💻 computer science

An Entropy-based Framework for Hybrid Coalitions in Game Theory. Part I: Human Arbitration

यह शोध पत्र नियोगेम थ्योरी (NeoGame Theory) प्रस्तुत करता है, जो वर्चुअल नेचर (Virtual Nature) के अंतर्गत हाइब्रिड मानव-एआई गठबंधनों के लिए शास्त्रीय गेम थ्योरी का विस्तार करने वाला एक एंट्रॉपी-आधारित ढांचा है, और इसके पहले शासन, मानव मध्यस्थता (Human Arbitration) को स्थापित करता है, जहाँ एआई अवलोकन और आवृत्ति मिलान (frequency matching) के माध्यम से सीखता है जबकि मानव अंतिम निष्पादन अधिकार बनाए रखता है।

मूल लेखक: Salome A. Sepulveda-Fontaine, Jose M. Amigo

प्रकाशित 2026-06-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Salome A. Sepulveda-Fontaine, Jose M. Amigo

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 एक ऐसी दुनिया है जहाँ एक इंसान और एक AI एक ही कार को चलाने की कोशिश कर रहे हैं। पारंपरिक "गेम थ्योरी" (वह गणित जिसका उपयोग लोग अपने निर्णय लेने के तरीके का अध्ययन करने के लिए करते हैं) में, हम आमतौर पर यह मान लेते हैं कि ड्राइवर के पास नियमों का एक स्पष्ट सेट होता है कि वह क्या चाहता है। लेकिन क्या होता है जब इंसान और AI के विचार अलग होते हैं, और उन्हें यह तय करने की आवश्यकता होती है कि किसी भी क्षण पेडल पर किसका नियंत्रण होगा?

यह पेपर नियो-गेम थ्योरी (Neo-Game Theory) नामक सोचने का एक नया तरीका पेश करता है। इसे विशेष रूप से उन "हाइब्रिड" टीमों के लिए डिज़ाइन किया गया है जहाँ कार्य करने की शक्ति इंसान और कंप्यूटर के बीच आगे-पीछे बदल सकती है।

यहाँ उनके विचारों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "दो सिरों वाला" ड्राइवर

पुराने नियमों में, यदि एक इंसान और एक AI मिलकर काम करते हैं, तो हम आमतौर पर उनकी प्राथमिकताओं को एक बड़े औसत में मिला देते हैं। लेकिन लेखक कहते हैं कि यह गलत है।

उपमा: एक ऐसे मानव ड्राइवर की कल्पना करें जो धीरे और सुरक्षित रूप से गाड़ी चलाना चाहता है, और एक ऐसे AI ड्राइवर की जो तेज़ और कुशलता से गाड़ी चलाना चाहता है। यदि आप उनकी इच्छाओं का औसत निकाल लेते हैं, तो आपको एक ऐसी कार मिलती है जो मध्यम गति से चलती है लेकिन वह इस बात को लेकर भ्रमित है कि वह ऐसा क्यों कर रही है।
वास्तविकता: इस नए ढांचे में, कार की कोई "मिली-जुली" प्राथमिकता नहीं होती है। इसके बजाय, हर एक सेकंड में, या तो इंसान या AI वास्तव में नियंत्रण में होता है। पेपर का तर्क है कि क्योंकि "ड्राइवर" बार-बार बदलता रहता है, इसलिए टीम का समग्र व्यवहार पारंपरिक गणित के सुचारू, तार्किक नियमों का पालन नहीं करता है। यह एक रिले रेस की तरह है जहाँ बैटन इतनी तेज़ी से पास किया जाता है कि धावकों की शैलियाँ आपस में टकरा जाती हैं।

2. समाधान: "आभासी प्रकृति" और "ट्रैफिक लाइट"

पेपर आभासी प्रकृति (Virtual Nature) की एक अवधारणा पेश करता है। इसे एक वीडियो गेम में "भाग्य" या "यादृच्छिकता" (randomness) के डिजिटल संस्करण के रूप में समझें। यह वह वातावरण है जो कार की गतिविधियों पर प्रतिक्रिया देता है।

यह तय करने के लिए कि कौन गाड़ी चलाएगा, सिस्टम जेन्सन-शैनन डाइवर्जेंस (Jensen-Shannon Divergence) नामक गणितीय उपकरण (जिसे हम "असहमति मीटर" कह सकते हैं) का उपयोग करके एक ट्रैफिक लाइट का उपयोग करता है।

मीटर के आधार पर ट्रैफिक लाइट के तीन रंग होते हैं:

हरा (सहमति): इंसान और AI लगभग एक जैसा सोच रहे हैं। मीटर कम है। AI गाड़ी चलाता है (λ = 0)।
लाल (असहमति): वे बहुत अलग तरह से सोच रहे हैं। मीटर अधिक है। दुर्घटना को रोकने के लिए इंसान तुरंत नियंत्रण लेता है (λ = 1)।
पीला (संदर्भगत): वे बीच में कहीं हैं। यह सबसे कठिन हिस्सा है। पेपर सुझाव देता है कि यहाँ एक "सिक्का उछालना" होगा, लेकिन सिक्का भारित (weighted) है। यदि असहमति अधिक है (लेकिन बहुत अधिक नहीं), तो इंसान के पहिया संभालने की संभावना अधिक होती है। यदि असहमति कम है, तो AI के गाड़ी चलाने की संभावना अधिक होती है।

3. पहला प्रयोग: "मानव मध्यस्थता" (Human Arbitration)

लेखकों ने इस सेटअप का परीक्षण एक विशिष्ट परिदृश्य में किया जिसे वे मानव मध्यस्थता कहते हैं।

सेटअप: AI एक छात्र है, और इंसान एक शिक्षक है। AI यह सीखने की कोशिश करता है कि इंसान क्या चाहता है, यह देखते हुए कि इंसान क्या करता है।
नियम: AI को केवल तभी गाड़ी चलाने की अनुमति है जब वह आश्वस्त हो कि वह इंसान से सहमत है। यदि AI इंसान की शैली से भटकने लगता है, तो इंसान हस्तक्षेप करता है और नियंत्रण ले लेता है।
परिणाम: समय के साथ, AI इंसान की ड्राइविंग शैली से मेल खाना सीख जाता है। "असहमति मीटर" शून्य के करीब पहुँच जाता है। इंसान को अब उतनी बार गाड़ी चलाने की आवश्यकता नहीं होती क्योंकि AI ने इंसान की तरह "सोचना" सीख लिया है।

4. "लेक्सिकोग्राफिक" नियम (द "कौन बॉस है" नियम)

पेपर एक महत्वपूर्ण बिंदु बनाता है कि टीम सफलता को कैसे महत्व देती है।

पुराना तरीका: हम इंसान के लिए एक स्कोर और AI के लिए एक स्कोर की गणना करते हैं, और फिर उन्हें जोड़ देते हैं।
नया तरीका: पेपर एक "लेक्सिकोग्राफिक" नियम का उपयोग करता है। इसे एक शब्दकोश की तरह समझें। आप पहले अक्षर को देखते हैं। यदि पहले अक्षर अलग हैं, तो आप दूसरे अक्षर को देखते तक नहीं।
कार में: टीम की पहली प्राथमिकता यह है कि कौन गाड़ी चला रहा है। यदि इंसान गाड़ी चला रहा है, तो इंसान के लक्ष्य सबसे महत्वपूर्ण हैं। यदि AI गाड़ी चला रहा है, तो AI के लक्ष्य सबसे महत्वपूर्ण हैं। आप इन्हें मिलाते नहीं हैं। यह एक "रुक-रुक कर चलने वाले" तर्क को जन्म देता है न कि एक सुचारू मिश्रण को।

5. सिमुलेशन ने क्या दिखाया

लेखकों ने यह देखने के लिए कंप्यूटर सिमुलेशन चलाए कि क्या यह वास्तव में काम करता है।

लर्निंग कर्व: शुरुआत में, इंसान और AI दोनों दिशाहीन थे (उच्च असहमति)। इंसान को अक्सर पहिया संभालना पड़ता था।
अभिसरण (Convergence): जैसे ही AI ने इंसान को देखा, उसने उनकी नकल करना शुरू कर दिया। "असहमति मीटर" नीचे गिर गया।
अंतिम परिणाम: अंततः, AI और इंसान पूरी तरह से तालमेल में गाड़ी चलाने लगे। इंसान को अब हस्तक्षेप करने की आवश्यकता नहीं थी क्योंकि AI पहले से ही वही कर रहा था जो इंसान ने किया होता।
सबक: विशिष्ट सेटिंग्स (AI कितनी तेज़ी से सीखता है, नियम कितने सख्त हैं) ने यह बदला कि वे कितनी तेज़ी से सीखते हैं, लेकिन उन्होंने अंतिम परिणाम को नहीं बदला। यदि आप उन्हें पर्याप्त समय देते हैं, तो वे हमेशा तालमेल में आ जाते हैं।

सारांश

यह पेपर मानव-AI टीमों के लिए एक नया गणितीय ढांचा प्रस्तावित करता है। उन्हें एक एकल "औसत" लक्ष्य पर सहमत होने के लिए मजबूर करने के बजाय, यह उन्हें इस आधार पर बारी-बारी से गाड़ी चलाने देता है कि वे कितने सहमत हैं।

यदि वे सहमत हैं: AI गाड़ी चलाता है।
यदि वे असहमत हैं: इंसान गाड़ी चलाता है।
यदि वे अनिश्चित हैं: एक भारित सिक्का उछाल तय करता है।

परिणाम एक ऐसा सिस्टम है जहाँ AI अवलोकन के माध्यम से इंसान की शैली की नकल करना सीखता है, जिससे अंततः एक ऐसी स्थिति प्राप्त होती है जहाँ वे पूरी तरह से संरेखित (aligned) हो जाते हैं, जिससे इंसान पीछे हटकर AI को काम संभालने देने में सक्षम होता है।

तकनीकी सारांश: गेम थ्योरी में हाइब्रिड कोलिशन के लिए एक एंट्रॉपी-आधारित फ्रेमवर्क। भाग I: मानव मध्यस्थता (Human Arbitration)

1. समस्या विवरण (Problem Statement)

क्लासिकल गेम थ्योरी (Classical Game Theory), जो वॉन न्यूमैन और मॉर्गनस्टर्न के फ्रेमवर्क पर आधारित है, ऐसे एजेंटों की कल्पना करती है जिनके पास निश्चित निर्णय अधिकार (decision authority) और मानक प्राथमिकता संरचनाएं होती हैं जो पूर्णता (completeness), संक्रामकता (transitivity) और आर्किमिडियन गुण (Archimedean property) जैसे अभिगृयों (axioms) का पालन करती हैं। हालांकि, हाइब्रिड ह्यूमन-AI सिस्टम एक मौलिक चुनौती पेश करते हैं: डिजिटल वातावरण के भीतर निष्पादन अधिकार (execution authority) मानव और AI घटकों के बीच अंतर्जात रूप से (endogenously) बदल सकते हैं। ऐसे परिवेश में, गठबंधन व्यवहार (coalition behavior) को एक एकल सुचारू प्राथमिकता क्रम या मानक उपयोगिता फलन (utility function) द्वारा प्रदर्शित नहीं किया जा सकता है। मौजूदा हाइब्रिड दृष्टिकोण अक्सर उपयोगिताओं को मिलाते हैं या अधिकार को स्थिर मानते हैं, जिससे उस वैकल्पिक नियंत्रण (alternating control) को पकड़ने में विफलता होती जहाँ निष्पादक (executing agent) को नीति विचलन (policy divergence) के आधार पर प्रत्येक चरण में चुना जाता है। यह शोध पत्र "वर्चुअल नेचर" (क्लासिकल नेचर का एल्गोरिथमिक एनालॉग) के तहत संचालित हाइब्रिड कोलिशन के लिए शास्त्रीय संतुलन अवधारणाओं (equilibrium concepts) की अपर्याप्तता को संबोधित करता है और एक ऐसा फ्रेमवर्क औपचारिक बनाने का प्रयास करता है जहाँ प्रतिनिधिमंडल (delegation) गतिशील और शासन-निर्भर (regime-dependent) हो।

2. कार्यप्रणाली: नियो-गेम थ्योरी (Methodology: Neo-Game Theory)

लेखक नियो-गेम थ्योरी पेश करते हैं, जो हाइब्रिड मानव-AI कोलिशन के लिए क्लासिकल गेम थ्योरी का एक विस्तार है। यह फ्रेमवर्क निम्नलिखित स्तंभों पर निर्मित है:

2.1. वर्चुअल नेचर और हाइब्रिड गेम्स

वातावरण को वर्चुअल नेचर ( $V$ ) के रूप में मॉडल किया गया है, जो एक ट्रांजिशन फंक्शन $V: S \times A \to \Delta(S)$ है जो एल्गोरिथमिक स्टोकेस्टिसिटी, हार्ड थ्रेशोल्ड और विच्छेदन (discontinuities) को कैप्चर करता है। एक हाइब्रिड गेम को टुपल $N(V) = (S, A, U, \lambda, P_V)$ के रूप में परिभाषित किया गया है, जहाँ:

$S$ स्टेट स्पेस (state space) है।
$A$ सामान्य निष्पादित क्रिया स्थान (common executed action space) है (मानव और AI प्रस्ताव सेटों का संघ)।
$U = \{U_H, U_{AI}\}$ व्यक्तिगत उपयोगिता फलन हैं।
$\lambda_T \in \{0, 1\}$ एक बाइनरी डेलीगेशन फैक्टर है जो समय $T$ पर क्रिया को निष्पादित करने वाले एजेंट को निर्धारित करता है।
$P_V$ वर्चुअल नेचर द्वारा उत्पन्न ट्रांजिशन कर्नेल है।

2.2. अभिगृमितीय विचलन (Axiomatic Departures)

यह फ्रेमवर्क कोलिशन स्तर पर शास्त्रीय अभिगृयों को शिथिल करता है:

संक्रामकता की विफलता (Failure of Transitivity): वैकल्पिक नियंत्रण गैर-संक्रामक प्रकट प्राथमिकताओं (जैसे, $A \succ B, B \succ C, C \succ A$ ) को प्रेरित कर सकता है, भले ही व्यक्तिगत एजेंट संक्रामक हों।
आर्किमिडियन अभिगृम की विफलता (Failure of the Archimedean Axiom): गठबंधन सुचारू ट्रेड-ऑफ प्रदर्शित नहीं करता है; मानव समायोजन क्रमिक होता है जबकि AI अनुकूलन असतत (discrete) हो सकता है।
लेक्सिकोग्राफिक उपयोगिता (Lexicographic Utility): कोलिशन परिणामों की तुलना लेक्सिकोग्राफिक रूप से की जाती है। निष्पादन शासन (मानव बनाम AI) का चयन उपयोगिता मूल्यांकन से पहले किया जाता है, जिसका अर्थ है कि शासनों के बीच कोई प्रतिपूरक ट्रेड-ऑफ (compensatory trade-off) मौजूद नहीं है।

2.3. एंट्रॉपी-आधारित डेलीगेशन तंत्र

डेलीगेशन को मानव नीति ( $p_H$ ) और AI नीति ( $p_{AI}$ ) के बीच जेन्सन-शैनन (JS) डाइवर्जेंस ( $D_{JS}$ ) द्वारा निर्धारित किया जाता है। फ्रेमवर्क दो निश्चित थ्रेशोल्ड्स, $\alpha_{agree}$ और $\alpha_{disagree}$ का उपयोग करता है, जो पॉलिसी स्पेस को तीन शासनों (regimes) में विभाजित करते हैं:

सहमति (Agreement) ( $D_{JS} \le \alpha_{agree}$ ): AI निष्पादित करता है ( $\lambda = 0$ )।
असहमति (Disagreement) ( $D_{JS} \ge \alpha_{disagree}$ ): मानव निष्पादित करता है ( $\lambda = 1$ )।
संदर्भगत (Contextual) ( $\alpha_{agree} < D_{JS} < \alpha_{disagree}$ ): निष्पादन एक संभावabilistic नियम द्वारा निर्धारित होता है जहाँ मानव निष्पादन की संभावना $D_{JS}$ के बराबर होती है।

2.4. लर्निंग डायनेमिक्स और इक्विलिब्रियम

शोध पत्र परिदृश्य 1: मानव मध्यस्थता (Human Arbitration) पर ध्यान केंद्रित करता है, जहाँ मानव अंतिम निष्पादन अधिकार रखता है।

पॉलिसी अपडेट: AI सभी शासनों में निष्पादित क्रिया की ओर अपनी नीति को अपडेट करता है। मानव अपनी नीति को केवल सहमति शासन ( $D_{JS} \le \alpha_{agree}$ ) में अपडेट करता है।
उपयोगिता ट्रेसेस (Utility Traces): उपयोगिताओं को निष्पादित क्रिया के आधार पर एक्सपोनेंशियलली वेटेड मूविंग एवरेज (EWMA) ट्रेस का उपयोग करके ऑनलाइन अपडेट किया जाता है।
इक्विलिब्रियम अवधारणा: शोध पत्र एक फ्रीक्वेंसी-कन्वर्जेंस इक्विलिब्रियम (Frequency-Convergence Equilibrium) को परिभाषित करता है। क्लासिकल नैश इक्विलिब्रिया (जो बेस्ट रिस्पॉन्स के फिक्स्ड पॉइंट्स हैं) के विपरीत, यह एक स्टोकैस्टिक पॉलिसी-एडैप्टेशन प्रक्रिया का एक गतिशील स्थिरीकरण है। यह अनुभवजन्य शासन आवृत्तियों ( $f_{agree}, f_{ctx}, f_{disagree}$ ) के एसिम्प्टोटिक स्थिरीकरण द्वारा विशेषता है।

3. मुख्य योगदान (Key Contributions)

नियो-गेम थ्योरी का औपचारिकीकरण: शोध पत्र हाइब्रिड कोलिशन के लिए अभिगृमितीय आधार स्थापित करता है, यह प्रदर्शित करते हुए कि कैसे वैकल्पिक अधिकार लेक्सिकोग्राफिक उपयोगिता संरचनाओं और शास्त्रीय संक्रामकता की संभावित विफलताओं की ओर ले जाते हैं।
एंट्रॉपी के माध्यम से डेलीगेशन: यह जेन्सन-शैनन डाइवर्जेंस का उपयोग करते हुए एक नया डेलीगेशन नियम प्रस्तावित करता है, जो विशिष्ट निष्पादन शासनों (सहमति, संदर्भगत, असहमति) को बनाने के लिए थ्रेशोल्ड्स का उपयोग करता है।
मानव मध्यस्थता शासन: लेखक इस सिद्धांत के पहले शासन (मानव मध्यस्थता) को विकसित और सिम्युलेट करते हैं, जहाँ AI अवलोकन और फ्रीक्वेंसी मैचिंग के माध्यम से सीखता है और मानव अंतिम मध्यस्थ के रूप में कार्य करता है।
सैद्धांतिक लक्षण वर्णन: शोध पत्र यह सिद्ध करता है कि रॉबिन्स-मोनरो स्टेप साइज़ या निरंतर गेन के तहत, सिस्टम पॉलिसी फ्रीक्वेंसी के एक स्थिर वितरण की ओर अभिसरित (converge) होता है। यह स्थापित करता है कि विशिष्ट शर्तों के तहत डाइवर्जेंस प्रक्रिया एसिम्प्टोटिक रूप से स्टेशनरी और एर्गोडिक है।

4. परिणाम (Results)

लेखकों ने विभिन्न हॉरिज़न्स ( $H \in \{200, \dots, 50,000\}$ ) और पैरामीटर ग्रिड्स (थ्रेशोल्ड्स, लर्निंग रेट्स, स्टेप-साइज़ शेड्यूल्स और स्टेट जनरेशन मोड्स) पर सिमुलेशन आयोजित किए। मुख्य निष्कर्ष शामिल हैं:

अभिसरण (Convergence): सभी हॉरिज़न्स में, मानव और AI नीतियां धीरे-धीरे संरेखित (align) होती हैं, जिससे जेन्सन-शैनन डाइवर्जेंस ( $D_{JS}$ ) शून्य की ओर बढ़ता है।
पैरामीटर्स की भूमिका:
- लर्निंग रेट ( $\eta$ ): निरंतर स्टेप साइज़ शुरुआती संरेखण को तेज करते हैं लेकिन छोटे दोलन (oscillations) पैदा करते हैं। घटते स्टेप साइज़ (रॉबिन्स-मोनरो) अधिक सुचारू और स्थिर अभिसरण प्रक्षेपवक्र (trajectories) प्रदान करते हैं।
- थ्रेशोल्ड्स: थ्रेशोल्ड्स शासन स्विच (regime switches) की आवृत्ति निर्धारित करते हैं लेकिन दीर्घकालिक संरेखण परिणाम को नहीं बदलते हैं।
- स्टेट जनरेशन: क्या अवस्थाएं बाह्य रूप से (यादृच्छिक) या अंतर्जात रूप से (क्रिया-निर्भर) उत्पन्न की जाती हैं, यह अल्पकालिक अस्थिरता को प्रभावित करता है लेकिन एसिम्प्टोटिक इक्विलिब्रियम को नहीं।
ट्रांजिएंट बनाम एसिम्प्टोटिक: पैरामीटर मुख्य रूप से अभिसरण के अस्तित्व के बजाय ट्रांजिएंट लर्निंग पाथ (गति और शोर) को प्रभावित करते हैं। पर्याप्त बड़े हॉरिज़न्स ( $H \ge 30,000$ ) पर, सिस्टम एक संतृप्त शासन (saturated regime) तक पहुँच जाता है जहाँ नीतियां संरेखित होती हैं और $D_{JS} \approx 0$ होता है, चाहे विशिष्ट लर्निंग शेड्यूल या पर्यावरणीय विनिर्देश कुछ भी हो।
स्थिरता (Stability): सिस्टम शास्त्रीय बेस्ट-रिस्पॉन्स ऑप्टिमाइजेशन पर निर्भर किए बिना मजबूत पॉलिसी संरेखण प्रदर्शित करता है। स्थिरता बार-बार निष्पादन, अनुभवजन्य अनुकूलन और डेलीगेशन नियम की सांख्यिकीय संरचना से उभरती है।

5. महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि यह एक व्यापक नियो-गेम थ्योरी फ्रेमवर्क का पहला शासन (मानव मध्यस्थता) प्रदान करता है। इसका महत्व निम्नलिखित में निहित है:

सैद्धांतिक आधार: यह उन हाइब्रिड सिस्टम के लिए एक अभिगृमितीय आधार प्रदान करता है जहाँ अधिकार वैकल्पिक होते हैं, जो केवल उपयोगिताओं को संयोजित करने वाले मॉडलों से आगे जाता है।
व्यवहार संबंधी इक्विलिब्रियम: यह इक्विलिब्रियम को एक स्थिर रणनीतिक फिक्स्ड पॉइंट के रूप में नहीं, बल्कि अनुभवजन्य आवृत्तियों और पॉलिसी डाइवर्जेंस के एक गतिशील स्थिरीकरण के रूप में पुनर्व्याख्या करता है।
व्यावहारिक कार्यान्वयन: सिमुलेशन परिणाम यह पुष्टि करते हैं कि एंट्रॉपी-आधारित डेलीगेशन हाइब्रिड सिस्टम में मजबूती से पॉलिसी संरेखण को संचालित कर सकता है, जो मानव-इन-द-लूप ट्रेनिंग और ट्रस्ट-सेंसिटिव AI सिस्टम के लिए एक व्यवहार्य तंत्र का सुझाव देता है।

लेखक स्पष्ट रूप से कहते हैं कि यह कार्य भविष्य के विस्तार, विशेष रूप से AI-कंट्रोल और नेगोशिएशन शासनों के लिए आधार तैयार करता है, जो डिजिटल रूप से मध्यस्थता वाले वातावरण में स्थापित समाधान अवधारणाओं जैसे नैश और स्टैकलबर्ग इक्विलिब्रिया के साथ व्यवस्थित तुलना की अनुमति देंगे। शोध पत्र यह दावा नहीं करता है कि यह सभी हाइब्रिड इंटरैक्शन समस्याओं को हल करता है, बल्कि यह इंटरैक्शन के एक विशिष्ट वर्ग को औपचारिक बनाता है जहाँ निष्पादन अधिकार अंतर्जात और पॉलिसी-संचालित है।