास हो भी सकते हैं और फेल भी हो सकते हैं।
पेपर की विधि: आप "पास होने वालों की सूची" और "मिश्रित सूची" का उपयोग करके गणितीय रूप से पुनर्निर्मित करते हैं कि उत्तर कुंजी कैसी रही होगी। फिर आप उस पुनर्निर्मित कुंजी का उपयोग छात्रों को ग्रेड देने और उनके आत्मविश्वास स्कोर को समायोजित करने के लिए करते हैं ताकि जब वे कहें, "मुझे 90% यकीन है," तो वे वास्तव में 90% बार सही हों—यहाँ तक कि विशिष्ट समूहों के लिए भी जैसे "पीछे की पंक्ति में बैठने वाले छात्र।"

मुख्य बात: एक भरोसेमंद, निष्पक्ष और अच्छी तरह से कैलिब्रेटेड AI बनाने के लिए आपको पूर्ण लेबल्स की आवश्यकता नहीं है। आप अपने मॉडल की विश्वसनीयता को मापने और ठीक करने के लिए "अव्यवस्थित" या अधूरे डेटा का उपयोग कर सकते हैं।

समस्या विवरण
मल्टीकैलिब्रेशन (Multicalibration) एक कठोर अंशांकन (calibration) आवश्यकता है जो यह मांग करती है कि अनुमानित स्कोर, उपसमूहों (subgroups) और स्कोर-निर्भर परीक्षणों के एक समृद्ध परिवार में वास्तविक लेबल संभावनाओं के साथ संरेखित हों। मौजूदा मल्टीकैलिब्रेशन विधियाँ मजबूत सैद्धांतिक गारंटी और पोस्ट-हॉक सुधार एल्गोरिदम प्रदान करती हैं, लेकिन वे मूल्यांकन और पोस्ट-प्रोसेसिंग दोनों के लिए स्वच्छ, पूर्ण इनपुट-लेबल युग्मों (input-label pairs) तक पहुँच पर मौलिक रूप से निर्भर करती हैं। यह धारणा वीकली सुपरवाइज्ड लर्निंग (WSL) व्यवस्थाओं में विफल हो जाती है—जैसे कि पॉजिटिव-अनलेबल्ड (PU), अनलेबल्ड-अनलेबल्ड (UU), और पॉजिटिव-कॉन्फिडेंस (Pconf) लर्निंग—जहाँ स्वच्छ लेबल प्राप्त करना या तो बहुत महंगा है या पूरी तरह से अनुपलब्ध है। इन सेटिंग्स में, जबकि प्रेडिक्टर्स को अक्सर कमजोर संकेतों (weak signals) का उपयोग करके प्रशिक्षित किया जा सकता है, स्वच्छ लेबल आवृत्तियों (clean label frequencies) की कमी कैलिब्रेशन के प्रत्यक्ष मूल्यांकन या सुधार को रोकती है। यह एक महत्वपूर्ण अंतर पैदा करता है: वे डोमेन जहाँ विश्वसनीय अनिश्चितता अनुमान (uncertainty estimates) सबसे आवश्यक हैं (जैसे, चिकित्सा, निर्णय समर्थन), अक्सर वे होते हैं जहाँ केवल कमजोर पर्यवेक्षण (weak supervision) उपलब्ध होता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र "डिकॉन्टेमिनेशन" (decontamination) सिद्धांत को WSL जोखिम विश्लेषण से अनुकूलित करके, कमजोर पर्यवेक्षण के तहत मल्टीकैलिब्रेशन का अनुमान लगाने और सुधारने के लिए एक एकीकृत ढांचे का प्रस्ताव करता है।

कैलिब्रेशन के लिए एकीकृत जोखिम पुनलेखन (Unified Risk Rewrite for Calibration): लेखक मल्टीकैलिब्रेशन बाधाओं को कम किए जाने वाले प्रशिक्षण लॉस के रूप में नहीं, बल्कि हस्ताक्षरित अवशेष ऑडिटिंग फलन (signed residual auditing functionals) के रूप में देखते हैं। कैलिब्रेशन मोमेंट $E[c(X)w(f(X))(Y - f(X))]$ को एक लक्षित जोखिम के रूप में देखते हुए, वे अवलोकन योग्य कमजोर वितरणों के संदर्भ में एक्सपेंशन को फिर से लिखने के लिए मानक WSL डिकॉन्टेमिनेशन मैट्रिक्स (या ऑपरेटर) $M^\dagger_{corr}$ को लागू करते हैं।
- यह PU, UU, और Pconf सेटिंग्स के लिए सुधारा गया एस्टिमेटर (corrected estimator) प्रदान करता है। उदाहरण के लिए, PU लर्निंग में, मल्टीकैलिब्रेशन मोमेंट को पॉजिटिव सैंपल्स और अनलेबल्ड सैंपल्स का उपयोग करके पुनर्गठित किया जाता है, जो प्रभावी रूप से स्वच्छ नेगेटिव लेबल की आवश्यकता को हटा देता है।
- ढांचा यह स्थापित करता है कि सुधारा गया एम्पिरिकल मोमेंट (empirical moment) सीमित-नमूना गारंटी के साथ वास्तविक मल्टीकैलिब्रेशन त्रुटि की ओर समान रूप से अभिसरित (converge) होता है, बशर्ते कि विटनेस क्लासेस (witness classes - उपसमूह $C$ और स्कोर टेस्ट $W$ ) सुव्यवस्थित हों।
वीक-लेबल मल्टीकैलिब्रेशन बूस्ट (WLMC): इन सुधारा गया एस्टिमेटर्स पर निर्माण करते हुए, लेखक WLMC का प्रस्ताव करते हैं, जो एक जेनेरिक पोस्ट-हॉक रीकैलिब्रेशन एल्गोरिदम है। मौजूदा बूस्टिंग-आधारित मल्टीकैलिब्रेशन विधियों के समान, WLMC एक विटनेस $(c, w)$ की खोज करता है जो सुधारा गया कैलिब्रेशन अवशेष (corrected calibration residual) को अधिकतम करता है। इसके बाद यह प्रेडिक्टर को इस उल्लंघन की दिशा में अपडेट करता है।
- महत्वपूर्ण रूप से, एल्गोरिदम अपडेट को निर्देशित करने के लिए स्वच्छ लेबल के बजाय पहले चरण में प्राप्त वीक-लेबल सुधारा गया एस्टिमेटर का उपयोग करता है।
- सैद्धांतिक विश्लेषण सिद्ध करता है कि WLMC सीमित चरणों के भीतर समाप्त होता है और उच्च संभावना के साथ एक ऐसा प्रेडिक्टर लौटाता है जो $(C, W, \epsilon)$ -मल्टीकैलिब्रेटेड है, जो मौजूदा स्वच्छ-लेबल विधियों की नमूना जटिलता (sample complexity) से मेल खाता है (लॉगारिदमिक कारकों को छोड़कर)।
वैकल्पिक पोस्ट-प्रोसेसिंग: शोध पत्र प्लैट स्केलिंग (Platt scaling) और टेम्परेचर स्केलिंग (temperature scaling) के कमजोर-पर्यवेक्षण एनालॉग भी लागू करता है। ये विधियाँ उसी डिकॉन्टेमिनेशन सिद्धांतों से प्राप्त सुधारा गया वीक नेगेटिव लॉग-लाइक्लीहुड ऑब्जेक्टिव को न्यूनतम करके मॉडल के लॉजिट्स पर पैरामेट्रिक ट्रांसफॉर्मेशन फिट करती हैं।

प्रमुख योगदान

एकीकृत अनुमान ढांचा (Unified Estimation Framework): यह शोध पत्र कंटैमिनेशन मैट्रिसेस का उपयोग करके किसी भी कमजोर पर्यवेक्षण मॉडल के लिए मल्टीकैलिब्रेशन मोमेंट्स को पुनर्गठित करने की एक सामान्य विधि पेश करता है, जो PU, UU, और Pconf लर्निंग के लिए सुधारा गया एस्टिमेटर प्रदान करता है।
सीमित-नमूना गारंटी (Finite-Sample Guarantees): यह कमजोर-लेबल मल्टीकैलिब्रेशन अनुमानों के लिए पहला सीमित-नमूना यूनिफॉर्म कन्वर्जेंस बाउंड प्रदान करता है, जो दिखाता है कि अनुमान त्रुटि विटनेस क्लासेस के आकार के साथ लॉगरिदमिक रूप से स्केल होती है।
WLMC एल्गोरिदम: यह WLMC का प्रस्ताव और विश्लेषण करता है, जो पहला पोस्ट-हॉक मल्टीकैलिब्रेशन बूस्टर है जो पूरी तरह से बिना स्वच्छ लेबल के कार्य करता है, जो इसके अभिसरण और कैलिब्रेशन प्रदर्शन के लिए सैद्धांतिक गारंटी प्रदान करता है।
अनुभवजन्य सत्यापन (Empirical Validation): लेखक अनुमान और सुधार दोनों के लिए केवल कमजोर लेबल का उपयोग करके वास्तविक दुनिया के डेटा पर मल्टीकैलिब्रेशन का पहला संख्यात्मक अध्ययन संचालित करते हैं।

परिणाम
प्रयोग टैबुलर डेटासेट्स (ACS Income, Credit Default, HMDA, MEPS) और बड़े पैमाने के इमेज/टेक्स्ट मॉडल्स (CelebA-ViT, CivilComments-BERT) पर किए गए। निष्कर्षों में शामिल हैं:

अनुमान सटीकता (Estimation Accuracy): जब कमजोर-अवलोकन मॉडल सही ढंग से निर्दिष्ट होता है, तो कमजोर-लेबल मल्टीकैलिब्रेशन अनुमान ऑरेकल (स्वच्छ-लेबल) अनुमानों का बारीकी से अनुसरण करते हैं।
पोस्ट-प्रोसेसिंग प्रभावकारिता (Post-Processing Efficacy): कमजोर-लेबल पोस्ट-प्रोसेसिंग (WLMC, Platt, Temperature) प्रेडिक्टर्स के कैलिब्रेशन में सुधार कर सकती है जिन्हें स्वच्छ डेटा पर प्रशिक्षित किया गया है, जो यह सुझाव देता है कि कमजोर लेबल कम लागत वाला कैलिब्रेशन सिग्नल के रूप la कार्य कर सकते हैं।
कमजोर प्रशिक्षण प्रभाव (Weak Training Impact): कमजोर डेटा पर प्रशिक्षित प्रेडिक्टर्स शुरू में कम कैलिब्रेटेड होते हैं, लेकिन बड़े प्रारंभिक उल्लंघन उन्हें कमजोर-लेबल पोस्ट-प्रोसेसिंग के लिए विशेष रूप से अनुकूल बनाते हैं।
विधि तुलना (Method Comparison): WLMC को उपसमूह-संवेदनशील मल्टीकैलिब्रेशन त्रुटियों (MC और maxECE) को कम करने के लिए विशेष रूप से प्रभावी दिखाया गया है, जबकि प्लैट स्केलिंग अपेक्षित कैलिब्रेशन त्रुटि (ECE) के लिए एक मजबूत बेसलाइन बना हुआ है। कुछ बड़े मॉडल सेटिंग्स में, ग्लोबल स्केलिंग विधियाँ (Platt/Temp) WLMC के साथ प्रतिस्पर्धी प्रदर्शन करती हैं।

महत्व और दावे
शोध पत्र दावा करता है कि यह कमजोरly पर्यवेक्षित सेटिंग्स में मल्टीकैलिब्रेशन के लिए पहला एकीकृत सैद्धांतिक और व्यावहारिक दृष्टिकोण प्रदान करता है। यह प्रदर्शित करता है कि "डिकॉन्टेमिनेशन" मशीनरी, जो पारंपरिक रूप से क्लासिफायर के प्रशिक्षण के लिए उपयोग की जाती है, को कैलिब्रेशन अवशेषों के ऑडिट और सुधार के लिए पुन: उपयोग किया जा सकता है। लेखक इस कार्य को उच्च-दांव वाले अनुप्रयोगों (high-stakes applications) में विश्वसनीय अनिश्चितता मात्रा निर्धारण की दिशा में एक आवश्यक कदम के रूप में प्रस्तुत करते हैं जहाँ स्वच्छ लेबल दुर्लभ हैं। वे विनम्रतापूर्वक नोट करते हैं कि हालांकि उनका ढांचा बिना स्वच्छ लेबल के मल्टीकैलिब्रेशन सक्षम बनाता है, यह ज्ञात क्लास प्रायर (class priors) या मिश्रण अनुपातों (mixture proportions) पर निर्भर करता है और वर्तमान में बाइनरी क्लासिफिकेशन पर केंद्रित है। यह कार्य सुझाव देता है कि कमजोर लेबल स्वच्छ कैलिब्रेशन डेटा पर निर्भरता को कम कर सकते हैं, जो डेटा-बाधित वातावरणों में उपसमूह निष्पक्षता और विश्वसनीयता में सुधार के लिए एक व्यवहार्य मार्ग प्रदान करता है।