🤖 machine learning

Optimal Representations for Generalized Contrastive Learning with Imbalanced Datasets

यह शोध पत्र क्लास इम्बैलेंस (वर्ग असंतुलन) के तहत कॉन्ट्रास्टिव लर्निंग में इष्टतम निरूपणों (ऑप्टिमल रिप्रेजेंटेशन्स) की ज्यामिति को अभिलक्षित करता है, यह सिद्ध करते हुए कि जबकि संतुलित वर्ग 'न्यूरल कोलैप्स' प्रदर्शित करते हैं, असंतुलित वर्ग एक अनुपात-निर्भर कोणीय समरूपता (प्रपोर्शन-डिपेंडेंट एंगुलर सिमेट्री) का पालन करते हैं जो एक विशिष्ट सीमा से अधिक असंतुलन होने पर "माइनोरिटी कोलैप्स" की ओर ले जा सकता है।

मूल लेखक: Thuan Nguyen, Shuchin Aeron, D. Richard Brown III, Prakash Ishwar

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Thuan Nguyen, Shuchin Aeron, D. Richard Brown III, Prakash Ishwar

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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: एक रोबोट को बिखरे हुए कपड़ों को छाँटना सिखाना

कल्पना कीजिए कि आप एक रोबोट को कपड़ों के एक बड़े ढेर को छाँटना सिखा रहे हैं। रोबोट का काम यह सीखना है कि एक "शर्ट" को शर्ट और "पैंट" को पैंट क्या बनाता है।

कॉन्ट्रास्टिव लर्निंग (CL) में, रोबोट एक खेल खेलकर सीखता है:

द एंकर (The Anchor): रोबोट एक वस्तु चुनता है (जैसे, एक नीली शर्ट)।
द पॉजिटिव (The Positive): वह एक और वस्तु ढूँढता है जो समान है (एक और नीली शर्ट)। वह अपने दिमाग में इन दोनों को एक-दूसरे के करीब लाने की कोशिश करता है।
द नेगेटिव्स (The Negatives): वह उन वस्तुओं को देखता है जो अलग हैं (जींस, टोपी, या मोजा)। वह नीली शर्ट से इन वस्तुओं को दूर धकेलने की कोशिश करता है।

लक्ष्य यह है कि रोबोट एक मानसिक मानचित्र (mental map) बनाए जहाँ समान चीजें एक साथ क्लस्टर में हों और अलग चीजें दूर हों।

समस्या: "असंतुलित" अलमारी (The Imbalanced Closet)

अधिकांश शोध यह मान लेते हैं कि अलमारी पूरी तरह संतुलित है: 100 शर्ट, 100 पैंट, 100 टोपियाँ। लेकिन वास्तविक दुनिया में, अलमारियाँ बिखरी हुई होती हैं। आपके पास 1,000 शर्ट हो सकती हैं, लेकिन केवल 5 पैंट और 3 टोपियाँ हो सकती हैं। ये असंतुलित डेटासेट (imbalanced datasets) हैं।

इस पेपर के लेखकों ने पूछा: जब अलमारी बहुत अधिक झुकी हुई (skewed) होती है, तो रोबोट के मानसिक मानचित्र के साथ क्या होता है? क्या वह अभी भी चीजों को सही ढंग से छाँट पाता है?

मुख्य खोज: "न्यूरल कोलैप्स" और "माइनॉरिटी कोलैप्स"

यह पेपर इस बारे में दो मुख्य बातें सिद्ध करता है कि जब रोबोट अपना सर्वश्रेष्ठ काम करने की कोशिश करता है, तो वह अपने दिमाग को कैसे व्यवस्थित करता है।

1. "परफेक्ट क्लंप" (इंट्रा-क्लास वेरिएंस कोलैप्स)

जब रोबट पूरी तरह से सीख जाता है, तो वह हर एक शर्ट को अद्वितीय मानना बंद कर देता है। इसके बजाय, उसे एहसास होता है, "अरे, ये सभी नीली शर्ट मूल रूप से एक जैसी ही हैं।"

उपमा (Analogy): पक्षियों के एक झुंड की कल्पना करें। सीखने से पहले, वे एक बिखरे हुए बादल की तरह उड़ते हैं। सीखने के बाद, "नीली शर्ट" समूह का हर एक पक्षी आकाश में ठीक एक ही स्थान पर उड़कर आता है। वे सभी एक एकल बिंदु (single point) में सिमट जाते हैं।
परिणाम: पेपर यह सिद्ध करता है कि किसी भी क्लास के लिए (दुर्लभ क्लासों के लिए भी), रोबोट के लिए सबसे अच्छा तरीका यह है कि वह उस क्लास की प्रत्येक वस्तु को उस क्लास के "औसत" (average) के समान बना दे।

2. "ज्यामितीय नृत्य" (The Geometric Dance - क्लंप्स का आकार)

एक बार जब रोबोट सभी शर्ट को एक बिंदु में, सभी पैंट को दूसरे बिंदु में और सभी टोपियों को तीसरे बिंदु में सिकोड़ देता है, तो ये बिंदु कैसे व्यवस्थित होते हैं?

संतुलित अलमारी: यदि आपके पास समान संख्या में शर्ट, पैंट और टोपियाँ हैं, तो बिंदु एक पूर्ण, सममित आकार (जैसे एक समबाहु त्रिभुज या एक पूर्ण पिरामिड) में व्यवस्थित होते हैं। इसे इक्विआंगुलर टाइट फ्रेम (Equiangular Tight Frame - ETF) कहा जाता है।
असंतुलित अलमारी: यदि आपके पास शर्ट की संख्या पैंट से बहुत अधिक है, तो समरूपता टूट जाती है। "शर्ट" वाला बिंदु अपनी जगह बदल लेता है, और "पैंट" तथा "टोपी" के बिंदु शर्ट के भार को समायोजित करने के लिए खिसक जाते हैं।
खोज: यह पेपर एक गणितीय रेसिपी (एक कॉनवेक्स ऑप्टिमाइज़ेशन समस्या) प्रदान करता है जिससे यह गणना की जा सके कि ये बिंदु कहाँ स्थित होने चाहिए ताकि वे सबसे कुशल हों, भले ही संख्याएँ असमान हों।

3. "माइनॉरिटी कोलैप्स" (The Dangerous Threshold - खतरनाक सीमा)

यह सबसे नाटकीय खोज है। लेखकों ने देखा कि जब असंतुलन चरम पर होता है, तो क्या होता है।

परिदृश्य: कल्पना कीजिए कि आपके पास 95% शर्ट, 2.5% पैंट और 2.5% टोपियाँ हैं।
घटना: पेपर सिद्ध करता है कि यदि "अल्पसंख्यक" (minority) समूह (पैंट और टोपियाँ) बहुत छोटे हो जाते हैं, तो वे विशिष्ट पहचान खो देते हैं। रोबोट भ्रमित हो जाता है और निर्णय लेता है, "पैंट और टोपियाँ इतनी दुर्लभ हैं, मैं उन्हें बिल्कुल एक जैसा मान लूँगा।"
उपमा: विशाल महासागर में दो छोटे द्वीपों की कल्पना करें। यदि द्वीप बहुत छोटे हो जाते हैं, तो उनके बीच का पानी गायब हो जाता है, और वे एक ही छोटे से बिंदु में मिल जाते हैं। रोबोट "पैंट" बिंदु और "टोपी" बिंदु को एक ही वेक्टर में सिकोड़ देता है, जो अक्सर "शर्ट" बिंदु की ठीक विपरीत दिशा में होता है।
सीमा (Threshold): लेखकों ने एक विशिष्ट "टिपिंग पॉइंट" (threshold) की गणना की। यदि बहुसंख्यक क्लास (majority class) डेटा का लगभग 93% से अधिक हिस्सा लेती है (एक विशिष्ट प्रकार के लर्निंग एल्गोरिदम के लिए), तो अल्पसंख्यक क्लास अनिवार्य रूप से एक में समाहित (collapse) हो जाएँगी।

उन्होंने इसे कैसे सिद्ध किया

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने भारी गणित का उपयोग किया कि यह कैसे होता है जब रोबोट के पास अनंत मस्तिष्क शक्ति ("अनकन्स्ट्रेंड फीचर्स मॉडल") हो।

लोअर बाउंड (Lower Bound): उन्होंने एक "फ्लोर" बनाया कि रोबोट का प्रदर्शन कितना खराब हो सकता है। उन्होंने सिद्ध किया कि इस परफेक्ट फ्लोर तक पहुँचने के लिए, रोबोट को वस्तुओं को उनकी क्लास के औसत में सिकोड़ना ही होगा।
कॉनवेक्स ऑप्टिमाइज़ेशन (Convex Optimization): उन्होंने दिखाया कि इन सिकोड़े गए बिंदुओं की आदर्श व्यवस्था खोजना एक पहेली को सुलझाने जैसा है जहाँ केवल एक ही सही समाधान है, और आप इसे मानक गणितीय उपकरणों का उपयोग करके पा सकते हैं।
सिमुलेशन (Simulation): उन्होंने वास्तविक इमेज डेटा (CIFAR-10 डेटासेट से) का उपयोग करके कंप्यूटर प्रयोग चलाए। उन्होंने कृत्रिम रूप से असंतुलित डेटासेट बनाए और देखा कि रोबोट कैसे सीखता है।
- परिणाम: कंप्यूटर के परिणाम गणित से पूरी तरह मेल खाते थे। विज़ुअलाइज़ेशन में "अल्पसंख्यक" इमेज भौतिक रूप से एक एकल बिंदु में सिमट गईं, जैसा कि सिद्धांत ने भविष्यवाणी की थी।

मुख्य निष्कर्षों का सारांश

असंतुलन ज्यामिति को बदल देता है: जब डेटा असंतुलित होता है, तो सीखी गई विशेषताओं की आदर्श व्यवस्था अब एक सममित आकार नहीं होती; यह एक विकृत आकार होता है जो डेटा के अनुपात द्वारा निर्धारित होता है।
सब कुछ सिमट जाता है (Everything Collapses): पूरी तरह से सीखने के लिए, रोबोट को हर वस्तु को उस क्लास के औसत के समान बनाना होगा।
चरम असंतुलन खतरनाक है: यदि एक क्लास बहुत अधिक हावी हो जाती है (जैसे, >93%), तो दुर्लभ क्लास अपनी विशिष्टता खो देती हैं और एक ही बिंदु में मिल जाती हैं, जिससे रोबोट के लिए उनके बीच अंतर करना असंभव हो जाता है।
यह हल करने योग्य है: भले ही ज्यामिति जटिल है, पेपर एक तरीका प्रदान करता है जिससे कॉनवेक्स ऑप्टिमाइज़ेशन का उपयोग करके इष्टतम व्यवस्था की गणना की जा सकती है।

यह पेपर मूल रूप से इस बात का मानचित्र तैयार करता है कि जब दुनिया जिसे रोबोट सीख रहा है वह बिखरी हुई और असंतुलित होती है, तो मशीन लर्निंग मॉडल जानकारी को कैसे व्यवस्थित करते हैं।

तकनीकी सारांश: असंतुलित डेटासेट के साथ सामान्यीकृत कंट्रास्टिव लर्निंग (Generalized Contrastive Learning) के लिए इष्टतम निरूपण (Optimal Representations)

समस्या विवरण (Problem Statement)

कंट्रास्टिव लर्निंग (CL) का लक्ष्य ऐसे रिप्रेजेंटेशन मैप्स सीखना है जो "समान" (पॉजिटिव) नमूनों को करीब लाते हैं और "भिन्न" (नेगेटिव) नमूनों को दूर धकेलते हैं। जबकि संतुलित डेटासेट के लिए इष्टतम निरूपण की ज्यामिति (geometry) अच्छी तरह से समझी जा रही है—जो न्यूरल कोलैप्स (NC) प्रदर्शित करती है जहाँ क्लास मीन्स एक इक्वीएंगुलर टाइट फ्रेम (ETF) बनाते हैं—असंतुलित क्लास डिस्ट्रीब्यूशन के तहत CL के व्यवहार का वर्णन अभी भी काफी हद तक अनिश्चित है। मौजूदा सैद्धांतिक कार्यों ने मुख्य रूप से निम्नलिखित पर ध्यान केंद्रित किया है:

विशिष्ट, लगभग-अधिकतम नेगेटिव नमूनों ( $k \approx$ बैच साइज) के साथ InfoNCE लॉस के अनुभवजन्य (empirical) संस्करण।
संतुलित क्लास सेटिंग्स जहाँ सभी क्लासेस की प्रायिकता समान होती है।
स्पष्ट लेबल-डिपेंडेंट लॉस (जैसे MSE, Cross-Entropy) वाले क्लासिफायर नेटवर्क, न कि सामान्य CL रिस्क।

यह शोध पत्र सामान्यीकृत CL लॉस के तहत मनमाने क्लास असंतुलन (arbitrary class imbalances) के लिए इष्टतम रिप्रेजेंटेशन ज्यामिति को समझने के अंतराल को संबोधित करता है, विशेष रूप से यह जांच करता है कि क्या ETF संरचना बनी रहती है और माइनॉरिटी कोलैप्स (MC) जैसी नई घटनाओं की पहचान करता है।

कार्यप्रणाली (Methodology)

लेखक एक अनकन्स्ट्रेंड फीचर्स मॉडल (UFM) ढांचे को अपनाते हैं, जिसमें अंतिम-परत के फीचर वेक्टर्स को नेटवर्क वेट्स के बजाय स्वतंत्र ऑप्टिमाइज़ेशन वेरिएबल्स के रूप में माना जाता है। यह ग्लोबल ऑप्टिमम के विश्लेषण को सुलभ बनाता है।

मुख्य धारणाएं और सेटअप

सामान्यीकृत लॉस फंक्शन: अध्ययन एक विस्तृत परिवार के CL लॉस पर विचार करता है जिसे $\ell_k = \psi(\dots)$ के रूप में परिभाषित किया गया है, जहाँ $\psi: \mathbb{R}^k \to \mathbb{R}$ स्ट्रिक्टली कॉन्वेक्स (strictly convex) और आर्ग्युमेंट-वाइज स्ट्रिक्टली इंक्रीजिंग (argument-wise strictly increasing) है। इसमें लोकप्रिय लॉस जैसे InfoNCE शामिल हैं।
सैंपलिंग डिस्ट्रीब्यूशंस: विश्लेषण में अनसुपरवाइज्ड CL (UCL) शामिल है, जहाँ नेगेटिव्स पूरे डेटासेट से लिए जाते हैं (जिससे "क्लास कोलिजन" संभव होता है), और सुपरवाइज्ड CL (SCL) शामिल है, जहाँ नेगेटिव्स एंकर से भिन्न क्लासेस से लिए जाते हैं।
क्लास असंतुलन: पेपर उन डेटासेट्स को मॉडल करता है जहाँ क्लास प्रोबेबिलिटी $\lambda_i$ आवश्यक रूप से समान नहीं होती है, जिसमें अत्यधिक असंतुलन वाले परिदृश्य भी शामिल हैं (एक मेजॉरिटी क्लास और कई इक्विप्रोबेबल माइनॉरिटी क्लासेस)।
ऑप्टिमाइज़ेशन रणनीति:
1. लोअर बाउंड कंस्ट्रक्शन: CL रिस्क के लिए एक टाइट लोअर बाउंड $G(M)$ व्युत्पन्न किया गया है, जो केवल क्लास मीन वेक्टर्स $M = [\mu_1, \dots, \mu_C]$ के संदर्भ में व्यक्त है।
2. कॉन्वेक्स रिलैक्सेशन: रिस्क को मिनिमाइज करने की समस्या को ग्राम मैट्रिक्स $A = M^\top M$ पर एक फंक्शन $S(A)$ को मिनिमाइज करने में बदल दिया गया है। लेखक सिद्ध करते हैं कि $S(A)$ वैध कोरिलेशन मैट्रिसेस के सेट पर स्ट्रिक्टली कॉन्वेक्स है।
3. एनालिटिकल कैरेक्टराइजेशन: इष्टतम ग्राम मैट्रिक्स $A^*$ के गुणों का विश्लेषण इष्टतम क्लास मीन्स की ज्यामितीय संरचना निर्धारित करने के लिए किया जाता है।

मुख्य योगदान (Key Contributions)

1. सामान्यीकृत लोअर बाउंड और वेरिएंस कोलैप्स

पेपर एक नया लोअर बाउंड (लेम्मा 1) स्थापित करता है जो किसी भी स्ट्रिक्टली कॉन्वेक्स, आर्ग्युमेंट-वाइज इंक्रीजिंग लॉस फंक्शन और $k$ नेगेटिव नमूनों की किसी भी संख्या के लिए मान्य है।

इंट्रा-क्लास वेरिएंस कोलैप्स: लेखक सिद्ध करते हैं कि इस लोअर बाउंड को प्राप्त करने के लिए, रिप्रेजेंटेशन मैप को एक क्लास के भीतर सभी नमूनों को उनके क्लास मीन पर कोलैप्स करना चाहिए (अर्थात, $f(x) = \mu_{y(x)}$ )।
यूनिट नॉर्म: इष्टतम क्लास मीन्स का यूक्लिडियन नॉर्म यूनिट होना चाहिए।

2. इष्टतम क्लास मीन्स की ज्यामिति

रिप्रेजेंटेशन डायमेंशन $d \ge C-1$ के लिए:

रैंक डेफिशिएंसी: यह सिद्ध किया गया है कि अद्वितीय इष्टतम ग्राम मैट्रिक्स $A^*$ रैंक-डेफिशिएंट है जिसका रैंक $C-1$ तक सीमित है, भले ही कोई स्पष्ट रैंक प्रतिबंध न हो।
कॉन्वेक्स कंप्यूटेशन: इष्टतम क्लास मीन्स को ग्राम मैट्रिक्स पर एक कॉन्वेक्स ऑप्टिमाइज़ेशन समस्या को हल करके और उसके बाद स्पेक्ट्रल डीकंपोजिशन द्वारा कंप्यूट किया जा सकता है।
सिमेट्री स्ट्रक्चर: संतुलित मामले के विपरीत जहाँ मीन्स एक ETF बनाते हैं, असंतुलित क्लासेस के लिए इष्टतम ज्यामिति सापेक्ष क्लास अनुपातों द्वारा निर्धारित एक इक्वीएंगुलर सिमेट्री स्ट्रक्चर प्रदर्शित करती है। विशेष रूप से, यदि दो क्लासेस की प्रायिकता समान है, तो उनके मीन्स अन्य सभी क्लास मीन्स के साथ समान इनर प्रोडक्ट बनाए रखते हैं (थ्योरम 3)।

3. माइनॉरिटी कोलैप्स (MC) घटना

यह पेपर CL में माइनॉरिटी कोलैप्स का कठोर सैद्धांतिक प्रमाण प्रदान करता है।

परिभाषा: जब क्लास असंतुलन अत्यधिक होता है (विशेष रूप से, जब मेजॉरिटी क्लास प्रोबेबिलिटी $\lambda_1$ एक नॉन-एसिम्प्टोटिक थ्रेशोल्ड $\tau$ से अधिक हो जाती है), तो सभी माइनॉरिटी क्लासेस के नमूनों के इष्टतम रिप्रेजेंटेशन एक सिंगल वेक्टर में कोलैप्स हो जाते हैं।
थ्रेशोल्ड डेरिवेशन: $C$ क्लासेस की संख्या, $k$ नेगेटिव्स, और लॉस फंक्शन $\psi$ के लिप्सचिट्ज़ गुणों के संदर्भ में MC के लिए एक पर्याप्त स्थिति (sufficient condition) व्युत्पन्न की गई है।
InfoNCE स्पेसिफिक्स: InfoNCE लॉस के लिए, पेपर पैरामीटर-फ्री थ्रेशोल्ड निकालता है:
- UCL सेटिंग के लिए $\tau \approx 0.9292$ ।
- SCL सेटिंग के लिए $\tau \approx 0.9438$ ।
  ये थ्रेशोल्ड $C$ या $k$ की परवाह किए बिना MC की गारंटी देते हैं।

4. सेटिंग्स का एकीकरण

परिणामों को UCL और SCL दोनों सेटिंग्स के लिए मान्य दिखाया गया है, जिसमें प्रायिकता वितरणों में मामूली समायोजन किया गया है, जिससे विभिन्न सैंपलिंग मैकेनिज्म के माध्यम से कंट्रास्टिव लर्निंग की सैद्धांतिक समझ का एकीकरण होता है।

परिणाम और सत्यापन (Results and Validation)

सैद्धांतिक निरंतरता: व्युत्पन्न लोअर बाउंड और ज्यामितीय गुण UFM के तहत इष्टतमता के लिए गणितीय रूप से आवश्यक और पर्याप्त सिद्ध किए गए हैं।
संख्यात्मक प्रयोग:
- इंट्रा-क्लास कोलैप्स: असंतुलित CIFAR-10 सबसेट्स (3 क्लासेस) पर ResNet-50 का उपयोग करके किए गए प्रयोग पुष्टि करते हैं कि प्रशिक्षित नेटवर्क इंट्रा-क्लास वेरिएंस को क्लास मीन्स में कोलैप्स कर देता है। परिणामी ग्राम मैट्रिक्स कॉन्वेक्स ऑप्टिमाइज़ेशन (CVX) के माध्यम से कंप्यूट किए गए मैट्रिक्स से मेल खाते हैं।
- माइनॉरिटी कोलैप्स: अत्यधिक असंतुलन ( $\lambda_1 = 0.9$ ) के साथ प्रयोग दर्शाते हैं कि माइनॉरिटी क्लास मीन्स एक सिंगल वेक्टर में कोलैप्स हो जाते हैं जो मेजॉरिटी क्लास मीन के बिल्कुल विपरीत दिशा में होता है, जो सैद्धांतिक MC घटना को मान्य करता है।
- ज्यामिति: प्रयोग पुष्टि करते हैं कि असंतुलित क्लासेस एक इक्विलैटरल ट्राएंगल (ETF) नहीं बल्कि एक आइसोसेलेस (समद्विबाहु) ट्राएंगल बनाते हैं, जो प्राप्त सिमेट्री गुणों के अनुरूप है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि यह सामान्य क्लास असंतुलन के तहत इष्टतम CL रिप्रेजेंटेशन का पहला कंप्यूट करने योग्य लक्षण वर्णन प्रदान करता है। इसका महत्व निम्नलिखित में है:

न्यूरल कोलैप्स का सामान्यीकरण: संतुलित सेटिंग्स से NC घटना को असंतुलित सेटिंग्स तक विस्तारित करना, यह दिखाते हुए कि हालांकि इंट्रा-क्लास कोलैप्स बना रहता है, इंटर-क्लास ज्यामिति (ETF) नहीं रहती।
माइनॉरिटी कोलैप्स की व्याख्या: CL में देखे गए "माइनरी कोलैप्स" के लिए एक सैद्धांतिक आधार प्रदान करना, इसे अत्यधिक असंतुलन के तहत रिस्क मिनिमाइजेशन समस्या के एक इष्टतम (हालांकि संभावित रूप से अवांछित) समाधान के रूप में पहचानना।
कंप्यूटेशनल दक्षता: यह प्रदर्शित करना कि इष्टतम क्लास मीन्स को कॉन्वेक्स ऑप्टिमाइज़ेशन के माध्यम से पाया जा सकता है, जो यह सुझाव देता है कि उच्च-आयामी रिप्रेजेंटेशन स्पेस CL में इष्टतम फीचर्स सीखने के लिए अक्षम हो सकते हैं।
सिद्धांत की मजबूती: यह स्थापित करना कि ये घटनाएँ लॉस फंक्शन और सैंपलिंग डिस्ट्रीब्यूशन की ज्यामिति के अंतर्निहित गुण हैं, न कि विशिष्ट नेटवर्क आर्किटेक्चर या ट्रेनिंग डायनेमिक्स के आर्टिफैक्ट।

लेखक ओपन प्रॉब्लम्स की पहचान करते हुए समाप्त करते हैं, जिसमें $d < C-1$ (जो लार्ज लैंग्वेज मॉडल्स के लिए प्रासंगिक है) के लिए इष्टतम ज्यामिति का लक्षण वर्णन और हार्ड-नेगेटिव सैंपलिंग प्रभावों का विश्लेषण शामिल है।