तकनीकी सारांश: संरचित परिकल्पना स्थानों (Structured Hypothesis Spaces) में परिमित संसाधन फॉल्स डिस्कवरी रेट (FDR) नियंत्रण

1. समस्या विवरण

वैज्ञानिक खोज तेजी से बड़े पैमाने पर परिकल्पना परीक्षण (hypothesis testing) पर निर्भर होती जा रही है, फिर भी तीन मौलिक चुनौतियाँ वास्तविक खोजों की पहचान करने में बाधा डालती हैं जबकि फॉल्स डिस्कवरी रेट (FDR) को नियंत्रित किया जाता है:

1. परिमित-डेटा अनिश्चितता (Finite-Data Uncertainty): प्रत्येक परिकल्पना के लिए पर्याप्त संदर्भ डेटा (नल वितरण नमूने) प्राप्त करना संसाधन-गहन है। मानक दृष्टिकोण अक्सर परिमित नल ड्रॉ (null draws) से प्राप्त p-मानों के पॉइंट एस्टीमेट्स (point estimates) पर निर्भर करते हैं, जो इन अनुमानों में अंतर्निहित अनिश्चितता को अनदेखा करते हैं, जिससे FDR उल्लंघन हो सकता है।
2. संरचित परिकल्पना स्थान (Structured Hypothesis Spaces): परिकल्पनाएँ अक्सर अंतर्निहित निर्भरताओं (जैसे स्थानिक निकटता) को प्रदर्शित करती हैं। इस संरचना को अनदेखा करना सांख्यिकीय शक्ति (statistical power) को नष्ट कर देता है, जबकि मौजूदा संरचित FDR विधियों के लिए पूर्व-निर्धारित डिपेंडेंसी ग्राफ की आवश्यकता होती है या वे परिमित-नमूना अनिश्चितता को संभालने में विफल रहती हैं।
3. संसाधन आवंटन (Resource Allocation): विशेष रूप से जब पड़ोसियों से "शक्ति उधार लेने" (borrow strength) के लिए संरचनात्मक संबंधों का लाभ उठाया जाता है, तो परिकल्पनाओं के बीच एक सीमित नल नमूनों के बजट को कुशलतापूर्वक आवंटित करने के लिए ढांचों (frameworks) का अभाव है।

यह शोध पत्र इन चुनौतियों को एक एकीकृत ढांचे के माध्यम से एक साथ संबोधित करता है जो संरचित परिकल्पना स्थानों में FDR को नियंत्रित करता है जहाँ प्रत्येक परिकल्पना केवल नल ड्रॉ की एक परिमित संख्या द्वारा प्रमाणित होती है, और इसके लिए p-मान के हल किए गए पॉइंट एस्टीमेट की आवश्यकता नहीं होती है।

2. कार्यप्रणाली (Methodology)

2.1 जनरेटिव मॉडल और काउंट-आधारित लाइकलीहुड (Generative Model and Count-Based Likelihood)

लेखक इस समस्या को तीन-स्तरीय पदानुक्रम (hierarchy) के रूप में मॉडल करते हैं:

• संरचनात्मक परत (Structural Layer): एक परिकल्पना के नल होने की पूर्व प्रायिकता $\alpha(\text{loc})$, एक डोमेन $\mathcal{X}$ पर एक स्मूथ फंक्शन है, जिसे एक कर्नेल $K$ द्वारा परिभाषित RKHS के भीतर मॉडल किया गया है।
• लेटेंट परत (Latent Layer): प्रत्येक परिकल्पना का एक लेटेंट p-मान $p^*_i$ होता है। नल ($H_0$) के तहत, $p^*_i \sim U[0,1]$; ऑल्टरनेटिव ($H_1$) के तहत, यह शून्य के पास केंद्रित बीटा वितरण (Beta distribution) का अनुसरण करता है।
• अवलोकन परत (Observation Layer): $p^*_i$ को देखने के बजाय, पर्यवेक्षक $m_i$ कुल ड्रॉ में से $k_i$ की गिनती देखता है जो देखे गए सांख्यिकी के समान या उससे अधिक चरम (extreme) हैं। इस प्रकार, $k_i | p^*_i, m_i \sim \text{Binomial}(m_i, p^*_i)$।

महत्वपूर्ण रूप से, यह ढांचा "प्लग-इन" दृष्टिकोण (जहाँ $p^*_i$ को $(k_i+1)/(m_i+1)$ के रूप में अनुमानित किया जाता है) को त्याग देता है। इसके बजाय, यह बीटा-बाइनोमियल कंजुगेसी (Beta-Binomial conjugacy) का उपयोग करके लेटेंट $p^*_i$ को स्पष्ट रूप से मार्जिनलाइज (marginalize) करता है ताकि सटीक काउंट-आधारित लाइकलीहुड प्राप्त की जा सके। यह निरंतर p-मानों के पॉइंट एस्टीमेट से जुड़ी विविक्त त्रुटि (discretization error) और सैंपलिंग शोर को समाप्त करता है।

2.2 स्थानिक अनुमान (Spatial Estimation)

संरचना का लाभ उठाने के लिए, वैश्विक नल अनुपात $\bar{\alpha}$ को एक स्थानिक फंक्शन $\alpha(\text{loc})$ में बदल दिया जाता है। लेखक $\hat{\alpha}$ का अनुमान RKHS में एक रेगुलराइज्ड नेगेटिव लॉग-लाइकेलीहुड को मिनिमाइज करके लगाते हैं:
$$\hat{\alpha} = \arg \min_{\alpha \in \mathcal{H}_K} -\sum_{i=1}^N \log[\alpha(\text{loc}_i)P_{0,i} + (1-\alpha(\text{loc}_i))P_{1,i}] + \lambda \|\alpha - \hat{\bar{\alpha}}\|^2_{\mathcal{H}_K} + \gamma \Lambda_{[0,1]}(\alpha)$$
इस अनुकूलन (optimization) को नेचुरल ग्रेडिएंट डिसेंट का उपयोग करके कुशलतापूर्वक हल किया जाता है, जो कर्नेल ग्राम मैट्रिक्स को उलटने (invert) से बचता है, जिससे प्रति इटरेशन जटिलता $O(N^2)$ तक कम हो जाती है।

2.3 निर्णय नियम (Decision Rules)

शोध पत्र दो निर्णय नियम प्रस्तावित करता है जिनके अलग-अलग ट्रेड-ऑफ हैं:

• नियम 1 (मॉडल-मुक्त/Model-Free): $\hat{\alpha}$ का उपयोग केवल एक प्री-सिलेक्शन गेट के रूप में करता है जो परिकल्पनाओं को फ़िल्टर करता है। इस गेट के भीतर, यह गैर-स्थानिक मार्जिनल लोकल FDR (lfdr) पर रनिंग-एवरेज थ्रेशोल्ड लागू करता है।

  • गारंटी: यह सटीक FDR नियंत्रण ($\le \tau$) प्रदान करता है, चाहे स्थानिक मॉडल $\hat{\alpha}$ कितना भी सटीक क्यों न हो, क्योंकि स्थानिक जानकारी रैंकिंग को प्रभावित नहीं करती है।
  • ट्रेड-ऑफ: यह रूढ़िवादी (conservative) है; यदि स्थानिक मॉडल सूचनात्मक है लेकिन रैंकिंग में अनदेखा किया गया है, तो यह शक्ति (power) का त्याग कर सकता है।

• नियम 2 (काउंट स्पेस में मिरर स्टैटिस्टिक्स): स्थानिक lfdr का उपयोग सीधे रिजेक्शन स्कोर के रूप में करता है। यह काउंटर स्पेस में बारबर-कैंडेस मिरर स्टैटिस्टिक्स फ्रेमवर्क को अनुकूलित करता है, जिसमें प्रतिबिंब (reflection) $k \leftrightarrow m-k$ को मिरर ऑपरेशन के रूप में उपयोग किया जाता है।

  • गारंटी: एक "मिरर धारणा" (एक सिंगल नल के काउंट को पलटने के प्रति स्कोरिंग सतह की अपरिवर्तनीयता) के तहत, यह सटीक नियंत्रण प्राप्त करता है। चूंकि सतह डेटा-निर्भर है, इसलिए यह धारणा केवल लगभग सत्य है। लेखक एक विश्लेषणात्मक ढांचा प्रदान करते हैं जो दिखाता है कि FDR उल्लंघन एक स्लैक टर्म $\delta = O(\max(1/N, 1/\lambda))$ द्वारा सीमित है।
  • ट्रेड-ऑफ: यह उपलब्ध सभी जानकारी (स्थानिक संरचना सहित) का उपयोग करके सांख्यिकीय शक्ति को अधिकतम करता है, जिसके बदले में FDR नियंत्रण में एक छोटे, मापने योग्य स्लैक (slack) की लागत होती है।
  • सैद्धांतिक परिणाम: सही स्पेसिफिकेशन के तहत, नियम 2 नियम 1 की तुलना में स्पष्ट रूप से अधिक शक्तिशाली है।

2.4 अनुकूलन संसाधन आवंटन (Adaptive Resource Allocation)

ढांचा सीमित नल-सैंपलिंग बजट के कुशल आवंटन के लिए एक नीति शामिल करता है। यह स्थानीय FDR कॉन्फिडेंस इंटरवल के आधार पर परिकल्पनाओं को तीन अवस्थाओं में वर्गीकृत करता है:

1. निर्णय लिया गया (Decided): CI थ्रेशोल्ड के पूरी तरह से एक तरफ है।
2. अस्पष्ट (Ambiguous): CI थ्रेशोल्ड को पार करता है (आगे की सैंपलिंग के लक्ष्य)।
3. निराशाजनक (Hopeless): CI थ्रेशोल्ड को तब भी पार करता है जब अनिश्चितता अपने सैद्धांतिक "वैरिएंस फ्लोर" (अलगाव या अनइंफॉर्मेटिव p-मानों के कारण) के करीब पहुँच जाती है।

आवlekन नीति निम्नलिखित के संयोजन के आधार पर अस्पष्ट परिकल्पनाओं को प्राथमिकता देती है:

• लोकल फिशर इंफॉर्मेशन: यह कि अधिक स्थानीय नमूनों के साथ वेरिएंस कितना कम हो सकता है।
• स्थानिक उधार (Spatial Borrowing): एक पड़ोसी को सैंपल करने से कर्नेल के माध्यम से लक्षित परिकल्पना की अनिश्चितता कितनी कम होती है।
  नीति स्थानीय और स्थानिक सैंपलिंग के बीच संतुलन को गतिशील रूप से समायोजित करती है और "निर्णय लिए गए" या "निराशाजनक" परिकल्पनाओं को सैंपल कर सकती है यदि वे पड़ोसियों को महत्वपूर्ण स्थानिक लाभ प्रदान करते हैं (हेल्पर सैंपलिंग)।

3. मुख्य योगदान

1. एकीकृत ढांचा (Unified Framework): परिमित-नमूना p-मान अनिश्चितता, संरचित परिकल्पना स्थानों और संसाधन आवंटन को एक साथ संबोधित करने वाला पहला एकीकृत ढांचा। यह RKHS का उपयोग करके Bayesian FDR फ्रेमवर्क को परिमित-नमूना शासन (regimes) तक विस्तारित करता है।
2. काउंट-आधारित लाइकलीहुड: निरंतर p-मान अनुमानों के $O(1/\sqrt{m})$ सैंपलिंग शोर से बचने के लिए काउंट स्पेस में सटीक मार्जिनल लाइकलीहुड का व्युत्पन्न, जो निरंतर lfdr तक $O(1/m)$ अभिसरण (convergence) प्राप्त करता है।
3. दो निर्णय नियम:
   • एक मजबूत, सटीक-नियंत्रण नियम (नियम 1) जो स्थानिक मॉडल मिसस्पेसिफिकेशन के प्रति प्रतिरक्षित है।
   • एक उच्च-शक्ति वाला नियम (नियम 2) जो डेटा-निर्भर स्कोरिंग सतहों के कारण होने वाले FDR स्लैक के लिए एक कठोर विश्लेषणात्मक सीमा के साथ मिरर स्टैटिस्टिक्स को काउंट स्पेस में अनुकूलित करता है।
4. अनुकूलन आवंटन नीति: एक ऐसी नीति जो स्थानीय सूचना लाभ और स्थानिक सूचना प्रसार दोनों को ध्यान में रखते हुए नल नमूनों का आवंटन करती है, जिसमें "निराशाजनक" परिकल्पनाओं की पहचान और उन्हें बाहर करने के तंत्र शामिल हैं।
5. एनालिटिकल स्लैक कैरेक्टराइजेशन: संरचित सेटिंग्स में "मिरर धारणा" के उल्लंघन का विस्तृत विश्लेषण, जो एक सिंगल काउंट फ्लिप के फिट की गई सतह पर प्रभाव के संदर्भ में FDR स्लैक को मापता है।

4. अनुभवजन्य परिणाम (Empirical Results)

फ्रेमवर्क का मूल्यांकन किया गया:

• ADbench (सेमी-सिंथेटिक): 10 उच्च-आयामी विसंगति पहचान (anomaly detection) डेटासेट।
  • FDR नियंत्रण: दोनों नियमों ने विभिन्न संरचनात्मक सेटिंग्स (सिग्नल डेंसिटी, स्मूथनेस) में FDR नियंत्रण बनाए रखा, जबकि प्लग-इन p-मानों के साथ मानक बेनजामिनी-हॉकबर्ग (BH) और RegFDR ने परिमित-नमूना शासन में FDR नियंत्रण का उल्लंघन किया।
  • पावर (Power): नियम 2 ने नियम 1 और बेसलाइन की तुलना में लगातार उच्च पावर हासिल की, जो लक्षित FDR बजट के करीब संचालित होता है।
• AlpacaEval 2.0 (LLM-as-judge): एक बेंचमार्क जिसमें कोई स्थानिक संरचना नहीं है।
  • फ्रेमवर्क ने बिना कैलिब्रेटेड BH जैसे ह्यूरिस्टिक बेसलाइन की तुलना में एक्शन योग्य खोजों (actionable discoveries) में काफी बेहतर प्रदर्शन किया, जो गैर-स्थानिक सेटिंग में परिमित-m मशीनरी को मान्य करता है।
• अनुकूलन आवंटन (Adaptive Allocation):
  • "एक्टिव" आवंटन नीति (अनुभाग 5.2 में प्रस्तावित) यूनिफॉर्म और रैंडम सैंपलिंग रणनीतियों से बेहतर रही, जिसने प्रति इकाई बजट अधिक पावर और निर्णय लिए गए परिकल्पनाओं का बड़ा हिस्सा हासिल किया।
  • एक्टिव आवंटन, बेसलाइन की तुलना में RKHS में ऑरेकल स्थानिक फंक्शन तक तेजी से अभिसरित (converged) हुआ।

5. महत्व और दावे

शोध पत्र दावा करता है कि यह परिमित-डेटा अनिश्चितता, संरचित परिकल्पना स्थानों और संसाधन आवंटन के त्रय (triad) को संबोधित करने वाला पहला एकीकृत ढांचा प्रस्तुत करता है।

• सैद्धांतिक महत्व: यह स्थापित करता है कि निरंतर p-मान अनुमान ($O(1/\sqrt{m})$) के बजाय काउंट स्पेस में मार्जिनल लाइकलीहुड के साथ काम करने से $O(1/m)$ तक का लाभ मिलता है। यह संरचित सेटिंग्स में सटीक FDR नियंत्रण और पावर के बीच के ट्रेड-ऑफ को एक मात्रात्मक स्लैक (quantifiable slack) के साथ परिभाषित करता है।
• व्यावहारिक महत्व: प्रस्तावित आवंटन नीति शोधकर्ताओं को उन स्थानों पर नल नमूनों को बुद्धिमानी से निर्देशित करके सख्त संसाधन बाधाओं के तहत खोजों को अधिकतम करने की अनुमति देती है जहाँ वे अनिश्चितता को सबसे प्रभावी ढंग से कम करते हैं।
• विनम्रता (Modesty): लेखक सीमाओं को स्वीकार करते हैं, जिनमें यूनिफॉर्म नल p-मानों की धारणा (जिसे बीटा मिश्रणों के माध्यम से संबोधित किया जा सकता है), आइसोलेटेड परिकल्पनाओं के लिए वेरिएंस फ्लोर का अस्तित्व, और आवंटन नीति के i.i.d. धारणाओं को संतुष्ट करने के लिए एक "बर्न-इन" चरण पर निर्भरता शामिल है। वे नोट करते हैं कि नियम 2 का सटीक FDR नियंत्रण स्थिरता संबंधी धारणाओं पर निर्भर करता है, जो हालांकि बीटा-बाइनोमियल ज्यामिति के तहत सामान्य हैं, सभी कॉन्फ़िगरेशन में गारंटीकृत नहीं हैं।

यह कार्य कर्नेल-आधारित रेगुलराइजेशन विधियों और परिमित-नमूना FDR नियंत्रण के बीच एक सेतु के रूप में खुद को स्थापित करता है, जो जटिल, संरचित वैज्ञानिक खोज समस्याओं के लिए एक सुलभ दृष्टिकोण प्रदान करता है।