🤖 machine learning

Archimedean Copula Inference via Taylor-Mode AD

यह शोध पत्र \textsc{acopula} को प्रस्तुत करता है, जो एक JAX-नेटिव फ्रेमवर्क है जो टेलर-मोड ऑटोमैटिक डिफरेंशिएशन का लाभ उठाकर हाथ से व्युत्पन्न सूत्रों के स्थान पर एक एकल अवकलनीय (differentiable) गणना के माध्यम से प्रति-चर सेंसरिंग (per-variable censoring) और न्यूरल जनरेटर्स वाले अनिश्चित आर्किमिडीयन कोपुला (nested Archimedean copulas) के लिए सटीक और कुशल अनुमान सक्षम बनाता है।

मूल लेखक: Cambridge Yang, Dongdong Li

प्रकाशित 2026-05-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cambridge Yang, Dongdong Li

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 यह समझने की कोशिश कर रहे हैं कि एक जटिल प्रणाली में अलग-अलग चीजें एक-दूसरे से कैसे जुड़ी हुई हैं। शायद आप किसी मरीज के स्वास्थ्य को देख रहे हैं, जहाँ उनका रक्तचाप (ब्लड प्रेशर), हृदय गति और शुगर का स्तर एक साथ ऊपर-नीचे हो सकता है। या शायद आप शेयर बाजार को देख रहे हैं, जहाँ बाजार गिरने के दौरान टेक स्टॉक्स और एनर्जी स्टॉक्स अक्सर एक ही लय में चलते हैं।

सांख्यिकी (Statistics) में, एक विशेष उपकरण है जिसे कौपुल (Copula) कहा जाता है जो एक "गोंद" (glue) की तरह काम करता है। इसे इस बात से कोई फर्क नहीं पड़ता कि चरों (variables) का व्यक्तिगत व्यवहार कैसा है (जैसे कि ब्लड प्रेशर कितना ऊपर जाता है); इसे केवल इस बात से मतलब है कि वे आपस में कैसे जुड़े हुए हैं।

हालाँकि, वास्तविक दुनिया का डेटा बिखरा हुआ और अव्यवस्थित होता है।

यह पदानुक्रमित (Hierarchical) है: कुछ चीजें दूसरों की तुलना में अधिक निकटता से संबंधित होती हैं। उदाहरण के लिए, ब्लड प्रेशर और हृदय गति आपस में मजबूती से जुड़े हो सकते हैं, जबकि दोनों का शुगर लेवल से संबंध ढीला हो सकता है। यह एक फैमिली ट्री (वंशवृक्ष) की तरह है।
यह अधूरा (Incomplete) है: अस्पताल में, एक मरीज टेस्ट के परिणाम आने से पहले ही जा सकता है। वित्त (finance) में, एक स्टॉक का व्यापार रुक सकता है। इसे "सेंसरिंग" (censoring) कहा जाता है। आप जानते हैं कि घटना एक निश्चित समय के बाद हुई, लेकिन आप यह सटीक रूप से नहीं जानते कि कब हुई।
इसकी गणना करना कठिन है: इस बिखरे हुए, पदानुक्रमित और अधूरे डेटा के लिए सबसे अच्छा "गोंद" (गणितीय मॉडल) खोजने के लिए, आपको अविश्वसनीय रूप से जटिल गणित करना पड़ता है। मौजूदा उपकरण पुराने कैलकुलेटर की तरह हैं: वे एक बार में केवल दो चरों को संभाल सकते हैं, या यदि डेटा बहुत अधिक बिखरा हुआ हो तो वे अटक जाते हैं।

समस्या: "हस्त-व्युत्पन्न" (Hand-Derived) की बाधा

इस शोध पत्र के लेखक बताते हैं कि वर्तमान सॉफ़्टवेयर अतीत में फंसा हुआ है। इन जटिल संबंधों को संभालने के लिए, गणितज्ञों को हर उस प्रकार के संबंध के लिए विशिष्ट सूत्र (formulas) खुद हाथ से तैयार करने पड़ते हैं जिन्हें वे अध्ययन करना चाहते हैं।

यदि आप एक नए प्रकार के संबंध का अध्ययन करना चाहते हैं, तो आपको गणित हाथ से करना होगा।
यदि आपके पास 50 चर हैं (जैसे 50 अलग-अलग लैब टेस्ट), तो गणित इतना भारी हो जाता है कि कंप्यूटर क्रैश हो जाता है या बहुत अधिक समय लेता है।
यदि कुछ डेटा गायब (सेंसर्ड) है, तो गणित और भी कठिन हो जाता है, और अधिकांश उपकरण बड़े समूहों के लिए इसे बिल्कुल भी नहीं कर पाते हैं।

समाधान: ACOPULA (एक "यूनिवर्सल ट्रांसलेटर")

लेखक एक नया उपकरण प्रस्तुत करते हैं जिसे ACOPULA कहा जाता है। इसे एक यूनिवर्सल ट्रांसलेटर के रूप में समझें जो किसी भी प्रकार के संबंध को तुरंत समझ सकता है, चाहे वह फैमिली ट्री कितना भी जटिल क्यों न हो या डेटा कितना भी अधूरा क्यों न हो।

यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. "टेलर-मोड" जादू (एक अनंत ज़ूम लेंस)
कल्पना कीजिए कि आप एक वक्र (curve) को समझने की कोशिश कर रहे हैं। आमतौर पर, आप ढलान (फर्स्ट डेरिवेटिव) को देखते हैं ताकि यह देख सकें कि यह किस दिशा में जा रहा है। लेकिन वक्र के आकार को पूरी तरह से समझने के लिए, आपको यह जानने की आवश्यकता है कि वह ढलान स्वयं कैसे बदल रही है, और वह बदलाव कैसे बदल रहा है, इत्यादि।
ACOPULA टेलर-मोड ऑटोमैटिक डिफरेंशिएशन (Taylor-Mode Automatic Differentiation) नामक तकनीक का उपयोग करता है। वक्र के एक-एक कदम को देखने के बजाय, यह पूरे वक्र के आकार का एक साथ "स्नैपशॉट" लेता है। यह संख्याओं की एक सूची (कोएफिशिएंट्स) बनाता है जो वक्र का सटीक वर्णन करती है, जैसे कि एक हाई-रिज़ॉल्यूशन 3D स्कैन।

2. "पॉलीनोमियल पावरिंग" ट्रिक (एक लेगो बिल्डर)
गणित का सबसे कठिन हिस्सा "बेल पॉलिनोमिअल्स" (Bell Polynomials) की गणना करना है। पुराने दिनों में, सांख्यिकीविदों को विशिष्ट प्रकार के संबंधों के लिए विशाल, पूर्व-लिखित तालिकाओं (जैसे कि एक शब्दकोश) में इन मानों को खोजना पड़ता था। यदि आप एक नए प्रकार के संबंध को चाहते थे, तो शब्दकोश में उसका कोई प्रवेश नहीं होता था, और आप फंस जाते थे।

ACOPULA उस शब्दकोश को फेंक देता है। इसके बजाय, यह गणित को लेगो ब्लॉक्स (Lego blocks) की तरह मानता है।

यह वक्र के "स्नैपशॉट" (टेलर कोएफिशिएंट्स) लेता है।
यह इन ब्लॉक्स को एक बहुत ही स्मार्ट और तेज़ तरीके से आपस में गुणा करता है (पॉलीनोमियल पावरिंग)।
यह स्वचालित रूप से उत्तर के लिए आवश्यक जटिल "बेल पॉलिनोमिअल्स" का निर्माण करता है।
परिणाम: अब आपको गणित हाथ से लिखने की आवश्यकता नहीं है। आपको बस कंप्यूटर को बताना है, "यहाँ संबंध का आकार है," और ACOPULA बाकी सब कुछ अपने आप बना लेता है।

3. "गायब हिस्सों" को संभालना (सेंसरिंग)
चूंकि ACOPULA गणित को गतिशील रूप से बनाता है, इसलिए यह आसानी से गायब हिस्सों को अनदेखा कर सकता है। यदि कोई मरीज अस्पताल से जल्दी चला जाता है, तो यह उपकरण बिना पूरे मॉडल को खराब किए, गणना में उस चर को बस छोड़ देता है। यह हजारों अलग-अलग "गायब हिस्से" वाले पैटर्न को तुरंत संभाल सकता है।

उन्होंने वास्तव में क्या हासिल किया

यह शोध पत्र केवल सिद्धांत की बात नहीं करता है; उन्होंने इस उपकरण को बनाया और वास्तविक, विशाल डेटासेट पर इसका परीक्षण किया:

MIMIC-IV (मेडिकल डेटा): उन्होंने 85,000 ICU एडमिशन्स का विश्लेषण किया जिसमें प्रति रोगी 53 अलग-अलग लैब टेस्ट थे। कुछ मरीजों के लिए कई टेस्ट गायब थे। ACOPULA ने सभी गायब डेटा के बावजूद इन टेस्टों के बीच के संबंधों को सफलतापूर्वक खोज लिया। उन्होंने जटिल पैटर्न को सीखने के लिए "न्यूरल" जनरेटर (AI-आधारित आकार) के साथ भी इसका परीक्षण किया, और यह सफल रहा।
S&P 500 (शेयर बाजार): उन्होंने 98 अलग-अलग स्टॉक सेक्टर का मॉडल बनाया। पिछले उपकरणों ने इतने बड़े मॉडल को छूने तक की कोशिश नहीं की थी। ACOPULA ने इसे सेकंडों में कर दिखाया।
गति (Speed): उन्होंने अपने उपकरण की तुलना सबसे अच्छे मौजूदा सॉफ़्टवेयर (R का nacLL) से की। मध्यम आकार (35 चर) पर, ACOPULA 650 गुना तेज़ था। बड़े आकार पर, पुराना सॉफ़्टवेयर क्रैश हो गया, जबकि ACOPULA चलता रहा।
सटीकता (Accuracy): उन्होंने ज्ञात उत्तरों के साथ तुलना करके और सिम्युलेटेड डेटा से "सत्य" पैरामीटर्स को पूरी तरह से रिकवर करके यह साबित किया कि गणित सही है।

मुख्य निष्कर्ष (The Bottom Line)

ACOPULA जटिल चीजों के जुड़ने को समझने के लिए एक नया इंजन है। यह मनुष्यों द्वारा हाथ से उबाऊ और त्रुटिपूर्ण गणित करने की आवश्यकता को समाप्त करता है। यह शोधकर्ताओं को अनुमति देता है:

किसी भी प्रकार के संबंध मॉडल (क्लासिकल या AI-आधारित) का उपयोग करने की।
भारी मात्रा में डेटा (दर्जनों या हजारों चर) को संभालने की।
बिखरे हुए, अधूड़े डेटा (गायब मानों) के साथ बिना किसी परेशानी के काम करने की।

यह एक ऐसे कार्य को, जो पहले असंभव था या जिसके लिए गणितज्ञों की एक टीम की आवश्यकता होती थी, एक एकल शोधकर्ता द्वारा कुछ लाइनों के कोड के साथ करने योग्य बना देता है।

तकनीकी सारांश: ACOPULA – टेलर-मोड AD के माध्यम से आर्किमिडीजियन कोपुल अनुमान (Archimedean Copula Inference via Taylor-Mode AD)

समस्या विवरण

यह शोध पत्र नेस्टेड आर्किमिडीजियन कोपुल (nested Archimedean copulas) को फिट करने के लिए मौजूदा उपकरणों की तीन महत्वपूर्ण सीमाओं को संबोधित करता है, जो सर्वाइवल एनालिसिस, फाइनेंस और क्लिनिकल रिस्क सेटिंग्स में पदानुक्रमित निर्भरता (hierarchical dependence) को पकड़ने के लिए आवश्यक मॉडलों का एक वर्ग है:

प्रति-चर सेंसरिंग (Per-variable Censoring): मौजूदा उपकरण आम तौर पर केवल द्विविचर (bivariate) समस्याओं, साझा सेंसरिंग समय, या कम-आयामी मामलों ( $d \le 10$ ) को संभालते हैं। वे मनमाने राइट-सेंसिंग मास्क $\delta \in \{0, 1\}^d$ को समायोजित करने में विफल रहते हैं जहाँ एक ही अवलोकन के विभिन्न चर स्वतंत्र रूप से सेंसर हो सकते हैं। यह ICU डेटा (जैसे, MIMIC-IV) में सामान्य है जहाँ लैब माप डिस्चार्ज के समय अलग-अलग समय पर सेंसर होते हैं।
मनमाना नेस्टिंग और जनरेटर (Arbitrary Nesting and Generators): वर्तमान कार्यान्वयन (जैसे, R का copula पैकेज) पांच शास्त्रीय जनरेटर्स के एक निश्चित सेट के लिए हाथ से व्युत्पन्न स्टर्लिंग-नंबर तालिकाओं पर निर्भर करते हैं और केवल दो नेस्टिंग परतों का समर्थन करते हैं। वे मनमाने ट्री स्ट्रक्चर, मिश्रित-फैमिली नेस्टिंग, या उपयोगकर्ता-परिभाषित जनरेटर्स (जैसे, न्यूरल आर्किमिडीजियन कोपुल) को नहीं संभाल सकते।
सटीक पैरामीटर ग्रेडिएंट्स (Exact Parameter Gradients): सटीक ऑटोमैटिक डिफरेंशिएशन (AD) के बिना उच्च-आयामी मॉडलों को फिट करने से डेरिवेटिव-फ्री विधियों, फाइनाइट डिफरेंस, या मोंटे कार्लो अनुमानों (जैसे, सिम्युलेटेड मैक्सिमम लाइकलीहुड एस्टीमेशन, SMLE) पर निर्भरता होती है। ये दृष्टिकोण खराब स्केलिंग, बायस, या उच्च विचरण (variance) से ग्रस्त होते हैं, विशेष रूप से जैसे-जैसे आयामीता (dimensionality) बढ़ती है।

मुख्य गणितीय बाधा यह है कि सेंसरिंग के साथ एक नेस्टेड कोपुल के लिए लाइकलीहुड को कोपुल संचयी वितरण फलन (CDF) के मिश्रित आंशिक व्युत्पन्न (mixed partial derivative) का मूल्यांकन करने की आवश्यकता होती है। जनरेटर के संयोजन के लिए एक ट्री हेतु, यह जनरेटर कंपोजिशन के उच्च-क्रम के डेरिवेटिव्स के पार्शियल बेल पॉलिनॉमियल्स (partial Bell polynomials) की गणना करने में शामिल है। मौजूदा विधियाँ या तो विशिष्ट परिवारों के लिए इन पॉलिनॉमियल्स को हार्ड-कोड करती हैं या ऐसी कॉम्बिनेटरियल गणनाओं का सहारा लेती हैं जो तेजी से (exponentially) बढ़ती हैं।

कार्यप्रणाली: ACOPULA

लेखक ACOPULA प्रस्तुत करते हैं, जो एक JAX-नेटिव फ्रेमवर्क है जो टेलर-मोड ऑटोमैटिक डिफरेंशिएशन (AD) और पॉलिनॉमियल पावरिंग के माध्यम से इन बाधाओं को हल करता है।

मुख्य एल्गोरिदम

फ्रेमवर्क एक बॉटम-अप रिकर्सन के माध्यम से नेस्टेड कोपुल डेंसिटी और इसके ग्रेडिएंट्स की गणना करता है जो हाथ से व्युत्पन्न बेल पॉलिनॉमियल तालिकाओं को एक एकल डिफरेंशिएबल गणना से बदल देता है:

टेलर-मोड AD (जेट प्रोपेगेशन): नेस्टेड फर्स्ट-ऑर्डर AD कॉल्स (जो $O(2^n)$ की तरह स्केल करते हैं) के बजाय, फ्रेमवर्क प्रत्येक जनरेटर कंपोजिशन $h = \psi^{-1}_{outer} \circ \psi_{inner}$ के उच्च-क्रम डेरिवेटिव्स (jets) के वेक्टर को एक सिंगल फॉरवर्ड पास में कंप्यूट करने के लिए टेलर-मोड AD का उपयोग करता है। यह एज कंपोजिशन के टेलर सीरीज़ विस्तार के गुणांकों (coefficients) को प्राप्त करता है।
बेल पॉलिनॉमियल्स के लिए पॉलिनॉमियल पावरिंग: Hofert और Pham [2013] डेंसिटी फॉर्मूला द्वारा आवश्यक पार्शियल बेल पॉलिनॉमियल्स $B_{n,k}$ $B_{n, k}$ को ट्रंकेटेड कॉन्वोल्यूशन के माध्यम से क्रमिक रूप से टेलर गुणांक वेक्टर को विभिन्न घातों (powers) में उठाकर कंप्यूट किया जाता है।
- यदि $p(\epsilon)$ एज डेरिवेटिव्स का एक्सपोनेंशियल जनरेटिंग फंक्शन है।
- $p(\epsilon)^k$ में $\epsilon^n$ का गुणांक $B_{n,k}$ के समानुपाती होता है।
- टेलर वेक्टर को स्वयं के साथ बार-बार कॉन्वॉल्व करके, फ्रेमवर्क कॉम्बिनेटरियल एन्यूमरेशन या प्रति-परिवार तालिकाओं के बिना सभी आवश्यक बेल पॉलिनॉमियल मानों को पुनः प्राप्त करता है।
सेंसिंग को संभालना: सेंसरिंग को एक प्रथम-श्रेणी के ऑपरेशन के रूप में माना जाता है। एक सेंसर किया गया लीफ (leaf) अपने योगदान वेक्टर को $\alpha = [1]$ (कॉची उत्पाद के लिए पहचान) के रूप में इनिशियलाइज़ करता है, जबकि एक अन-सेंसर किया गया लीफ $\alpha = [0, 1]$ का उपयोग करता है। यह तंत्र प्रत्येक पूर्वज नोड (ancestor node) पर प्रभावी आयाम को स्वचालित रूप से कम कर देता है, जिससे एल्गोरिदम बिना रीकंपाइलेशन के मनमाने सेंसरिंग मास्क $\delta$ को संभालने में सक्षम होता है।
संख्यात्मक स्थिरता (Numerical Stability): उच्च आयामों (जैसे, $d=98$ ) में अंडरफ्लो/ओवरफ्लो को रोकने के लिए, कार्यान्वयन साइन-डेफाइंड लॉग-सम-एक्सप (signed log-sum-exp) अंकगणित और प्रति-इंडेक्स रीस्केलिंग का उपयोग करके लॉग-डोमेन में संचालित होता है। उन जनरेटर जोड़ों के लिए जिनके पास क्लोज्ड-फॉर्म इनवर्स नहीं है, यह कैटास्ट्रोफिक कैंसिलेशन से बचने के लिए इम्प्लिसिट फंक्शन थ्योरम ग्रेडिएंट्स का उपयोग करके इम्प्लिसिट समीकरणों को हल करता है।

जटिलता (Complexity)

वर्स्ट-केस: फिक्स्ड-डेप्थ ट्री के लिए $O(d^3)$ ।
अनुकूलित (Optimized): $\sqrt{d}$ -डिकम्पोज्ड ट्री के लिए $O(d^2)$ (जहाँ प्रत्येक नॉन-रूट सबट्री में अधिकतम $O(\sqrt{d})$ अन-सेंसर किए गए लीफ हैं)।
फ्रेमवर्क संतुलित टोपोलॉजी के लिए व्यावहारिक रूप से द्विघातीय (quadratic) स्केलिंग प्राप्त करता है, जो $d=8,000$ तक की आयामात्मकता तक पहुँचता है।

मुख्य योगदान

फैमिली-एग्नोस्टिक इन्फरेंस: फ्रेमवर्क किसी भी उपयोगकर्ता-परिभाषित जनरेटर (शास्त्रीय या न्यूरल) के लिए डेंसिटी और सटीक ग्रेडिएंट्स को स्वचालित रूप से व्युत्पन्न करता है, जिससे हाथ से व्युत्पन्न सूत्रों की आवश्यकता समाप्त हो जाती है।
प्रति-चर सेंसरिंग: यह कोर रिकरेंस में सीधे मनमाने प्रति-अवलोकन सेंसरिंग मास्क का समर्थन करता है, जो द्विविचर या साझा-समय प्रतिबंधों को हटा देता है।
स्केलेबिलिटी: यह संतुलित ट्री के लिए $O(d^2)$ स्केलिंग प्राप्त करता है, जिसे $d=35$ पर R के nacLL की तुलना में $\sim 650\times$ स्पीडअप के साथ $d=8,000$ तक वैलिडेट किया गया है।
ओपन-सोर्स कार्यान्वयन: ACOPULA को नेस्टेड-कोपुल डेंसिटी, ग्रेडिएंट्स और वैधता डायग्नोस्टिक्स के लिए एक सरल API के साथ एक JAX पैकेज के रूप में रिलीज़ किया गया है।
सैंपलिंग: एक उप-उत्पाद के रूप में, फ्रेमवर्क इन कोपुल के लिए व्यावहारिक कंडीशनल-डिस्ट्रीब्यूशन सैंपलिंग (रोसेनब्लैट सैंपलिंग) को सक्षम करता है, जो पहले उच्च-क्रम डेरिवेटिव्स की कठिनाई के कारण बाधित था।

प्रयोगात्मक परिणाम

लेखक व्यापक सिमुलेशन और चार वास्तविक-डेटा प्रयोगों के माध्यम से ACOPULA को वैलिडेट करते हैं:

सटीकता (Correctness): सिम्युलेटेड नेस्टेड क्लेटन कोपुल ( $d \in \{10, 20, 50\}$ ) पर पैरामीटर रिकवरी $2.7\%$ से कम बायस और देखे गए-फिशर SEs के साथ देखे गए अनुभवजन्य मानक त्रुटियों को दिखाती है। डेंसिटी मान $d=60$ तक $10^{-14}$ से कम की सटीकता के साथ R के nacLL और मैथेमैटिका (Mathematica) सिम्बोलिक डेरिवेटिव्स के अनुरूप हैं।
MIMIC-IV ( $d=53$ ): प्रति-चर सेंसरिंग के साथ 85,229 ICU एडमिशन्स पर नेस्टेड आर्किमिडीजियन कोपुल फिट किए गए। दोनों शास्त्रीय परिवार (Clayton, Frank, Gumbel) और नेस्टेड न्यूरल आर्किमिडीजियन कोपुल (ACNet, Gen-AC) को सफलतापूर्वक फिट किया गया। न्यूरल जनरेटर्स ने शास्त्रीय जनरेटर्स से बेहतर प्रदर्शन किया, जिसमें ACNet ने केवल 70 मापदंडों के साथ सर्वश्रेष्ठ होल्ड-आउट नेगेटिव लॉग-लाइक्लीहुड (NLL) प्राप्त किया।
S&P 500 ( $d=98$ ): दैनिक रिटर्न पर एक 11-सेक्टर पदानुक्रमित मॉडल फिट किया गया। यह आयाम R के nacLL की पहुंच से बाहर है (जो $d=40$ के बाद रुक जाता है)। नेस्टेड गम्बेल मॉडल ने अनुभवजन्य डेटा के अनुरूप सेक्टर-स्तरीय टेल डिपेंडेंस को कैप्चर किया।
रेटिनोपैथी अध्ययन: दस आर्किमिडीजियन परिवारों में फैमिली-एग्नोस्टिक सेंसरड मैक्सिमम लाइकलीहुड एस्टीमेशन (MLE) को प्रदर्शित किया, जिनमें से पांच का कोई पूर्व सेंसरिंग कार्यान्वयन नहीं था।
HACSurv रिप्रोडक्शन: फ्रेमवर्क ने फ्रैमिंगहैम डेटासेट पर HACSurv न्यूरल कोपुल पाइपलाइन के परिणामों को सटीक रूप से पुनरुत्पादित किया, जो इटरेटिव इनवर्स-फंक्शन-थ्योरम सॉल्वर के विरुद्ध डेंसिटी मशीनरी को वैलिडेट करता है।

महत्व

यह शोध दावा करता है कि ACOPULA एक एकल डिफरेंशिएबल पाइपलाइन के तहत नेस्टेड आर्किमिडीजियन कोपुल इन्फरेंस को एकीकृत करता है। प्रतिबंधित, हैंड-कोडेड स्लाइस को मनमाने परिवारों, मनमाने नेस्टिंग डेप्थ और उच्च-आयामी मिश्रित-आंशिक डेरिवेटिव्स से बदलकर, यह सर्वाइवल, फाइनेंस और रिलायबिलिटी में कार्यरत पेशेवरों के लिए अधिक अभिव्यंजक, व्याख्या योग्य और सेंसरिंग-जागरूक निर्भरता मॉडल बनाने की बाधा को कम करता है। यह कार्य उस शासन में सटीक लाइकलीहुड इन्फरेंस को सक्षम बनाता है जहाँ पिछले उपकरण या तो पक्षपाती अनुमानों पर निर्भर थे या आयामात्मकता के कारण पूरी तरह विफल हो गए थे।