🤖 machine learning

Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing

यह शोध पत्र टेगर (Teger) को प्रस्तुत करता है, जो एक बैकबोन-अज्ञेय (backbone-agnostic) संरचित अनिश्चितता मॉड्यूल है जो एक लो-रैंक-प्लस-डायगोनल कोवेरिएंस हेड के भीतर एक डिस्क्रीट फॉर्मन कर्वेचर-अवेयर ग्राफ रीवायरिंग तंत्र का उपयोग करके आवर्ती मॉडलों (recurrent models) में स्थानिक-कालिक अवशिष्ट त्रुटि प्रसार (spatio-temporal residual error propagation) और ओवर-स्क्वैशिंगिंग को कम करता है, जिससे दीर्घ-अवधि संभावabilistic पूर्वानुमान प्रदर्शन में महत्वपूर्ण सुधार होता है।

मूल लेखक: Seyed Mohamad Moghadas, Esther Rodrigo Bonet, Bruno Cornelis, Adrian Munteanu

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seyed Mohamad Moghadas, Esther Rodrigo Bonet, Bruno Cornelis, Adrian Munteanu

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

बड़ी तस्वीर: अनिश्चितता के साथ ट्रैफ़िक का पूर्वानुमान लगाना

कल्पना कीजिए कि आप अगले कुछ घंटों के लिए ट्रैफ़िक जाम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास सैकड़ों सड़कों (नोड्स) से डेटा भेजने वाले सेंसर हैं।

अधिकांश वर्तमान AI मॉडल "सोलो फोरकास्टर्स" (अकेले भविष्यवक्ता) की तरह हैं। वे एक सड़क के इतिहास को देखते हैं और उसके भविष्य का अनुमान लगाते हैं। यदि वे कोई गलती करते हैं, तो वे उस गलती को एक यादृच्छिक घटना (random fluke) मान लेते हैं। उन्हें यह समझ नहीं आता कि यदि मेन स्ट्रीट पर एक सेंसर गलत है, तो उससे जुड़ी एवेन्यू का सेंसर भी उसी कारण से गलत हो सकता है।

यह शोध पत्र तर्क देता है कि ट्रैफ़िक की त्रुटियाँ (errors) अलग-थलग नहीं होतीं। वे यात्रा करती हैं। यदि एक बिंदु पर भविष्यवाणी गलत होती है, तो वह "त्रुटि" नेटवर्क में एक लहर की तरह फैलती है। लेखकों ने इन लहरों को पकड़ने और पूर्वानुमान को ठीक करने के लिए एक नया टूल बनाया है, जिसका नाम है Teger।

समस्या: "ओवर-स्क्वैशिंग" (Over-Squashing) की बाधा

Teger को समझने के लिए, आपको पहले उस समस्या को समझना होगा जिसे लेखक "ओवर-स्क्वैशिंग" कहते हैं।

उपमा: एक भीड़भाड़ वाला गलियारा
कल्पना कीजिए कि एक लंबा गलियारा है जिसके बीच में एक संकरा बॉटलनेक (एक दरवाज़ा जो एक बार में केवल एक व्यक्ति को ही जाने देता है) है।

लक्ष्य: आप गलियारे के बिल्कुल अंत से बिल्कुल शुरुआत तक एक संदेश भेजना चाहते हैं।
समस्या: क्योंकि गलियारा बहुत संकरा है, संदेश "स्क्वैश" (दब) जाता है। जब तक वह सामने पहुँचता है, विवरण खो जाते हैं और संदेश विकृत हो जाता है।

AI के संदर्भ में, जब एक न्यूरल नेटवर्क यह सीखने की कोशिश करता है कि शहर के एक तरफ का ट्रैफ़िक दूसरी तरफ को कैसे प्रभावित करता है, तो जानकारी गणित के एक बहुत छोटे "बॉटलनेक" में दब जाती है। AI लंबी दूरी के कनेक्शनों को भूल जाता है, जिससे भविष्यवाणियाँ खराब हो जाती हैं।

समाधान: Teger (स्मार्ट रीवायरर)

लेखक इस समस्या को हल करने के लिए Teger (एक संभाव्यता ढांचा/probabilistic framework) का प्रस्ताव करते हैं। एक चौड़ा गलियारा बनाने के बजाय (जो गणनात्मक रूप से महंगा और जटिल है), Teger एक ट्रैफ़िक मैनेजर की तरह काम करता है जो यह पहचान लेता है कि कौन से दरवाज़े बहुत संकरे हैं और अस्थायी रूप से उन्हें चौड़ा कर देता है।

यह कैसे काम करता है, इसके चरण यहाँ दिए गए हैं:

1. "कर्वेचर" (सड़क के आकार) को सुनना

AI सड़क के मानचित्र को देखता है और "फॉर्मन कर्वेचर" (Forman Curvature) नामक चीज़ की गणना करता है।

उपमा: कर्वेचर को एक सड़क खंड के कितना "अलग-थलग" होने के माप के रूप में सोचें। यदि कोई सड़क एक लंबी, सीधी रेखा है जिसमें कोई साइड स्ट्रीट नहीं जुड़ी है, तो उसमें उच्च नकारात्मक कर्वेचर है। यह एक अकेला रास्ता है।
अंतर्दृष्टि: लेखकों ने पाया कि ये "अकेले" रास्ते ही वे स्थान हैं जहाँ "ओवर-स्क्वैशिंग" होता है। AI उनके माध्यम से सूचना भेजने में संघर्ष करता है।

2. नेटवर्क को रीवायर करना (जादुई समाधान)

मौजूदा सड़कों को बदलने के बजाय, Teger मौजूदा सड़कों को रीवेट (reweight) करता है।

उपमा: कल्पना कीजिए कि दोस्तों का एक समूह एक नोट पास कर रहा है। यदि दो दोस्त एक-दूसरे से दूर खड़े हैं और उनके पास नोट पास करने में मदद करने के लिए कोई साझा मित्र नहीं है, तो नोट खो जाता है। Teger नोट को टेलीपोर्ट नहीं करता है। इसके बजाय, यह दोस्तों को कहता है, "हे, आप दोनों इस समय एक-दूसरे के लिए बहुत महत्वपूर्ण हैं। आप दोनों के बीच जो नोट पास हो रहा है, उस पर विशेष ध्यान दें।"
तंत्र (Mechanism): Teger इन "बॉटलनेक" किनारों (सड़कों) की पहचान करता है और गणितीय रूप से उनके बीच के संबंध को मजबूत करता है। यह AI को बताता है, "इस रास्ते को अनदेखा न करें; पूरी तस्वीर को समझने के लिए यह महत्वपूर्ण है।"

3. "लो-रैंक" (Low-Rank) ट्रिक (कम में अधिक करना)

आमतौर पर, 1,000 सड़कों के मानचित्र को ठीक करने के लिए भारी कंप्यूटिंग शक्ति की आवश्यकता होती है। Teger "लो-रैंक-प्लस-डायगोनल" (Low-Rank-plus-Diagonal) नामक एक चतुर गणितीय ट्रिक का उपयोग करता है।

उपमा: शहर के हर एक वर्ग इंच के लिए मौसम की गणना करने के बजाय, आप कुछ प्रमुख "ज़ोन" के लिए मौसम की गणना करते हैं और फिर खाली जगहों को भर देते हैं। Tager गणित को सरल बनाता है ताकि यह सटीकता खोए बिना मानक कंप्यूटरों पर तेज़ी से चल सके।

यह क्यों मायने रखता है: बेहतर अनिश्चितता (Uncertainty)

यह शोध पत्र केवल यह नहीं कहता कि Teger ट्रैफ़िक का बेहतर पूर्वानुमान लगाता है; यह कहता है कि यह अनिश्चितता का बेहतर पूर्वानुमान लगाता है।

पुराना तरीका: "मुझे लगता है कि ट्रैफ़िक 50 mph होगा। शायद 48, शायद 52।" (यह मानता है कि त्रुटि यादृच्छिक है)।
Teger का तरीका: "मुझे लगता है कि ट्रैफ़िक 50 mph होगा। लेकिन चूंकि पुल पर लगा सेंसर ठीक से काम नहीं कर रहा है, और पुल सुरंग से जुड़ा है, इसलिए मैं जानता हूँ कि त्रुटि संभवतः सुरंग तक भी फैलेगी। इसलिए, मैं पूरे क्षेत्र के लिए अपने आत्मविश्वास (confidence) को समायोजित कर रहा हूँ।"

परिणाम: इस पेपर ने क्या पाया

लेखकों ने ब्रसेल्स और कैलिफोर्निया (PeMS डेटासेट) जैसे स्थानों के वास्तविक ट्रैफ़िक डेटा पर Teger का परीक्षण किया। उन्होंने इसकी तुलना इनसे की:

नैव मॉडल (Naive models): केवल इतिहास के आधार पर अनुमान लगाना।
TCVAR: एक मॉडल जो समय की त्रुटियों को ठीक करता है लेकिन स्थान (space) की अनदेखी करता है।
LASER: एक मॉडल जो ग्राफ में नए "नकली" किनारे जोड़ता है।

निष्कर्ष:

Tager जीत गया। इसने विभिन्न प्रकार के AI बैकबोन (LSTM, Transformers, xLSTM) पर लगातार अधिक सटीक पूर्वानुमान (CRPS नामक स्कोर द्वारा मापा गया) दिए।
भौतिक निरंतरता (Physical Consistency): LASER के विपरीत, जो कभी-कभी ऐसे "जादुई रास्ते" जोड़ देता है जो भौतिक रूप से मौजूद नहीं होते, Tager केवल मौजूदा सड़कों को मजबूत करता है। इसने इसे ब्रसेल्स जैसे घने शहरों में अधिक विश्वसनीय बनाया, जहाँ सड़क नेटवर्क बहुत सघन और भौतिक है।
दक्षता (Efficiency): इसने बिना सुपरकंप्यूटर की आवश्यकता के "बॉटलनेक" की समस्या को ठीक किया।

एक वाक्य में सारांश

Teger एक स्मार्ट ट्रैफ़िक पूर्वानुमान उपकरण है जो AI की "छोटी याददाश्त" को ठीक करता है, यह गणितीय रूप से अलग-थलग सड़कों के बीच के कनेक्शन को मजबूत करता है, जिससे यह समझने में मदद मिलती है कि ट्रैफ़िक की त्रुटियाँ शहर में कैसे फैलती हैं और अधिक विश्वसनीय भविष्यवाणियाँ की जा सकती हैं।

तकनीकी सारांश: टेगर (Teger) – ओवर-स्क्वैशिंग को कम करके स्थानिक-कालिक अवशिष्ट त्रुटि प्रसार (Spatio-Temporal Residual Error Propagation) में सुधार करना

समस्या विवरण
बहुभिन्नचर समय-श्रृंखला पूर्वानुमान (multivariate time-series forecasting) के लिए पुनरावर्ती मॉडल (recurrent models), विशेष रूप से इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम्स (ITS) में, अवशिष्ट त्रुटि प्रसार (residual error propagation) से ग्रस्त होते हैं। छोटी भविष्यवाणियां समय के साथ संचयी रूप से बढ़ती जाती हैं, जिससे दीर्घ-अवधि का प्रदर्शन खराब हो जाता है। जबकि हालिया डीप लर्निंग मॉडल समय-परिवर्तनीय समवर्ती सहसंबंधों (time-varying contemporaneous correlations) को प्रभावी ढंग से पैरामीटराइज करते हैं, वे अक्सर त्रुटियों की सामयिक स्वतंत्रता (temporal independence) मान लेते हैं और प्रेक्षित नेटवर्क में स्थानिक सहसंबंधों (spatial correlations) की उपेक्षा करते हैं। मौजूदा विधियां, जैसे कि TCVAR, सामयिक सहप्रसरण (temporal covariance) को मॉडल करती हैं लेकिन स्थानिक अंतःक्रियाओं को पकड़ने में विफल रहती हैं। इसके अलावा, ये मॉडल स्पष्ट रूप से अस्थिरता (volatility) को कैप्चर करने में संघर्ष करते हैं, जिससे अनिश्चितता का अनुमान गलत (miscalibrated) हो जाता है।

एक मुख्य पहचाना गया सैद्धांतिक सीमा ओवर-स्क्वैशिंग (OQ) घटना है जो ग्राफ न्यूरल नेटवर्क (GNNs) में होती है। OQ तब होता है जब लंबी दूरी की निर्भरताओं को अत्यधिक संकुचित (compressed) करके सीमित प्रस्तुतियों (bounded representations) में बदल दिया जाता है, जिससे सूचना प्रसार विकृत हो जाता है। ट्रैफ़िक पूर्वानुमान के संदर्भ में, यह बॉटलनेक किनारों (bottleneck edges) के रूप में प्रकट होता है (जिन्हें नकारात्मक विविक्त वक्रता/negative discrete curvature द्वारा पहचाना जाता है) जो दूरस्थ नोड्स के बीच सूचना प्रवाह को गंभीर रूप से कम कर देते हैं। फलस्वरूप, मौजूदा मॉडल क्रॉस-रीजन सहसंबंधों को कम आंकते हैं और निर्भरता को पतली श्रृंखलाओं (thin chains) तक केंद्रित कर देते हैं, जिससे पूर्वानुमानित अवशेषों (forecast residuals) की वास्तविक स्थानिक-कालिक सहप्रसरण संरचना को मॉडल करने में विफलता होती है।

कार्यप्रणाली: टेगर (Teger)
लेखक टेगर (Teger) का प्रस्ताव करते हैं, जो एक बैकबोन-अज्ञेय (backbone-agnostic) संभाव्य ढांचा (probabilistic framework) है जिसे गतिशील ग्राफ पर स्थानिक-कालिक अवशेषों को मॉडल करने के लिए डिज़ाइन किया गया है। टेगर एक लो-रैंक-प्लस-डायगोनल (LRD) नॉइज़ हेड में वक्रता-जागरूक स्थानिक सहप्रसरण तंत्र को एकीकृत करता है, जो वुडबरी पहचान (Woodbury identity) के माध्यम से सुलभ अनुमान (tractable inference) को बनाए रखता है।

संभाव्य सूत्रीकरण (Probabilistic Formulation):
मॉडल एक समय श्रृंखला चर $x_t$ को एक भविष्य कहनेवाला माध्य $\mu_t$ और एक स्टोकेस्टिक त्रुटि घटक $\eta_t \sim \mathcal{N}(0, \Sigma_t)$ में विभाजित करता है। बड़े $N$ (नोड्स की संख्या) को संभालने के लिए, सहप्रसरण मैट्रिक्स $\Sigma_t$ को लो-रैंक-प्लस-डायगोनल रूप में पैरामीटराइज किया जाता है: $\Sigma_t = L_t L_t^\top + \text{diag}(d_t)$ ।
सामयिक सहसंबंध (Temporal Correlation):
एक सीमित क्षितिज $D$ पर सामयिक निर्भरताएं एक बैच वेक्टर $\eta^{bat}_t$ में अवशेषों को स्टैक करके कैप्चर की जाती हैं। सामयिक सहसंबंध मैट्रिक्स $C_t$ को एक डायनेमिक कर्नेल मिश्रण (TCVAR के समान) के रूप में मॉडल किया जाता है, जहाँ भार (weights) को सॉफ़्टमैक्स नेटवर्क के माध्यम से सीखा जाता है।
स्थानिक सहसंबंध और वक्रता-जागरूक रीवायरिंग (Spatial Correlation and Curvature-Aware Rewiring):
मुख्य नवाचार एक वक्रता-जागरूक स्थानिक परिशुद्धता मैट्रिक्स रीवायरिंग तंत्र है।

बॉटलनेक की पहचान: विधि बॉटलनेक के रूप में कार्य करने वाले किनारों (किनारे जिनका वक्रता $\kappa(i, j) \leq -2 + \delta$ है) की पहचान करने के लिए बैलेंस्ड फॉर्मन कर्वेचर (Balanced Forman curvature) का उपयोग करती है।
रीवेटिंग रणनीति (Reweighting Strategy): संरचनात्मक रीवायरिंग विधियों (जैसे LASER) के विपरीत जो नए पथ बनाने के लिए किनारे जोड़ते या हटाते हैं, टेगर इनपुट टोपोलॉजी को स्थिर रखता है। यह अपने वक्रता के आधार पर मौजूदा किनारों को पुन: भारित (reweight) करता है। बॉटलनेक के रूप में पहचाने गए किनारों को एक सीखने योग्य फलन का उपयोग करके मजबूत किया जाता है: $W'_{ij,t} = W_{ij,t}(1 + \lambda b_{ij,t})$ , जहाँ $b_{ij,t}$ वक्रता से प्राप्त बॉटलनेक स्कोर है।
सहप्रसरण निर्माण (Covariance Construction): पुन: भारित ग्राफ लैपलेसियन $L'_t$ को एक निम्न-आयामी कारक स्थान ( $R \ll N$ ) में प्रोजेक्ट किया जाता है ताकि एक स्थानिक परिशुद्धता मैट्रिक्स $Q_t = \alpha I_R + \beta L^{(R)}_t + \sigma_{min} I_R$ बनाया जा सके। स्थानिक कारक सहप्रसरण फिर $G_t = Q_t^{-1}$ है। यह दृष्टिकोण एक क्लोज्ड-फॉर्म लो-रैंक प्रोजेक्शन की अनुमति देता है, जो वुडबरी-शैली के सहप्रसरण अपडेट में सहजता से एकीकृत होता है।

अनुमान-समय परिशोधन (Inference-Time Refinement):
अस्थिरता के कम अनुमान और शुरुआती चरणों की त्रुटियों के प्रसार को संबोधित करने के लिए, टेगर एक परिशोधन चरण का उपयोग करता है। यह मॉडल सहप्रसरण द्वारा प्रेरित एक गाऊसी सशर्त (Gaussian conditional) से अगले-चरण के अवशेष नमूने लेता है। महत्वपूर्ण रूप से, यह नोड-वार अस्थिरता स्केलिंग (node-wise volatility scaling) पेश करता है, जो सशर्त सहप्रसरण को एक आयामहीन सहसंबंध मैट्रिक्स और एक अनुभवजन्य नोड-वार अस्थिरता अनुमान (वर्ग अवशेषों के एक्सपोनेंशियल मूविंग एवरेज के माध्यम से) में अलग करता है। यह मार्जिनल वेरिएंस की दोहरी गणना को रोकता है और स्थानीय अस्थिरता के अनुकूल होता है।

प्रमुख योगदान

डायनेमिक LRD सहप्रसरण मॉडल: स्थानिक निर्भरता को ग्राफ-जागरूक गुप्त कारकों के माध्यम से और सामयिक निर्भरता को ऑटोरेग्रेसिव संरचना के माध्यम से कैप्चर करने वाला स्थानिक-कालिक अवशेषों के लिए एक संभाव्य ढांचा।
वक्रता-आधारित स्थानिक तंत्र: अवस्था-जागरूक गतिशीलता और अस्थिरता अनुकूलन का उपयोग करते हुए, ओवर-स्क्वैशिंग को कम करने को लक्षित करते हुए, डायनेमिक ग्राफ पर त्रुटि प्रसार को मॉडल करने के लिए एक नवीन दृष्टिकोण।
कुशल रीवेटिंग एल्गोरिदम: सहप्रसरण हेड में एम्बेडेड एक एज-रीवेटिंग चरण जो रीवायर किए गए लैपलेसियन को $O(R^3)$ जटिलता (बनाम $O(N^3)$ ) के साथ $R$ -आयामी कारक स्थान में मैप करता है, जो एक संभाव्य स्थानिक-कालिक पूर्वानुमानकर्ता में वक्रता-आधारित रीवायरिंग का पहला एकीकरण है।
एकीकृत ढांचा: ये घटक एक एकीकृत ऑटोरेग्रेसिव ढांचे में शामिल हैं जो अनिश्चितता मॉडलिंग की अभिव्यक्ति को बढ़ाते हुए कम्प्यूटेशनल सुलभता (tractability) बनाए रखता है।

प्रायोगिक परिणाम
लेखकों ने चार वास्तविक दुनिया के स्थानिक-कालिक डेटासेट (PeMS03, PeMS04, PeMS07, और Brussels) पर चार अलग-अलग बैकबोन: LSTM, Transformer, xLSTM, और MTGNN का उपयोग करके टेगर का मूल्यांकन किया।

प्रदर्शन: टेगर ने अधिकांश पूर्वानुमान क्षितिज (forecasting horizons) में नैव अप्रोच, TCVAR (केवल सामयिक सहसंबंध), और LASER (संरचनात्मक रीवायरिंग) सहित बेसलाइनों को लगातार पछाड़ दिया। उपयोग किया गया प्राथमिक मीट्रिक 'कंटीन्यूअस रैंक प्रोबेबिलिटी स्कोर' (CRPS) था।
मात्रात्मक लाभ: ब्रसेल्स (Brussels) डेटासेट पर, टेगर ने LASER की तुलना में CRPS में 25.3% का सुधार किया। सामान्य रूप से, स्थानिक त्रुटि प्रसार को मॉडल करने से TCVAR की तुलना में MAE त्रुटि परिमाण में लगभग 30% की कमी आई।
सैद्धांतिक सत्यापन: पेपर रीवायरिंग प्रक्रिया के बाद स्पेक्ट्रल कनेक्टिविटी (स्पेक्ट्रल गैप), कम प्रभावी प्रतिरोध (किरचॉफ इंडेक्स), और कम बॉटलनेक (कट कंडक्टेंस) में सुधार की रिपोर्ट करता है।
व्याख्यात्मकता (Interpretability): ब्रसेल्स डेटासेट पर गुणात्मक विश्लेषण ने दिखाया कि टेगर की रीवेटिंग भौतिक सड़क संरचना के साथ ग्राफ टोपोलॉजी के पत्राचार को बनाए रखती है, जबकि LASER के जोड़े गए किनारे कभी-कभी भौतिक रूप से अवास्तविक पथों को पेश करते हैं।

महत्व और दावे
पेपर दावा करता है कि टेगर संभाव्य पूर्वानुमान में एक महत्वपूर्ण अंतर को संबोधित करता है: अवशेषों में स्थानिक-कालिक सहप्रसरण पैटर्न को कैप्चर करने में असमर्थता, जो स्वाभाविक रूप से ओवर-स्क्वैशिंग घटना से जुड़े होते हैं।

दावे का दायरा: लेखक स्पष्ट हैं कि एज रीवेटिंग, संरचनात्मक रीवायरिंग (जैसे LASER या SDRF) की तुलना में एक "स्ट्रिक्टली वीक टूल" है क्योंकि यह वहां नए दीर्घ-रेंज पथ नहीं बना सकता जहां वे मौजूद नहीं हैं। हालांकि, उनका तर्क है कि यह सड़क-नेटवर्क पूर्वानुमान के लिए अच्छी तरह से मेल खाता है जहां भौतिक ग्राफ स्थिर है, लेकिन किनारों का महत्व समय के साथ बदलता रहता है।
सैद्धांतिक लिंक: कार्य वक्रता-जागरूक रीवायरिंग को (i) ओवर-स्क्वैशिंग निवारण, (ii) बेहतर स्पेक्ट्रल कनेक्टिविटी, (iii) कम प्रभावी प्रतिरोध, और (iv) बेहतर सहप्रसरण अंशांकन (covariance calibration) सीमाओं से जोड़ने वाले सैद्धांतिक साक्ष्य प्रदान करता है।
बैकबोन अज्ञेयता: टेगर को केवल किसी भी ऑटोरेग्रेसिव एनकोडर द्वारा उत्पन्न गुप्त अवस्था (latent state) की आवश्यकता होती है, जिससे यह व्यापक रेंज के मौजूदा मॉडलों (LSTM, Transformer, xLSTM) के लिए लागू करने योग्य बन जाता है।

लेखक निष्कर्ष निकालते हैं कि वक्रता-जागरूक स्थानिक मॉडलिंग के माध्यम से अवशेष प्रसार को कम करके, टेगर जटिल स्थानिक-कालिक प्रणालियों में अधिक विश्वसनीय अनिश्चितता मात्रा निर्धारण और बेहतर दीर्घ-अवधि पूर्वानुमान प्रदर्शन प्राप्त करता है।