🤖 machine learning

Generative Frontier Planning for Adaptive Peer-Referral Recruitment under Covariate-Dependent Arrivals

यह शोध पत्र जेनेरेटिव फ्रंटियर प्लानिंग (GFP) को प्रस्तुत करता है, जो एक मॉडल-आधारित एल्गोरिदम है जो एक लेटेंट सरोगेट पर एक डिटरमिनिस्टिक बैकअप का उपयोग करके यथार्थवादी कोवेरिएट-डिपेंडेंट आगमन के तहत एडेप्टिव पीयर-रेफरल भर्ती को अनुकूलित करता है ताकि $(1-1/e)$ -अनुमान प्राप्त किया जा सके, जिससे यह मौजूदा रैंडम, सुदृढीकरण लर्निंग (रिनफोर्समेंट लर्निंग), और i.i.d. डायनेमिक प्रोग्रामिंग बेसलाइनों से बेहतर प्रदर्शन करता है।

मूल लेखक: Lingkai Kong, Hezi Jiang, Andrew Ma, Keyu Wang, Akseli Kangaslahti, Milind Tambe

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lingkai Kong, Hezi Jiang, Andrew Ma, Keyu Wang, Akseli Kangaslahti, Milind Tambe

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 एक विशाल, गुप्त खजाने की खोज (treasure hunt) चला रहे हैं ताकि उन लोगों को ढूंढा जा सके तक जिन्हें ढूंढना बहुत कठिन है—शायद इसलिए क्योंकि वे किसी छिपी हुई बीमारी से पीड़ित हैं या वे ऐसे समुदाय में रहते हैं जो बाहरी लोगों पर भरोसा नहीं करता। आप हर दरवाजे पर जाकर दस्तक नहीं दे सकते; आपको उन लोगों पर निर्भर रहना होगा जिन्हें आपने पहले ही ढूंढ लिया है ताकि वे आपको अपने दोस्तों से मिलवा सकें। इसे पियर-रेफरल रिक्रूटमेंट (peer-referral recruitment) कहा जाता है।

हालाँकि, आपके पास "खजाने के नक्शे" (रेफरल वाउचर या पैसे) की आपूर्ति सीमित है। बड़ी चुनौती यह है: आप नए लोगों को शामिल करने के लिए सबसे अधिक और जितनी जल्दी हो सके, उन्हें ये नक्शे कैसे बांट सकते हैं?

पुराना तरीका: "अंधा लॉटरी" (The "Blind Lottery")

अतीत में, शोधकर्ताओं ने इसे एक लॉटरी की तरह माना। उन्होंने यह मान लिया था कि आप जो भी व्यक्ति ढूंढते हैं, वे सभी एक जैसे ही होते हैं। यदि आप व्यक्ति A को एक नक्शा देते हैं, तो वह शायद 2 दोस्तों को लाएगा। यदि आप व्यक्ति B को एक नक्शा देते हैं, तो वह भी शायद 2 दोस्तों को लाएगा। पुराने गणित ने यह माना कि नक्शा किसे दिया जा रहा है, यह मायने नहीं रखता, केवल यह मायने रखता कि आप कितने नक्शे बांट रहे हैं।

लेकिन वास्तविक जीवन में, यह गलत है।

व्यक्ति A एक सामाजिक तितली (social butterfly) हो सकता है जो 50 लोगों को जानता है, लेकिन वह केवल उन्हीं लोगों को जानता है जो बिल्कुल उसके जैसे हैं (वही पड़ोस, वही शौक)।
व्यक्ति B शायद केवल 5 लोगों को जानता है, लेकिन वे 5 लोग पूरी तरह से अलग पृष्ठभूमि से हैं।

यदि आप उनके साथ एक जैसा व्यवहार करते हैं, तो आप अपने नक्शों को बर्बाद कर सकते हैं। आप व्यक्ति A को एक नक्शा दे सकते हैं, जो 50 लोगों को लाता है जो पहले से ही आपकी खोज में "कवर" किए जा चुके हैं, जबकि व्यक्ति B, जो आपको लोगों के एक बिल्कुल नए समूह से मिलवा सकता था, उसे कुछ नहीं मिलता।

नया समाधान: जेनेरेटिव फ्रंटियर प्लानिंग (GFP)

इस पेपर के लेखकों ने, हार्वर्ड की एक टीम ने, एक नया सिस्टम बनाया जिसे जेनेरेटिव फ्रंटियर प्लानिंग (GFP) कहा जाता है। इसे एक स्मार्ट जीपीएस (GPS) की तरह समझें जो आपकी खजाने की खोज में मदद करता है।

यह इस प्रकार काम करता है:

1. "क्रिस्टल बॉल" (जेनेरेटिव मॉडल्स)

अनुमान लगाने के बजाय, GFP पिछले डेटा से सीखकर दो चीजों के लिए एक "क्रिस्टल बॉल" बनाता है:

क्षमता की क्रिस्टल बॉल (The Capacity Crystal Ball): यह भविष्यवाणी करता है कि कोई विशिष्ट व्यक्ति (उनकी उम्र, स्थान, आदतों के आधार पर) कितने दोस्तों को रेफर करने की संभावना रखता है। यह जानता है कि कुछ लोग "सुपर-कनेक्टर्स" होते हैं और कुछ नहीं।
"वे किसे जानते हैं" की क्रिस्टल बॉल (The "Who-They-Know" Crystal Ball): यह भविष्यवाणी करता है कि वे दोस्त किस प्रकार के होंगे। यदि आप एक युवा संगीतकार को एक नक्शा देते हैं, तो यह मॉडल जानता है कि वह संभवतः अन्य संगीतकारों को ही लाएगा, न कि अकाउंटेंट्स को।

2. "शैडो मैप" (द सरोगेट)

समस्या यह है कि भविष्य की भविष्यवाणी करना बहुत जटिल है। यदि आप व्यक्ति A को एक नक्शा देते हैं, तो आपको दोस्तों का एक रैंडम समूह मिलता है। यदि आप व्यक्ति B को देते हैं, तो आपको एक अलग रैंडम समूह मिलता है। लाखों रैंडम भविष्यों का अनुकरण (simulation) करके सबसे अच्छा कदम तय करने की कोशिश करना कंप्यूटर के लिए बहुत धीमा है।

लेखकों ने एक चतुर शॉर्टकट बनाया जिसे "शैडो मैप" (एक वैल्यू सरोगेट) कहा जाता है।

कल्पना करें कि दुनिया विभिन्न "रंगों" (covariates) से बनी है।
आपका लक्ष्य अपने मानचित्र पर जितने अधिक हो सके उतने रंग भरना है।
शैडो मैप हर एक दोस्त का अनुकरण करने की कोशिश नहीं करता। इसके बजाय, यह पूछता है: "यदि मैं यह नक्शा व्यक्ति A को देता हूँ, तो मैं अपने मानचित्र में कितना नया रंग जोड़ूँगा?"
यह "लैप्लेस एम्बेडिंग्स" (Laplace embeddings) नामक एक गणितीय ट्रिक का उपयोग करके इस "नए रंग" की गणना तुरंत करता है, बिना लाखों सिमुलेशन चलाए।

3. "घटते प्रतिफल" का नियम (The "Diminishing Returns" Rule)

यह सिस्टम एक सरल नियम को भी समझता है: आपके पास एक विशिष्ट रंग के जितने अधिक हिस्से होंगे, अगला हिस्सा उतना ही कम मूल्यवान होगा।

यदि आपके पास पहले से ही 100 संगीतकार हैं, तो एक और संगीतकार मिलना बहुत रोमांचक नहीं है।
लेकिन यदि आपके पास शून्य अकाउंटेंट हैं, तो आपका पहला अकाउंटेंट मिलना बहुत बड़ी बात है।
GFP इस नियम का उपयोग यह तय करने के लिए करता है: "नक्शा उस व्यक्ति को न दें जो बस और अधिक संगीतकार लाएगा। बल्कि उसे दें जो एक अकाउंटेंट ला सके।"

परिणाम: एक स्मार्ट खोज

शोधकर्ताओं ने एक कंप्यूटर सिमुलेशन में इस सिस्टम का परीक्षण किया जो सार्वजनिक स्वास्थ्य अध्ययन के वास्तविक डेटा पर आधारित था। उन्होंने अपने "स्मार्ट जीजीपीएस" (GFP) की तुलना निम्नलिखित से की:

रैंडम (Random): बस अंधे होकर नक्शे बांटना।
रीइन्फोर्समेंट लर्निंग (Reinforcement Learning): एक कंप्यूटर जो प्रयास और त्रुटि (trial and error) से सीखने की कोशिश करता है (जो बहुत जटिल होने के कारण संघर्ष कर रहा था)।
पुराना गणित (Old Math): "अंधा लॉटरी" वाला तरीका जो यह अनदेखा करता है कि लोग कौन हैं।

विजेता:
GFP हर बार जीता।

इसने अधिक लोगों को सफलतापूर्वक जोड़ा।
इसने उन्हें तेजी से खोजा।
सबसे महत्वपूर्ण बात यह है कि इसने अन्य तरीकों की तुलना में अधिक विविध पृष्ठभूमि (बेहतर "कलर कवरेज") वाले लोगों को खोजा।

मुख्य निष्कर्ष (The Bottom Line)

यह पेपर यह दावा नहीं करता कि यह अभी बीमारियों का इलाज करता है या सभी सार्वजनिक स्वास्थ्य समस्याओं को हल करता है। यह केवल यह सिद्ध करता है कि यदि आप दोस्तों से दोस्तों को रेफर करने के माध्यम से छिपे हुए समूहों को खोजने की कोशिश कर रहे हैं, तो आपको सभी को एक समान समझना बंद करना होगा।

एक स्मार्ट कंप्यूटर मॉडल का उपयोग करके जो यह समझता है कि कौन किसे रेफर करता है, आप अपने सीमित बजट का बहुत बेहतर उपयोग कर सकते हैं और पुराने, सरल गणित की तुलना में अधिक लोगों तक पहुँच सकते हैं। यह एक अराजक अनुमान लगाने वाले खेल को एक सटीक, रणनीतिक योजना में बदल देता है।

तकनीकी सारांश: कोवेरिएट-डिपेंडेंट आगमन के तहत अनुकूली पीयर-रेफरल भर्ती के लिए जनरेटिव फ्रंटियर प्लानिंग

समस्या का निरूपण

यह शोध पत्र पीयर-रेफरल भर्ती प्रणालियों (जैसे कि रिसपोंडेंट-ड्रिवन सैंपलिंग, RDS, जिसका उपयोग संक्रामक रोगों से प्रभावित छिपी हुई आबादी के अध्ययन के लिए किया जाता है) में अनुकूली बहु-चरण संसाधन आवंटन (adaptive multi-round resource allocation) की चुनौती को संबोधित करता है। सार्वजनिक स्वास्थ्य एजेंसियों के पास कई चरणों में वितरित करने के लिए रेफरल संसाधनों (जैसे कि वाउचर) का एक निश्चित कुल बजट होता है।

मुख्य कठिनाई कोवेरिएट-डिपेंडेंट आगमन (covariate-dependent arrivals) की प्रकृति में निहित है। पूर्ववर्ती कार्यों के विपरीत, जो एक सजातीय (homogeneous) आबादी से स्वतंत्र और समान रूप से वितरित (i.i.d.) नए भर्ती होने वालों का अनुमान लगाते हैं, यह कार्य एक यथार्थवादी परिदृश्य को मॉडल करता है जहाँ:

रेफरल क्षमता स्टोकेस्टिक और विषम (Heterogeneous) है: एक व्यक्ति कितने साथियों को रेफर कर सकता है, यह उनके विशिष्ट कोवेरिएट्स (जनसांख्यिकी, व्यवहार, भूगोल) पर निर्भर करता है और यह एक सेंसर काउंट डिस्ट्रीब्यूशन (censored count distribution) के अधीन होता है।
ऑफस्प्रिंग कोवेरिएट्स सशर्त (Conditional) हैं: नए भर्ती होने वालों की विशेषताएं एक निश्चित वितरण से नहीं ली जाती हैं, बल्कि वे रेफर करने वाले के कोवेरिएट्स के आधार पर सशर्त रूप से उत्पन्न होती हैं (जो होमोफिली और साझा संदर्भ को दर्शाती हैं)।

लक्ष्य एक ऐसी नीति (policy) डिजाइन करना है जो एक सीमित क्षितिज (finite horizon) में सफल भर्ती की अपेक्षित डिस्काउंटेड संख्या को अधिकतम करने के लिए वर्तमान "फ्रंटियर" (सक्रिय रेफरर्स) को संसाधन आवंटित करे। इसके लिए यह समझना आवश्यक है कि वर्तमान आवंटन निर्णय भविष्य के फ्रंटियर्स के आकार और कोवेरिएट संरचना दोनों को कैसे आकार देते हैं।

कार्यप्रणाली: जनरेटिव फ्रंटियर प्लानिंग (GFP)

लेखक जनरेटिव फ्रंटियर प्लानिंग (GFP) का प्रस्ताव करते हैं, जो एक मॉडल-आधारित एप्रोक्सिमेट डायनेमिक प्रोग्रामिंग विधि है जो कोवेरिएट-डिपेंडेंट जनरेटिव आगमन के तहत नियोजन की जटिलता को दूर करती है।

1. सीखे गए डायनेमिक्स (Learned Dynamics)

GFP दो सीखे गए घटकों का उपयोग करता है जिनका अनुमान ऐतिहासिक डेटा से ऑफलाइन लिया गया है:

सेंसर काउंट मॉडल ( $q_\psi$ ): एक न्यूरल पॉइसन रिग्रेशन मॉडल जो किसी व्यक्ति के कोवेरिएट्स $x_i$ दिए जाने पर उसकी रेफरल क्षमता $C_i$ का अनुमान लगाता है। यह इस तथ्य को ध्यान में रखता है कि देखे गए रेफरल्स आवंटित बजट द्वारा सीमित होते हैं।
कंडीशनल डिफ्यूजन मॉडल ( $G_\theta$ ): एक कंडीशनल डिफ्यूजन मॉडल जो पैरेंट (referrer) के कोवेरिएट्स ( $x$ ) दिए जाने पर नए भर्ती होने वालों के कोवेरिएट्स ( $x'$ ) को उत्पन्न करता है।

2. कम्प्यूटेशनल बाधा (The Computational Bottleneck)

मानक मॉडल-आधारित नियोजन (जैसे कि फिटेड वैल्यू इटरेशन) यहाँ अव्यवहार्य है क्योंकि:

अगला फ्रंटियर चर आकार (variable size) का एक रैंडम सेट है।
अलग-अलग आवंटन अलग-अलग ऑफस्प्रिंग डिस्ट्रीब्यूशन को प्रेरित करते हैं, जिससे कैंडिडेट एक्शन्स के बीच मोंटे-कार्लो सैंपल साझा करना असंभव हो जाता है।
एक्शन स्पेस (सभी फ्रंटियर सदस्यों में पूर्णांक आवंटन) कॉम्बिनेटोरियली बहुत बड़ा है।

3. स्ट्रक्चर्ड वैल्यू सरोगेट (Structured Value Surrogate)

इन समस्याओं को हल करने के लिए, GFP एक स्ट्रक्चर्ड वैल्यू सरोगेट $V_\phi(r, F)$ पेश करता है जो फ्रंटियर को एक लेटेंट कोवेरिएट-कवरेज प्रतिनिधित्व में मैप करता है।

लेटेंट प्रतिनिधित्व: प्रत्येक व्यक्ति को एक गैर-ऋणात्मक लेटेंट वेक्टर $h_\phi(x) \in \mathbb{R}^d_+$ में मैप किया जाता है, जो $d$ "कोवेरिएट प्रोटोटाइप्स" के सॉफ्ट असाइनमेंट को दर्शाता है। फ्रंटियर को कुल कवरेज वेक्टर $z = \sum_{x \in F} h_\phi(x)$ द्वारा सारांशित किया जाता है।
वैल्यू फंक्शन: वैल्यू को इस कवरेज पर एक एक्सपोनेंशियल-सैचुरेशन फंक्शन के रूप में मॉडल किया गया है: $V_\phi(r, z) = \sum w_{\phi,j}(r)(1 - \exp(-z_j))$ । यह संरचना दर्शाती है कि जैसे-जैसे विशिष्ट कोवेरिएट क्षेत्र संतृप्त (saturated) होते हैं, रिटर्न कम होने लगता है (diminishing returns)।

4. क्लोज्ड-फॉर्म डिटरमिनिस्टिक बैकअप

मुख्य नवाचार कंडीशनल लाप्लास एम्बेडिंग्स (Conditional Laplace Embeddings) का उपयोग है जो बेलमैन बैकअप को डिटरमिनिस्टिक और क्लोज्ड-फॉर्म बनाता है।

नियोजन के दौरान डिफ्यूजन मॉडल $G_\theta$ से ऑफस्प्रिंग को सैंपल करने के बजाय, GFP एम्बेडिंग्स $\alpha_{\theta,\phi,j}(x) = \mathbb{E}_{y \sim G_\theta(\cdot|x)}[\exp(-h_{\phi,j}(y))]$ को प्री-कंप्यूट (अमॉर्टाइज) करता है।
इन एम्बेडिंग्स और सेंसर काउंट मॉडल का उपयोग करके, भविष्य के अपेक्षित मूल्य की गणना बिना मोंटे-कार्लो सैंपलिंग के सटीक रूप से की जा सकती है। प्रत्याशा (expectation) पदों के एक ऐसे उत्पाद में विभाजित हो जाती है जो केवल आवंटन $k$ और प्री-कंप्यूटेड एम्बेडिंग्स पर निर्भर करता है।

5. इंट्रा-राउंड ग्रीडी एलोकेशन

डिटरमिनिस्टिक सरोगेट के साथ, प्रति-राउंड अनुकूलन समस्या एक फलन को अधिकतम करने में बदल जाती है जो पूर्णांक घटते रिटर्न (integer diminishing returns) के साथ मोनोटोनिक है।

GFP एक राउंड के भीतर संसाधन आवंटित करने के लिए एक मार्जनल ग्रीडी एल्गोरिदम का उपयोग करता है।
सैद्धांतिक विश्लेषण सिद्ध करता है कि यह ग्रीडी दृष्टिकोण सरोगेट ऑब्जेक्टिव के लिए इष्टतम फिक्स्ड-बजट आवंटन का $(1 - 1/e)$ -अनुमान (approximation) प्राप्त करता है।

मुख्य योगदान

समस्या का सामान्यीकरण: लेखक पीयर-रेफरल भर्ती को एक अनुकूली आवंटन समस्या के रूप में औपचारिक रूप देते हैं जहाँ भविष्य के आगमन, रेफरर कोवेरिएट्स पर सशर्त रूप से उत्पन्न होते हैं, जो पूर्ववर्ती कार्यों के प्रतिबंधात्मक i.i.d. जनसंख्या धारणा से आगे बढ़ता है।
जनरेटिव फ्रंटियर प्लानिंग (GFP): एक अभिनव प्लानर जो सीखे गए सेंसर काउंट और कंडीशनल डिफ्यूजन मॉडल्स को लेटेंट-कवरेज वैल्यू सरोगेट के साथ जोड़ता है। यह मोंटे-कार्लो सैंपलिंग के स्थान पर अमॉर्टाइज्ड कंडीशनल लाप्लास एम्बेडिंग्स का उपयोग करके एक डिटरमिनिस्टिक बैकअप का उपयोग करता है।
सैद्धांतिक गारंटी: यह पेपर सिद्ध करता है कि प्रेरित प्रति-राउंड ऑब्जेक्टिव 'इंटिजर डिमिनिशिंग रिटर्न्स' का पालन करता है, जो इंट्रा-राउंड ग्रीडी एलोकेशन के लिए $(1 - 1/e)$ -अनुमान की गारंटी देता है।
अनुभवजन्य प्रदर्शन: एक सिमुलेशन वातावरण में व्यापक प्रयोग, जिसे वास्तविक दुनिया के RDS डेटासेट (ICPSR 22140) के अनुरूप कैलिब्रेट किया गया है, यह प्रदर्शित करता है कि GFP चार डिस्काउंट फैक्टर्स के तहत रैंडम एलोकेशन, सुदृढीकरण शिक्षण (RL) बेसलाइन्स (Budget-DQN, Factorized RL) और एक i.i.d. जनसंख्या-स्तरीय डायनेमिक प्रोग्रामिंग बेसलाइन से बेहतर प्रदर्शन करता है।

प्रयोगात्मक परिणाम

मूल्यांकन एक सिमुलेशन वातावरण में किया गया जो वास्तविक दुनिया की RDS डायनेमिक्स को दर्शाता है, जिसमें 100 का कुल बजट और 10 व्यक्तियों का प्रारंभिक फ्रंटियर था।

प्रदर्शन: GFP ने सभी डिस्काउंट फैक्टर्स ( $\gamma \in \{0.9, 0.95, 0.99, 1.0\}$ ) के लिए लगातार उच्चतम अंतिम संचयी भर्ती (final cumulative recruits) और अंतिम डिस्काउंटेड संचयी रिवॉर्ड प्राप्त किया।
बेसलाइन्स के साथ तुलना:
- बनाम IID-Population DP: GFP ने सबसे मजबूत बेसलाइन (IID-Population DP) को काफी पीछे छोड़ दिया, जो डायनेमिक प्रोग्रामिंग का उपयोग करता है लेकिन कोवेरिएट संरचना को अनदेखा करता है। $\gamma=1.0$ पर, GFP ने 99.5 लोगों की भर्ती की जबकि बेसलाइन ने 91.3 की, जो कोवेरिएट संरचना के बारे में तर्क देने के महत्व को स्पष्ट करता है।
- बनाम RL: सुदृढीकरण शिक्षण (Reinforcement Learning) बेसलाइन्स बड़े कॉम्बिनेटोरियल एक्शन स्पेस और संरचनात्मक लाभ के अभाव के कारण संघर्ष करते रहे, और मॉडल-आधारित दृष्टिकोणों की तुलना में काफी खराब प्रदर्शन किया।
डायनेमिक्स: जबकि कुछ बेसलाइन्स शुरुआती दौर में तेजी से भर्ती कर सकते थे, GFP की कोवेरिएट-जागरूक रणनीति ने आवंटन को प्रभावी ढंग से नियंत्रित करने में मदद की, जिससे वह कुल पहुंच को अधिकतम करने के लिए बाद के दौरों में दूसरों से आगे निकल गया।

महत्व और दावे

यह शोध पत्र दावा करता है कि GFP सार्वजनिक स्वास्थ्य भर्ती में एक पहले से अव्यवहार्य नियोजन समस्या के लिए एक व्यावहारिक समाधान प्रदान करता है। कोवेरिएट-डिपेंडेंट आगमन के जनरेटिव मॉडल्स को डायनेमिक प्रोग्रामिंग फ्रेमवर्क में शामिल करके, यह विधि एजेंसियों को सीमित संसाधनों को अधिक प्रभावी ढंग से आवंटित करने में सक्षम बनाती है।

लेखक अपने दृष्टिकोण को संयमित और डेटा-संचालित बताते हैं:

यह पूर्ण ज्ञान के बजाय सीखे गए सरोगेट्स पर निर्भर करता है।
सैद्धांतिक गारंटी सरोगेट ऑब्जेक्टिव के लिए लागू होती है, और वास्तविक इष्टतम नीति तक का अंतर मॉडल अनुमान त्रुटियों और एप्रोक्सिमेशन त्रुटियों में विभाजित है।
इस कार्य को वास्तविक डेटा के साथ कैलिब्रेट किए गए सिमुलेशन पर मान्य किया गया है, लेकिन लेखक स्वीकार करते हैं कि सार्वजनिक स्वास्थ्य एजेंसियों के साथ साझेदारी में वास्तविक भर्ती डेटा पर सत्यापन एक आवश्यक अगला कदम है।

अंततः, यह शोध पत्र प्रदर्शित करता है कि कोवेरिएट-डिपेंडेंट आगमन के जनरेटिव मॉडल्स को डायनेमिक प्रोग्रामिंग फ्रेमवर्क में शामिल करने से पीयर-रेफरल सिस्टम की पहुंच को महत्वपूर्ण रूप से बढ़ाया जा सकता है, जो छिपी हुई आबादी में हस्तक्षेप करने के लिए एक व्यावहारिक उपकरण प्रदान करता है।