🤖 machine learning

Dynamic estimation of slowly varying sequences

यह शोध पत्र एक सामान्य, अनुकूलन योग्य ढांचे और एक नवीन एल्गोरिदम को प्रस्तुत करता है जो धीरे-धीरे बदलने वाले अनुक्रमों (sequences) का गतिशील रूप से अनुमान लगाने के लिए, स्थानीय विविधताओं के साथ अनुमान बजट को स्केल करके और बिना किसी महत्वपूर्ण ओवरहेड के ऑन-द-फ्लाई परिवर्तन का पता लगाकर पूर्ववर्ती अत्याधुनिक लागत सीमाओं (cost bounds) में सुधार करता है।

मूल लेखक: Prashant Gokhale, Mikhail Khodak, Sandeep Silwal

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Prashant Gokhale, Mikhail Khodak, Sandeep Silwal

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 खेल का रनिंग स्कोर रखने की कोशिश कर रहे हैं जो समय के साथ बहुत धीरे-धीरे बदल रहा है। हर दिन, गेम बोर्ड थोड़ा सा खिसक जाता है। आपका काम हर दिन बोर्ड का कुल स्कोर अनुमानित करना है, लेकिन आपके पास "ऊर्जा" (या कंप्यूटर समय) का एक सीमित बजट है।

अतीत में, यदि आप सुरक्षित रहना चाहते थे, तो आप मान लेते थे कि गेम बोर्ड हर एक दिन नाटकीय रूप से बदल सकता है। इसलिए, आप हर सुबह पूरी गणना शून्य से करने के लिए बहुत अधिक ऊर्जा खर्च करते थे। यह सुरक्षित था, लेकिन बेहद बर्बादी भरा था, खासकर यदि बोर्ड उस दिन बहुत कम हिला हो।

यह शोध पत्र इस खेल को खेलने का एक स्मार्ट तरीका पेश करता है। यह एक स्मार्ट असिस्टेंट की तरह है जो जानता है: "हे, बोर्ड आज केवल थोड़ा सा ही हिला है, इसलिए मुझे सब कुछ फिर से कैलकुलेट करने की ज़रूरत नहीं है। मैं बस उन हिस्सों को अपडेट करूँगा जो बदले हैं।"

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

1. समस्या: "सब-या-कुछ-नहीं" वाला दृष्टिकोण (The "All-or-Nothing" Approach)

कल्पना कीजिए कि आप एक कमरे के तापमान को ट्रैक कर रहे हैं।

पुराना तरीका: हर सुबह, आप बाहर जाते हैं, कमरे के हर एक स्थान का तापमान मापते हैं, और औसत को फिर से कैलकुलेट करते हैं। भले ही कमरा कल की तुलना में बिल्कुल न बदला हो, फिर भी आप पूरा काम करते हैं। यदि आप इसे 100 दिनों तक करते हैं, तो आपने 100 पूरे दिन का काम किया है।
शोध पत्र का अंतर्दृष्टि (Insight): यदि कमरा केवल 1 डिग्री गर्म हुआ है, तो आपको पूरा कमरा फिर से मापने की आवश्यकता नहीं है। आपको बस अंतर (1 डिग्री का परिवर्तन) को मापने की आवश्यकता है और उसे कल की संख्या में जोड़ना है।

2. समाधान: "अनुकूली बजट" (The "Adaptive Budget")

लेखकों ने इस "स्मार्ट असिस्टेंट" के लिए एक ढांचा (नियमों का एक सेट) बनाया है।

डायनेमिक स्केलिंग (Dynamic Scaling): असिस्टेंट देखता है कि आज सिस्टम में कितना बदलाव आया है (इसे "स्टेप साइज" मान लें)।
- यदि बदलाव बहुत बड़ा था (एक तूफान आ गया), तो असिस्टेंट सटीक नया माप प्राप्त करने के लिए बहुत अधिक ऊर्जा खर्च करता है।
- यदि बदलाव बहुत छोटा था (एक हल्की हवा चली), तो असिस्टेंट बहुत कम ऊर्जा खर्च करता है, बस छोटे अंतर की जांच करता है।
परिणाम: इसके बजाय कि लागत सबसे खराब दिन (जो शायद कभी न आए) पर आधारित हो, कुल लागत सभी छोटे बदलावों के योग पर आधारित होती है। यदि सिस्टम ज्यादातर स्थिर रहता है और केवल कुछ बड़े उछाल आते हैं, तो आप बहुत सारी ऊर्जा बचाते हैं।

3. "जादुई ट्रिक": बदलाव का अनुमान लगाना

आमतौर पर, यह जानने के लिए कि कितनी ऊर्जा खर्च करनी है, आपको यह जानने की आवश्यकता होती है कि सिस्टम में कितना बदलाव आया है, इससे पहले कि आप मापना शुरू करें। लेकिन क्या होगा यदि आप यह नहीं जानते हैं?

शोध पत्र एक चतुर ट्रिक दिखाता है: आप एक "रफ गेस" (एक मोटा अनुमान) प्राप्त करने के लिए बहुत कम, लगभग मुफ्त ऊर्जा खर्च कर सकते हैं कि सिस्टम में कितना बदलाव आया है।
भले ही यह अनुमान सटीक न हो, फिर भी यह असिस्टेंट को यह बताने के लिए पर्याप्त है कि उसे कम ऊर्जा खर्च करनी चाहिए या अधिक। यह सिस्टम को तब भी काम करने की अनुमति देता है जब आपके पास कोई भविष्य बताने वाला क्रिस्टल बॉल नहीं होता।

4. यह कहाँ काम करता है (अनुप्रयोग/Applications)

शोध पत्र यह सिद्ध करता है कि यह "स्मार्ट असिस्टेंट" कई अलग-अलग प्रकार की समस्याओं के लिए काम करता है, न कि केवल एक के लिए:

मैट्रिक्स ट्रेसेस (The "Hidden Sum"): गणित और AI में, मैट्रिसेस संख्याओं के विशाल ग्रिड होते हैं। कभी-कभी आपको विकर्ण (diagonal) पर मौजूद संख्याओं का योग (trace) निकालने की आवश्यकता होती है। यह समझने के लिए महत्वपूर्ण है कि न्यूरल नेटवर्क कैसे सीखते हैं। शोध पत्र दिखाता है कि कैसे इस योग को ट्रैक किया जाए क्योंकि नेटवर्क प्रशिक्षित हो रहा है, जिससे बहुत सारा कंप्यूटर समय बचता है।
स्पेक्ट्रल डेंसिटी (The "Sound of the System"): यह किसी सिस्टम के "कंपनों" या आवृत्तियों (frequencies) को समझने के बारे में है। शोध पत्र दिखाता है कि कैसे इन आवृत्तियों को ट्रैक किया जाए जब वे धीरे-धीरे बदलती हैं।
मोंटे कार्लो इंटीग्रेशन (The "Average Guess"): कल्पना कीजिए कि आप कुछ यादृच्छिक (random) लोगों से पूछकर किसी शहर के लोगों की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं। यदि शहर की जनसंख्या धीरे-धीरे बदल रही है, तो आपको हर दिन 1,000 नए लोगों को पूछने की आवश्यकता नहीं है। आप बस कुछ लोगों से पूछ सकते हैं कि औसत कैसे बदला है।
भौतिकी समीकरणों को हल करना (The "Dirichlet Problem"): यह इस बारे में है कि एक आकार के माध्यम से गर्मी या बिजली कैसे फैलती है। यदि उस आकार की सीमा धीरे-धीरे बदलती है, तो शोध पत्र दिखाता है कि पूरे भौतिकी समस्या को फिर से हल किए बिना कुशलतापूर्वक भविष्यवाणी को कैसे अपडेट किया जाए।

5. प्रमाण: वास्तविक दुनिया के परीक्षण

लेखकों ने केवल गणित नहीं किया; उन्होंने इसका परीक्षण भी किया।

सिंथेटिक टेस्ट: उन्होंने नकली डेटा बनाया जहाँ सिस्टम ज्यादातर स्थिर था लेकिन इसमें बड़े बदलावों के कुछ "बर्स्ट" (झोंके) थे। उनकी विधि ने पुराने "वर्स्ट-केस" तरीके की तुलना में काफी कम कंप्यूटर संसाधनों (क्वेरीज़) का उपयोग किया।
वास्तविक AI टेस्ट: उन्होंने एक कंप्यूटर पर एक वास्तविक न्यूरल नेटवर्क प्रशिक्षण पर इसे लागू किया। जैसे-जैसे नेटवर्क सीख रहा था, "हेसियन" (एक जटिल गणितीय वस्तु जो नेटवर्क के आकार का वर्णन करती है) धीरे-धीरे बदल रहा था। उनकी विधि ने इस आकार को कुशलतापूर्वक ट्रैक किया, जिससे मानक विधि की तुलना में समय की बचत हुई, विशेष रूप से बड़े लर्निंग जंप के बीच के शांत अवधियों के दौरान।

सारांश

इस शोध पत्र को गतिशील प्रणालियों (dynamic systems) के लिए एक बजट-सचेत अकाउंटेंट के रूप में समझें।

पुराना तरीका: "मुझे नहीं पता कि नंबर बदले हैं या नहीं, इसलिए मैं हर दिन पूरी तिजोरी को फिर से गिनूँगा।" (महंगा, बर्बादी भरा)।
नया तरीका: "मैं देखूँगा कि नंबर कितने हिले हैं। यदि यह एक पैसा है, तो मैं इसे जांचने के लिए एक पैसा खर्च करूँगा। यदि यह दस लाख डॉलर है, तो मैं दस लाख डॉलर खर्च करूँगा। मेरी कुल लागत ठीक उतनी ही है जितनी मुझे खर्च करने की आवश्यकता थी, न अधिक, न कम।"

यह जटिल, विकसित होती प्रणालियों (जैसे AI मॉडल या भौतिक सिमुलेशन) को बहुत तेज़ी से और सस्ते में ट्रैक करना संभव बनाता है, बशर्ते कि सिस्टम हर सेकंड पागलों की तरह न बदले।

तकनीकी सारांश: धीमी गति से बदलने वाले अनुक्रमों का गतिशील अनुमान (Dynamic Estimation of Slowly Varying Sequences)

समस्या विवरण (Problem Statement)

यह शोध पत्र एक धीमी गति से बदलने वाले अनुक्रम (slowly varying sequence) के तत्वों के फलनों (functions) को क्रमिक रूप से अनुमानित करने की समस्या को संबोधित करता है। विशेष रूप से, एक नॉर्मेड वेक्टर स्पेस $V$ में अनुक्रम $v_1, \dots, v_m$ दिया गया है, जहाँ क्रमागत तत्वों के बीच की दूरी एक स्थानीय स्टेप साइज $\alpha_t = \|v_t - v_{t-1}\|_V$ द्वारा सीमित है, लक्ष्य हर स्टेप $t$ पर एक रैखिक मानचित्र (linear map) $L(v_t)$ (या ऐसे कुछ गैर-रैखिक फलन जिन्हें इसमें बदला जा सकता है) के लिए एक अनुमान $\tilde{L}_t$ बनाए रखना है, जिसमें एडिटिव एरर (additive error) $\epsilon$ हो। उद्देश्य उच्च संभावना (high probability) के साथ इन सीमाओं की गारंटी देने के लिए कुल संचयी सैंपल कॉम्प्लेक्सिटी (जैसे कि क्वेरी या फंक्शन इवैल्यूएशन की संख्या) को कम करना है।

यह सेटिंग विभिन्न संदर्भों में उत्पन्न होती है, जिसमें विकसित होते प्रायिकता वितरणों (evolving probability distributions) का अनुमान लगाना, गतिशील सोशल नेटवर्क पर मेट्रिक्स को ट्रैक करना, ड्रिफ्टिंग डेटा स्ट्रीम्स के सांख्यिकी को बनाए रखना, और न्यूरल नेटवर्क ऑप्टिमाइज़ेशन के दौरान लॉस कर्वेचर (loss curvature) को ट्रैक करना शामिल है। एक प्रतिनिधि उदाहरण 'इम्प्लिसिट ट्रेस एस्टीमेशन' (implicit trace estimation) है, जहाँ आपके पास मैट्रिसेस के एक अनुक्रम के लिए मैट्रिक्स-वेक्टर प्रोडक्ट (MVP) एक्सेस होता है और आप उनके ट्रेस (traces) को ट्रैक करना चाहते हैं।

कार्यप्रणाली (Methodology)

1. सामान्य अनुकूलन ढांचा (General Adaptive Framework)

लेखक एक सामान्य ढांचा प्रस्तावित करते हैं जो एक "वेल-कंसेंट्रेटेड" (well-concentrated) स्टैटिक एस्टिमेटर को स्वीकार करता है और स्थानीय परिवर्तन $\alpha_t$ के आधार पर क्वेरी बजट को गतिशील रूप से समायोजित करता है।

वेल-कंसेंट्रेटेड एस्टिमेटर: ढांचा यह मानता है कि एक रैखिक मानचित्र $L$ के लिए एक रैंडमाइज्ड स्टैटिक एस्टिमेटर $E(v, k)$ मौजूद है जो अनबायस्ड (unbiased) है और सब-एक्सपोनेंशियल कंसंट्रेशन प्रदर्शित करता है। विशेष रूप से, एरर पैरामीटर्स (वेरिएंस $\nu$ और स्केल $\beta$ ) को इनपुट के नॉर्म $\|v\|$ और सैंपल बजट $k$ के व्युत्क्रम (inverse) के साथ स्केल होना चाहिए (उदाहरण के लिए, $\nu \propto \|v\|/\sqrt{k}$ )।
अनुकूलन अपडेट तंत्र (Adaptive Update Mechanism): हर स्टेप पर अनुमान को शून्य से फिर से गणना करने के बजाय (जिसमें $m$ $m$ के अनुपात में लागत आती है), एल्गोरिदम पिछले अनुमान $\tilde{L}_{t-1}$ $\tilde{L}_{t - 1}$ को एक कारक $(1-\gamma_t)$ $(1 - γ_{t})$ द्वारा स्केल करके अपडेट करता है, जहाँ $\gamma_t$ $γ_{t}$ स्टेप साइज से संबंधित है।
1. डैम्पिंग (Damping): पिछले अनुमान $\tilde{L}_{t-1}$ को एक कारक $(1-\gamma_t)$ से स्केल करना।
2. रेसिडुअल एस्टीमेशन (Residual Estimation): एक ताज़ा सैंपल बजट $k_t$ का उपयोग करके "रेसिडुअल" स्टेट $u_t = v_t - (1-\gamma_t)v_{t-1}$ का अनुमान लगाना।
3. रिकॉम्बिनेशन (Recombination): नया अनुमान $\tilde{L}_t = (1-\gamma_t)\tilde{L}_{t-1} + \hat{L}_t$ है, जहाँ $\hat{L}_t$ रेसिडुअल का अनुमान है।
बजट स्केलिंग (Budget Scaling): महत्वपूर्ण रूप से, स्थानीय सैंपल बजट $k_t$ को स्थानीय स्टेप साइज $\alpha_t$ के आनुपातिक रूप से स्केल किया जाता है। यह सुनिश्चित करता है कि जब अनुक्रम स्थिर ( $\alpha_t$ छोटा) होता है, तो एल्गोरिदम बहुत कम संसाधनों का उपयोग करता है, जबकि जब महत्वपूर्ण परिवर्तन होते हैं, तभी यह अधिक संसाधन आवंटित करता है।

2. अज्ञात स्टेप साइज को संभालना (Handling Unknown Step Sizes)

कई व्यावहारिक परिदृश्यों में, सटीक स्टेप साइज $\alpha_t$ अज्ञात होता है। लेखक एक दो-चरणीय दृष्टिकोण पेश करते हैं:

नॉर्म एस्टीमेशन ऑरेकल (Norm Estimation Oracle): एक हल्का (lightweight) प्रोसीजर ऑन-द-फ्लाई (on-the-fly) $\alpha_t$ के परिमाण का अनुमान लगाता है, जो एक निश्चित संख्या में क्वेरीज़ का उपयोग करता है (कई मामलों में $\epsilon$ से स्वतंत्र)।
प्रॉक्सी स्टेप साइज (Proxy Step Size): इस अनुमान का उपयोग मुख्य एडेप्टिव एल्गोरिदम के लिए पैरामीटर सेट करने हेतु एक प्रॉक्सी $\tilde{\alpha}_t$ के रूप में किया जाता है। सैद्धांतिक विश्लेषण से पता चलता है कि $\alpha_t$ को एक स्थिरांक कारक के भीतर अनुमानित करना केवल एक स्थिरांक कारक वृद्धि के साथ शुद्धता बनाए रखने के लिए पर्याप्त है।

मुख्य योगदान (Key Contributions)

सामान्य-उद्देश्यीय अनुकूलन ढांचा (General-Purpose Adaptive Framework): यह शोध पत्र एक मेटा-एल्गोरिदम पेश करता है जो विविध वेक्टर स्पेस (जैसे मैट्रिसेस, $L_\infty$ फंक्शन्स) और रैखिक एवं गैर-रैखिक दोनों प्रकार के मैप्स (रिडक्शन के माध्यम से) के लिए काम करता है।
बेहतर जटिलता सीमाएँ (Improved Complexity Bounds): प्राथमिक सैद्धांतिक योगदान एक क्वेरी कॉम्प्लेक्सिटी बाउंड है जो पूर्ववर्ती कार्यों (जैसे धरंगट्टे और मुस्को, 2021) के वर्स्ट-केस बाउंड $m \cdot \max_t \alpha_i$ के बजाय स्थानीय परिवर्तनों के योग $\sum_{t=2}^m \alpha_t$ के साथ स्केल होता है। इसके परिणामस्वरूप एक "पाथ-लेंथ-स्टाइल" बाउंड $O(\sum \alpha_i)$ प्राप्त होता है, जो अचानक होने वाले बड़े बदलावों (bursts of change) वाले अनुक्रमों के लिए काफी बेहतर है।
ऑन-द-फ्लाई एस्टीमेशन (On-the-Fly Estimation): यह पेपर दिखाता है कि कैसे स्टेप साइज को बिना किसी अतिरिक्त लागत के डायनामिकली एस्टिमेट किया जा सकता है, जिससे यह धारणा समाप्त हो जाती है कि $\alpha_i$ का ग्लोबल बाउंड पहले से ज्ञात होना चाहिए।
विविध अनुप्रयोग (Diverse Applications): इस ढांचे को निम्नलिखित पर लागू किया गया है:
- डायनेमिक ट्रेस एस्टीमेशन: मैट्रिक्स ट्रेस के लिए स्टेट-ऑफ-द-आर्ट बाउंड्स में सुधार।
- मैट्रिक्स पावर्स (Matrix Powers): $\text{tr}(A_t^k)$ को ट्रैक करना, यह दिखाते हुए कि धीरे-धीरे बदलने वाले मैट्रिसेस के पावर्स भी धीरे-धीरे ही विकसित होते हैं।
- स्पेक्ट्रल डेंसिटी एस्टीमेशन: स्पेक्ट्रल मोमेंट्स को ट्रैक करके आइजनवैल्यू डिस्ट्रीब्यूशन का अनुमान लगाना।
- मोंटे कार्लो इंटीग्रेशन: विकसित होते फलन (functions) के इंटीग्रल्स के अनुमान को बनाए रखना।
- डिरिचलेट प्रॉब्लम्स (Dirichlet Problems): बदलते बाउंड्री कंडीशंस के साथ PDEs के बाउंड्री वैल्यू प्रॉब्लम्स को हल करना।

परिणाम (Results)

सैद्धांतिक परिणाम (Theoretical Results)

थ्योरम 1 (ज्ञात स्टेप साइज): $\alpha_t$ स्टेप साइज वाले लंबाई $m$ के अनुक्रम के लिए, कुल सैंपल कॉम्प्लेक्सिटी $O\left( \left(\frac{1}{\epsilon^2} + \frac{1}{\epsilon}\right) \log(m/\delta) (1 + \sum \alpha_t) \right)$ द्वारा सीमित है। यह $O(m \cdot \max \alpha_t)$ बेसलाइन में सुधार करता है।
थ्योरम 2 (अज्ञात स्टेप साइज): दो-चरणीय एल्गोरिदम $\sum k_{norm}$ के एडिटिव ओवरहेड के साथ समान कॉम्प्लेक्सिटी बाउंड प्राप्त करता है, जहाँ $k_{norm}$ स्टेप साइज एस्टिमेट करने की लागत है।
कोरोलेरीज़ (Corollaries): मैट्रिक्स पावर्स (जो $k \sum \alpha_t$ के साथ स्केल होता है), स्पेक्ट्रल डेंसिटी (जो $e^{O(1/\epsilon)} \sum \alpha_t$ के साथ स्केल होता है), और मोंटे कार्लो इंटीग्रेशन के लिए विशिष्ट बाउंड निकाले गए हैं।

अनुभवजन्य परिणाम (Empirical Results)

लेखक अपने दृष्टिकोण को प्रयोगों के माध्यम से मान्य करते हैं:

सिंथेटिक मैट्रिसेस: दुर्लभ, बड़े व्यवधानों (perturbations) वाले $2000 \times 2000$ मैट्रिसेस के एक अनुक्रम पर, एडेप्टिव एल्गोरिदम फिक्स्ड-बजट बेसलाइन (DeltaShift) की तुलना में संचयी मैट्रिक्स-वेक्टर प्रोडक्ट (MVP) लागत को काफी कम कर देता है।
पारेटो फ्रंटियर (Pareto Frontier): एडेप्टिव विधि समान कंप्यूटेशनल बजट के लिए कम त्रुटि (मैक्सिमम, मीन, और वेटेड मीन) प्राप्त करती है।
न्यूरल नेटवर्क ट्रेनिंग: SGDR (Warm Restarts के साथ SGD) के दौरान हेसियन ट्रेस (Hessian trace) को ट्रैक करते समय, एडेप्टिव विधि स्थिर अवधियों के दौरान क्वेरीज़ को कम करती है और रीस्टार्ट्स (जहाँ हेसियन तेजी से बदलता है) के दौरान उन्हें बढ़ा देती है, जिससे बेसलाइन के समान एरर लेवल बनाए रखते हुए कम कुल लागत लगती है।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह अनुक्रमिक सन्निकटन (sequential approximation) टूलकिट को सामान्य-उद्देश्यीय और अनुकूलनीय (adaptive) बनाता है। जटिलता की निर्भरता को वर्स्ट-केस स्टेप साइज से बदलकर 'परिवर्तनों के संचयी पथ की लंबाई' (cumulative path length of changes) पर लाकर, यह ढांचा "दुर्लभ उछाल वाले स्थिर अनुक्रमों" (stable sequences with rare bursts) के लिए एक अधिक कुशल समाधान प्रदान करता है, जो वास्तविक दुनिया के गतिशील प्रणालियों में एक सामान्य पैटर्न है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण:

पिछले 'इम्प्लिसिट ट्रेस एस्टीमेशन' परिणामों को व्यापक श्रेणी के रैखिक और गैर-रैखिक समस्याओं के लिए सामान्यीकृत करता है।
सिस्टम की वास्तविक गतिशीलता के अनुसार अनुकूलित (adapt) होता है, जिसके लिए अधिकतम परिवर्तन के पूर्व ज्ञान की आवश्यकता नहीं होती।
डायनेमिक ट्रेस एस्टीमेशन के लिए स्टेट-ऑफ-द-आर्ट गारंटियों में सुधार करता है, और यह सैद्धांतिक आधार प्रदान करता है कि जब परिवर्तन छोटे होते हैं तो पिछले क्वेरीज़ का पुन: उपयोग करना क्यों प्रभावी है।

यह कार्य यह दावा नहीं करता है कि यह सभी डायनेमिक एस्टीमेशन समस्याओं को हल करता है, बल्कि यह किसी भी ऐसी सेटिंग के लिए एक मजबूत ढांचा प्रदान करता है जहाँ एक 'वेल-कंसेंट्रेटेड' स्टैटिक एस्टिमेटर मौजूद हो और मूल अनुक्रम धीरे-धीरे विकसित हो रहा हो।