तकनीकी सारांश: प्रिज़्म (Prism) – द्वैतता-बाधित लैप्लासियन प्रोजेक्शन के माध्यम से संरचनात्मक समरूपता स्कैनिंग

1. समस्या विवरण

नेटवर्क विश्लेषण एक मौलिक तनाव का सामना करता है जो वास्तविक दुनिया के ग्राफों की शोरपूर्ण (noisy) प्रकृति और उन विविक्त, स्पष्ट संरचनात्मक गुणों (जैसे, समुदाय सदस्यता, शासन संक्रमण) के बीच होता है जिन्हें विश्लेषक पहचानना चाहते हैं। पारंपरिक स्पेक्ट्रल विधियाँ, जो ग्राफ लैप्लासियन $L$ और उसके आइगेनवेक्टर्स (जैसे, फिएडलर वेक्टर) पर निर्भर करती हैं, शोर के प्रति अत्यधिक संवेदनशील होती हैं। किनारों (edges) के भार में छोटे परिवर्तन आइगेनवेक्टर के संकेतों को बदल सकते हैं, जिससे समुदाय असाइनमेंट की सटीकता में तेजी से गिरावट आती है। इसके अलावा, मौजूदा शोर-रोधी तकनीकें, जैसे कि रैंडम मैट्रिक्स थ्योरी (RMT) थ्रेशोल्डिंग, संरचनात्मक जानकारी को बिना किसी भेदभाव के हटा देती हैं, जबकि ग्राफ न्यूरल नेटवर्क (GNNs) को लेबल किए गए प्रशिक्षण डेटा की आवश्यकता होती है और वे अनदेखे संरचनात्मक शासन (regimes) तक सामान्यीकृत करने में विफल रहते हैं।

यह शोध एक समस्या को पुनर्गठित करने का प्रस्ताव करता है: यह पूछने के बजाय कि "इस ग्राफ में कौन से समुदाय हैं?", लेखक पूछते हैं कि "यह ग्राफ एक प्राकृतिक संरचनात्मक समरूपता को संतुष्ट करने से कितनी दूर है?" यह एक वर्गीकरण कार्य को एक निरंतर माप समस्या में बदल देता है, जिससे द्वैतता दोष (duality defect) नामक एक स्केलर डायग्नोस्टिक प्राप्त होता है।

2. कार्यप्रणाली (Methodology)

2.1 द्वैतता प्रतिबंध (The Duality Constraint)

इस ढांचे का मुख्य आधार द्वैतता प्रतिबंध है, जिसे एक ग्राफ लैप्लासियन $L \in \mathbb{R}^{n \times n}$ और एक सममित इनवोल्यूशन (duality operator) $P$ (जहाँ $P^2 = I$ और $P = P^\top$) के लिए परिभाषित किया गया है:
$$[L, P] = LP - PL = 0$$
जब यह कम्यूटेटर शून्य हो जाता है, तो $L$ और $P$ एक ही आइगेन-आधार (eigenbasis) साझा करते हैं, जिसका अर्थ है कि नेटवर्क दो दर्पण क्षेत्रों (mirror sectors) में स्पष्ट रूप से विभाजित होता है। इस प्रतिबंध के उल्लंघन को द्वैतता दोष $\delta(L, P)$ द्वारा मापा जाता है:
$$\delta(L, P) = \frac{\|LP - PL\|_F}{\|L\|_F}$$
जहाँ $\|\cdot\|_F$ फ्रोबेनियस नॉर्म (Frobenius norm) है। शून्य दोष $P$ के तहत संरचनात्मक आत्म-संगति को दर्शाता है; बढ़ता हुआ दोष समरूपता टूटने (symmetry breaking) का संकेत देता है।

2.2 प्रिज़्म ढांचा (The Prism Framework)

प्रिज़्म दो मोड में कार्य करता है:

A. पर्यवेक्षित मोड (Supervised Mode - Fixed $P$):
एक ज्ञात $P$ (जो एक विशिष्ट संरचनात्मक परिकल्पना को एनकोड करता है) के मामले में, प्रिज़्म निकटतम लैप्लासियन $L'$ की गणना करता है जो कम्यूटेटिविटी प्रतिबंध $[L', P] = 0$ को संतुष्ट करता है। इसे $P$ के कम्यूटेंट (commutant) पर एक बंद-रूप ऑर्थोगोनल प्रोजेक्शन (closed-form orthogonal projection) के माध्यम से प्राप्त किया जाता है:
यदि $P = U\Lambda U^\top$ है $P$ का आइजनडिकंपोजिशन, तो प्रोजेक्शन है:
$$L' = U \Pi(U^\top L U) U^\top$$
जहाँ $\Pi(M)_{ij} = M_{ij}$ यदि $\lambda_i = \lambda_j$, और अन्यथा $0$है। यह ऑपरेशन$P$-आइगेन-आधार में ऑफ-ब्लॉक प्रविष्टियों को शून्य कर देता है, जो एक सटीक, पैरामीटर-मुक्त समाधान प्रदान करता है।

B. अनसुपरवाइज्ड मोड (Unsupervised Mode - Learning $P$):
जब कोई बाहरी $P$ उपलब्ध नहीं होता है, तो प्रिज़म ग्राफ से स्वयं द्वैतता ऑपरेटर को अल्टरनेटिंग ऑप्टिमाइजेशन (alternating optimization) का उपयोग करके सीखता है:

1. आरंभीकरण (Initialization): $P^{(0)}$ को ग्राफ के फिएडलर वेक्टर ($v_2$) से प्राप्त किया जाता है। नोड्स को $v_2$ द्वारा क्रमबद्ध किया जाता है और जोड़े ($k$ के साथ $n+1-k$) बनाए जाते हैं ताकि एक परम्यूटेशन मैट्रिक्स $P$ बन सके जो ग्राफ की अंतर्निहित दर्पण संरचना को पकड़ सके।
2. अल्टरनेटिंग चरण (Alternating Steps):
   • $L'$ को अपडेट करें: वर्तमान $P$ के कम्यूटेंट पर वर्तमान लैप्लासियन को प्रोजेक्ट करें (क्लोज्ड-फॉर्म)।
   • $P$ को अपडेट करें: $\|[L', P]\|_F^2$ को न्यूनतम करें, जहाँ $P^2=I$ और $P=P^\top$ की शर्त है। इसे इनवोल्यूशन प्रतिबंध को लागू करने के लिए एक "स्नैप" स्टेप के साथ L-BFGS-B के माध्यम से हल किया जाता है।
3. समाप्ति (Termination): यह प्रक्रिया तब तक चलती है जब तक कि $\delta$ अभिसरित (converge) न हो जाए।

2.3 सैद्धांतिक प्रेरणा (Theoretical Motivation)

प्रतिबंध $[L, P] = 0$ क्वांटम मैकेनिक्स में पैरिटी समरूपता (parity symmetry) का विविक्त एनालॉग है, जहाँ एक हैमिल्टनियन जो पैरिटी ऑपरेटर के साथ कम्यूट करता है, स्वतंत्र सम और विषम क्षेत्रों में विभाजित होता है। लेखक नोट करते हैं कि कम्यूटेटर $[L, P]$ स्पेक्ट्रल थ्योरी में एक स्वाभाविक वस्तु है, जो क्वांटम ग्राफ से लेकर विश्लेषणात्मक संख्या सिद्धांत में वेइल एक्सप्लिसिट फॉर्मूला (Weil explicit formula) तक के संदर्भों में दिखाई देता है। प्रिज़्म में, दोष $\delta$ निकटतम पैरिटी-सममित लैप्लासियन से फ्रोबेनियस दूरी को मात्रात्मक रूप से दर्शाता है।

3. प्रमुख योगदान (Key Contributions)

• क्लोज्ड-फॉर्म प्रोजेक्शन: एक द्वैतता ऑपरेटर के कम्यूटेंट पर एक सटीक, पैरामीटर-मुक्त प्रोजेक्शन।
• अनसुपरवाइज्ड लर्निंग: एक अल्टरनेटिंग ऑप्टिमाइजेशन एल्गोरिदम जो बाहरी संदर्भ के बिना ग्राफ के फिएडलर वेक्टर से सीधे द्वैतता ऑपरेटर $P$ को सीखता है।
• स्ट्रक्चरल हेल्थ मेट्रिक: यह प्रदर्शन कि द्वैतता दोष (duality defect) मॉड्यूलरिटी या यादृच्छिक इंडेक्स-रिवर्ज़ल बेसलाइन जैसे मानक मेट्रिक्स की तुलना में संरचनात्मक गिरावट के प्रति स्पष्ट रूप से अधिक संवेदनशील है।
• शोर-रोधी क्षमता (Noise Robustness): एक बेंचमार्क जो दिखाता है कि एज शोर (edge noise) के तहत कम्युनिटी डिटेक्शन में प्रिज़्म, रैंडम मैट्रिक्स थ्योरी (RMT) डिनोइजिंग और रॉ स्पेक्ट्रल क्लस्टरिंग से काफी बेहतर प्रदर्शन करता है।
• वित्तीय अनुप्रयोग: S&P 500 डेटा पर एक लाइव और ऐतिहासिक अनुप्रयोग, जो सहसंबंध-आधारित तरीकों द्वारा अदृश्य संरचनात्मक तनाव (structural stress) का पता लगाने में दोष (defect) की क्षमता प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

4.1 सिंथेटिक नेटवर्क संवेदनशीलता

ज्ञात द्वैतता समरूपता वाले एक सिंथेटिक नेटवर्क ($n=40$) पर:

• True-P Defect: 0.000 से शुरू हुआ और एज रीवायरिंग के साथ मोनोटोनिक रूप से बढ़ा, जिससे प्रति यूनिट रीवायरिंग फ्रैक्शन +0.566 की संवेदनशीलता दिखाई।
• Index-Reversal Defect: उच्च (0.567) से शुरू हुआ और कम संवेदनशीलता (+0.168) के साथ बढ़ा, जो शोर के रूप में कार्य करता है।
• Modularity: +0.429 की संवेदनशीलता दिखाई।
• निष्कर्ष: एक सार्थक $P$ बनाता है संरचनात्मक गिरावट के लिए दोष को एक यादृच्छिक $P$ की तुलना में 3.38 गुना अधिक संवेदनशील बनाता है और मॉड्यूलरिटी से भी अधिक संवेदनशील बनाता है।

4.2 कम्युनिटी डिटेक्शन मजबूती (Zachary's Karate Club)

एज शोर स्तरों ($\epsilon$) के तहत:

• 5% शोर पर, प्रिज़्म ने 94.5% सटीकता प्राप्त की, जबकि रॉ लैप्लासियन बेसलाइन के लिए यह 76.6% और RMT के लिए 61.4% थी।
• प्रिज़्म ने सभी परीक्षण किए गए शोर स्तरों (0% से 20%) पर बेसलाइन से बेहतर प्रदर्शन किया, जो पुष्टि करता है कि द्वैतता प्रतिबंध एक संरचनात्मक 'प्रायर' (prior) के रूप में कार्य करता है जो बिना लेबल वाले डेटा के असाइनमेंट को स्थिर करता है।

4.3 वित्तीय जोखिम का पता लगाना (S&P 500)

• लाइव डेटा (मई 2026): प्रिज़्म ने बढ़ते संरचनात्मक तनाव (90 दिनों में दोष 0.43 से बढ़कर 0.73 होना) का पता लगाया, जबकि सतह के सहसंबंध (surface correlations) निम्न (0.151) रहे। यह सिग्नल सहसंबंध-आधारित तरीकों के लिए अदृश्य था।
• ऐतिहासिक बैकटेस्ट (2011–2020): पांच प्रमुख तनाव घटनाओं (जैसे 2011 क्रेडिट डाउनग्रेड, 2018 फेड पैनिक, 2020 कोविड की शुरुआत) के दौरान, द्वैतता दोष सहसंबंधों के दब जाने के बावजूद संकट से पहले ($T-60$ पर) लगातार ऊंचे स्तर पर पहुँच गया।
  • उदाहरण (2018): संकट के $T-60$ पर दोष 0.779 था जबकि सहसंबंध 0.166 था। संकट ने तनाव को हल कर दिया, जिससे सहसंबंधों के बढ़ने के साथ दोष 0.414 पर गिर गया।
  • उदाहरण (2017 बुल मार्केट): पूरे वर्ष निरंतर उच्च दोष ($\delta > 0.78$) और निम्न सहसंबंध ($\rho < 0.20$) देखा गया, जिसने एक ऐसी अवधि की पहचान की जहाँ अत्यधिक संरचनात्मक भंगुरता (fragility) थी जिसे पारंपरिक मेट्रिक्स कम-जोखिम के रूप में वर्गीकृत करते थे।

5. महत्व और दावे

शोध का दावा है कि द्वैतता दोष एक प्रथम-सिद्धांत संरचनात्मक स्वीकार्यता स्थिति (first-principles structural admissibility condition) है। सांख्यिकीय विशेषताओं के विपरीत जिन्हें प्रशिक्षण डेटा या ऐतिहासिक पूर्ववृत्त की आवश्यकता होती है, दोष:

• मॉडल-मुक्त (Model-free) है: इसे सीधे ग्राफ संरचना से गणना किया जाता है।
• व्याख्या योग्य (Interpretable) है: यह निकटतम संरचनात्मक रूप से आत्म-सुसंगत अवस्था से दूरी को दर्शाता है।
• गणना में कुशल (Computationally Efficient) है: मिलीसेकंड में गणना योग्य है।

लेखक प्रिज़्म को बाजार भविष्यवक्ता के रूप में नहीं, बल्कि एक संरचनात्मक प्रारंभिक चेतावनी प्रणाली (structural early-warning system) के रूप में प्रस्तुत करते हैं। यह उस संरचनात्मक तनाव के संचय (समरूपता टूटना) का पता लगाता है जो सहसंबंध स्पाइक्स (जो संकट की विशेषता है) से पहले आता है। ढांचा यह सुझाव देता है कि "संकट" (सहसंबंध स्पाइक) संरचनात्मक तनाव का समाधान है, न कि उसका प्रारंभ। द्वैतता से विचलन को मापकर, प्रिज़्म टेल-रिस्क (tail-risk) डिटेक्शन और विसंगति निदान के लिए एक डायग्नोस्टिक टूल प्रदान करता है जहाँ संरचनात्मक अखंडता सर्वोपरि है।

शोध इसकी सीमाओं को भी स्वीकार करता है, जिसमें अनडिरेक्टेड, पॉजिटिवली-वेटेड ग्राफों की धारणा और अनसुपरवाइज्ड लर्निंग के लिए फिएडल वेक्टर पर वर्तमान निर्भरता शामिल है, जो द्वि-आधारी (binary) कम्युनिटी संरचनाओं के लिए सबसे अच्छा काम करता है। भविष्य के कार्य के रूप में निर्देशित ग्राफ (directed graphs) और मल्टी-कम्युनिटी ($k > 2$) अनसुपरवाइज्ड लर्निंग के विस्तार का उल्लेख किया गया है।