📊 statistics

Optimal Posterior E-values with Non-Convex Parameter Sets with Applications to Voting Systems

यह शोधपत्र एक कुशल फ्रैंक-वोल्डे (Frank-Wolfe) एल्गोरिदम का उपयोग करके अनुक्रमिक सांख्यिकीय परीक्षण के लिए इष्टतम पश्चवर्ती ई-मूलों (posterior e-values) का एक सिद्धांत विकसित करता है ताकि गैर-उत्तल (non-convex) पैरामीटर सेटों को संभाला जा सके, और फ्रांसीसी 2022 राष्ट्रपति चुनाव के डेटा पर कोंडोर्सेट (Condorcet), बोर्डा (Borda), और शुलज़ (Schulze) मतदान प्रणालियों के अनुप्रयोगों के माध्यम से इसकी उत्कृष्ट शक्ति और नमूना आकार दक्षता को प्रदर्शित करता है।

मूल लेखक: Adrienne Tuynman, Timothée Mathieu

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adrienne Tuynman, Timothée Mathieu

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

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) का विवरण दिया गया है।

बड़ी तस्वीर: "जब तक पता न चल जाए, तब तक रुकें" वाला पोल

कल्पना कीजिए कि आप एक राजनीतिक पोल (मतदान सर्वेक्षण) चला रहे हैं। आप जानना चाहते हैं कि चुनाव कौन जीतेगा, लेकिन आप देश के हर एक मतदाता से नहीं पूछना चाहते। आप बस पर्याप्त लोगों से पूछना चाहते हैं ताकि आप परिणाम के प्रति निश्चित (sure) हो सकें, और फिर समय और पैसा बचाने के लिए तुरंत रुक सकें।

समस्या यह है कि पारंपरिक सांख्यिकी (statistics) अक्सर आपको काम शुरू करने से पहले ही लोगों की एक निश्चित संख्या तय करने के लिए मजबूर करती है। यदि आप जल्दी रुक जाते हैं, तो आपके परिणाम अस्थिर हो सकते हैं। यदि आप बहुत अधिक लोगों से पूछते हैं, तो आपने संसाधनों की बर्बादी की।

यह शोध पत्र इन पोल को चलाने का एक नया, स्मार्ट तरीका पेश करता है। यह एक गणितीय उपकरण का उपयोग करता है जिसे "e-value" (इसे एक "कॉन्फिडेंस मीटर" समझें) कहा जाता है, जो आपको डेटा एकत्र करना ठीक उसी क्षण रोकने की अनुमति देता है जब विजेता घोषित करने के लिए सबूत पर्याप्त रूप से मजबूत हो जाते हैं।

मतदान प्रणाली: तीन अलग-अलग खेल

लेखकों ने अपने तरीके का परीक्षण वोटों की गिनती के तीन अलग-अलग तरीकों पर किया:

कंडोरसेट (Condorcet - "किंग ऑफ द हिल"): एक उम्मीदवार तब जीतता है जब वह आमने-सामने के मुकाबले में अन्य प्रत्येक उम्मीदवार को हरा देता है। यह सरल है, लेकिन कभी-कभी कोई स्पष्ट विजेता नहीं होता (जैसे रॉक-पेपर-सिज़र्स में, जहाँ रॉक सिज़र्स को हराता है, सिज़र्स पेपर को हराता है, लेकिन पेपर रॉक को हराता है)।
बोर्डा (Borda - "पॉइंट सिस्टम"): मतदाता उम्मीदवारों को रैंक करते हैं। विजेता वह होता है जिसके पास कुल सबसे अधिक अंक होते हैं। यह गणितीय रूप से "स्मूथ" (smooth) है और इसे संभालना आसान है।
शुलज़ (Schulze - "चेन रिएक्शन"): यह सबसे पेचीदा है। यह जीत की कड़ियों (chains) को देखता है। यदि A, B को हराता है, और B, C को हराता है, तो A के पास C को हराने का एक मजबूत रास्ता है। यह तरीका वास्तविक दुनिया के संगठनों (जैसे विकिमीडिया फाउंडेशन) में बहुत लोकप्रिय है लेकिन गणितीय रूप से बहुत उलझा हुआ और "बंपी" (ऊबड़-खाबड़) है।

समस्या: "बंपी" (ऊबड़-खाबड़) नक्शा

सांख्यिकी में, आप आमतौर पर सभी संभावित परिणामों का एक नक्शा बनाने की कोशिश करते हैं।

बोर्डा के लिए, नक्शा एक सुंदर, चिकनी पहाड़ी (convex) की तरह है। आप आसानी से शिखर पा सकते हैं।
शुलज़ के लिए, नक्शा एक ऊबड़-खाबड़, पथरीला परिदृश्य है जिसमें कई अलग-अलग चोटियाँ और घाटियाँ हैं (non-convex)।

पिछले तरीके उन हाइकर्स (पर्वतारोहियों) की तरह थे जो केवल चिकनी पहाड़ियों पर चलना जानते थे। वे बोर्डा को संभाल सकते थे, लेकिन जब उन्होंने ऊबड़-खाबड़ शुलज़ के इलाके में जाने की कोशिश की, तो वे या तो फंस गए या हार मान ली।

समाधान: "बैकपैकर का कंपास" (POE)

लेखकों ने एक नया तरीका बनाया जिसे POE (Posterior Optimal E-value) कहा जाता है।

पुराना तरीका: एक स्थिर नक्शे को देखकर पहाड़ पर सबसे अच्छा रास्ता खोजने की कोशिश करने जैसा है। यदि नक्शा गलत है या इलाका अजीब है, तो आप खो जाते हैं।
POE का तरीका: एक बैकपैकर की कल्पना करें जिसके पास एक जादुई कंपास है जो हर कदम के साथ खुद को अपडेट करता है।
- जैसे-जैसे आप डेटा एकत्र करते हैं (मतदाताओं से पूछते हैं), कंपास जो आपने अब तक देखा है उसके आधार पर "सबसे अच्छे रास्ते" की पुनर्गणना करता है।
- यह केवल एक विशिष्ट विजेता की तलाश नहीं करता; यह आपके पास मौजूद डेटा के लिए सबसे अच्छे संभावित स्पष्टीकरण की तलाश करता है।
- महत्वपूर्ण बात यह है कि यह कंपास ऊबड़-खाबड़ शुलज़ के इलाके में भी काम करता है जहाँ अन्य तरीके विफल हो जाते हैं।

उन्होंने इसे कैसे काम करने के लायक बनाया: "फ्रैंक-वोल्फ" एल्गोरिदम

इस कंपास को ऊबड़-खाबड़ शुलज़ के इलाके में काम करने के योग्य बनाने के लिए, लेखकों को गणित करने का एक नया तरीका आविष्कार करना पड़ा। उन्होंने फ्रैंक-वोल्फ (Frank-Wolfe) एल्गोरिदम नामक तकनीक का उपयोग किया।

उपमा (Analogy): कल्पना कीजिए कि आप एक घाटी के सबसे निचले बिंदु को खोजने की कोशिश कर रहे हैं, लेकिन आप पूरी घाटी को नहीं देख सकते। आप केवल छोटे कदम उठा सकते हैं।
- पुराने तरीकों ने बड़े, जटिल कदम उठाने की कोशिश की जो अक्सर चट्टानों में फंस जाते थे।
- फ्रैंक-वोल्फ विधि उस दिशा में छोटे, स्मार्ट कदम उठाने की तरह है जो अभी सबसे तीव्र (steepest) लग रही है। यह कुशल है और ऊबड़-खाबड़ किनारों से भ्रमित नहीं होती है।

वास्तविक दुनिया का परीक्षण: 2022 का फ्रांसीसी चुनाव

अपने तरीके को साबित करने के लिए, उन्होंने केवल नकली नंबरों का उपयोग नहीं किया। उन्होंने 2022 के फ्रांसीसी राष्ट्रपति चुनाव के वास्तविक डेटा का उपयोग किया।

प्रश्न: "यदि फ्रांसीसी मतदाताओं ने वर्तमान प्रणाली के बजाय बोर्डा प्रणाली का उपयोग किया होता, तो कौन जीतता?"
परिणाम: उन्होंने एक पोल का अनुकरण (simulate) किया। जैसे-जैसे उन्होंने अधिक "मतदाताओं" से पूछा (एल्गोरिदम द्वारा सिम्युलेट किया गया), वे एक-एक करके उम्मीदवारों को बाहर करने में सक्षम हुए।
विजेता: एल्गोरिदम ने आत्मविश्वास से रुककर यानिक जडोट (Yannick Jadot) को बोर्डा विजेता घोषित किया।
दक्षता (Efficiency): उन्होंने पाया कि उन्हें परिणाम के प्रति आश्वस्त होने के लिए पुराने सांख्यिकीय तरीकों की तुलना में बहुत कम "मतदाताओं" की आवश्यकता थी। वास्तव में, उनका तरीका इतना कुशल था कि वह वास्तविक राजनीतिक पोल में सर्वेक्षण किए जाने वाले लोगों के एक बहुत छोटे हिस्से के साथ ही निष्कर्ष पर पहुँच सकता था।

दावों का सारांश

नया टूल: उन्होंने एक नया सांख्यिकीय उपकरण (POE) बनाया है जो "ऑप्टिमल" (इष्टतम) है, जिसका अर्थ है कि यह बिना गलती किए यथाशीघ्र उत्तर खोजता है।
जटिलता को संभालना: पिछले उपकरणों के विपरीत, यह तब भी काम करता है जब खेल के नियम (जैसे शुलज़ वोटिंग सिस्टम) गणितीय रूप से "बंपी" और जटिल होते हैं।
दक्षता: परीक्षणों में, उनका तरीका 100% विश्वसनीय होते हुए भी अन्य शीर्ष-स्तरीय तरीकों की तुलना में डेटा संग्रह जल्दी रोक देता है।
वास्तविक अनुप्रयोग: उन्होंने सफलतापूर्वक इसे वास्तविक चुनाव डेटा पर लागू किया ताकि एक काल्पनिक विजेता निर्धारित किया जा सके, जिससे यह सिद्ध होता है कि यह केवल सिद्धांत में ही नहीं, बल्कि वास्तविक दुनिया में भी काम करता है।

संक्षेप में: उन्होंने पोल चलाने का एक स्मार्ट, तेज़ और अधिक लचीला तरीका बनाया है जो जटिल मतदान नियमों को संभाल सकता है और ठीक उसी समय रुक सकता है जब उत्तर स्पष्ट हो जाए, जिससे समय और धन की बचत होती है।

तकनीकी सारांश: गैर-उत्तल (Non-Convex) पैरामीटर सेट्स के साथ इष्टतम पोस्टीरियर ई-वैल्यूज़ (Optimal Posterior E-values) और वोटिंग सिस्टम में इनके अनुप्रयोग

समस्या विवरण
यह शोध पत्र वरीयता डेटा (preference data) पर अनुक्रमिक परिकल्पना परीक्षण (sequential hypothesis tests) करने की चुनौती को संबोधित करता है, विशेष रूप से राजनीतिक पोलिंग और वोटिंग सिस्टम के संदर्भ में। इसका लक्ष्य यह निर्धारित करना है कि एक चुनाव का विजेता (कॉन्डोरसेट, बोर्डा, या शुल्ज़ नियमों के तहत) कौन है, जिसके लिए युग्म तुलना डेटा (pairwise comparison data) को अनुक्रमिक रूप से एकत्र किया जाता है और जैसे ही सांख्यिकीय रूप से महत्वपूर्ण परिणाम प्राप्त होते हैं, परीक्षण को रोक दिया जाता है।

मुख्य सांख्यिकीय कठिनाई परिकल्पना सेटों की प्रकृति से उत्पन्न होती है। जबकि युग्म वरीयताओं (बहुभिन्नरूपी बरनौली डेटा) के लिए पैरामीटर स्पेस अच्छी तरह से परिभाषित है, विशिष्ट वोटिंग विजेताओं ( $H_0$ और $H_1$ ) के अनुरूप पैरामीटर सेट जटिल हो सकते हैं।

कॉन्डोरसेट और बोर्डा विजेता उत्तल (convex) या सरल पैरामीटर सेट्स के अनुरूप होते हैं।
शुल्ज़ विजेता गैर-उत्तल (non-convex) पैरामीटर सेट्स के अनुरूप होते हैं जो कई उत्तल घटकों (वरीयताओं के सख्त क्रम द्वारा परिभाषित) के संघ (union) से बने होते हैं।
इष्टतम अनुक्रमिक परीक्षणों के निर्माण के लिए मौजूदा विधियाँ, जैसे कि ग्रोथ रेट ऑप्टिमल (GRO) ई-वैल्यूज़, अक्सर रिवर्स इंफॉर्मेशन प्रोजेक्शन (RIPr) की गणना करने के लिए शून्य परिकल्पना (null hypothesis) की उत्तलता पर निर्भर करती हैं। यह शोध पत्र सामान्य मिश्रित परिकल्पनाओं (composite hypotheses), जिनमें शुल्ज़ वोटिंग विधि जैसे गैर-उत्तल सेट शामिल हैं, को संभालने में सक्षम सिद्धांत और एल्गोरिदम विकसित करने का लक्ष्य रखता है।

कार्यप्रणाली (Methodology)
लेखक पोस्टीरियर ऑप्टिमल ई-वैल्यूज़ (POE) पर आधारित एक ढांचा प्रस्तावित करते हैं।

सैद्धांतिक ढांचा (POE):
- GRO मानदंड पर निर्माण करते हुए, जो एक विशिष्ट विकल्प के तहत ई-वैल्यू के अपेक्षित लॉग-ग्रोथ को अधिकतम करता है, लेखक एक बेयसियन दृष्टिकोण का उपयोग करके मिश्रित विकल्पों के लिए इसे विस्तारित करते हैं।
- वे एक पूर्व (prior) $\pi$ पर आधारित एक विकल्प पैरामीटर सेट $\Phi_1$ के लिए ई-वैल्यू $E$ के लिए एक उपयोगिता फलन (utility function) को परिभाषित करते हैं। लक्ष्य एक ऐसा टेस्ट सुपरमार्टिंगेल (test supermartingale) खोजना है जो किसी भी स्टॉपिंग टाइम $\tau$ के लिए एकीकृत उपयोगिता $G_t(E, \pi, \tau)$ को अधिकतम करे।
- प्रमेय 2 (Theorem 2) स्थापित करता है कि इष्टतम ई-वैल्यू (POE), एक-चरणीय इष्टतम ई-वैल्यूज़ का गुणनफल है। प्रत्येक चरण में एक लाइकलीहुड रेशियो (likelihood ratio) की गणना शामिल है जहाँ अंश (numerator) पोस्टीरियर प्रेडिक्टिव वितरण है और हर (denominator) $H_0$ पर इस पोस्टीरियर का प्रोजेक्शन है।
- टर्नर और ग्रुनवाल्ड (2022) जैसी पिछली विधियों के विपरीत, जो उत्तल सेट्स या निश्चित आयामों के लिए विशिष्ट सरलीकरणों पर निर्भर करती हैं, POE फॉर्मूलेशन सामान्य है और किसी भी $H_0$ और $H_1$ पर लागू होता है, बशर्ते कि KL डाइवर्जेंस परिमित (finite) हो।
एल्गोरिद्मिक कार्यान्वयन (RIPr के लिए फ्रैंक-वोल्के):
- POE की गणना के लिए प्रत्येक समय चरण पर एक रिवर्स इंफॉर्मेशन प्रोजेक्शन (RIPr) समस्या को हल करना आवश्यक है: वर्तमान पोस्टीरियर प्रेडिक्टिव वितरण से $H_0$ में एक वितरण खोजना जो KL डाइवर्जेंस को न्यूनतम करता हो।
- मानक एल्गोरिदम (जैसे ली का एल्गोरिदम) उच्च-आयामी बहुभिन्नरूपी बरनौली डेटा के लिए गणनात्मक रूप से महंगे होते हैं।
- लेखक इस समस्या के लिए फ्रैंक-वोल्के (Frank-Wolfe) एल्गोरिदम को अनुकूलित करते हैं। वितरणों के सीमित सपोर्ट (finite support) का लाभ उठाते हुए, वे अनुकूलन को $\mathbb{R}^{2^D}$ में पुनर्गठित करते हैं।
- लेम्मा 5 (Lemma 5) सिद्ध करता है कि एक पैरामीटर सेट $\Phi'$ पर वितरणों के चरम बिंदु (extremal points) डिरैक वितरण ( $P_{\delta_\phi}$ ) हैं। यह फ्रैंक-वोल्के एल्गोरिदम को चरम बिंदुओं (Dirac measures) पर पुनरावृत्ति करके इष्टतम प्रोजेक्शन खोजने की अनुमति देता है।
- यह दृष्टिकोण RIPr की गणना को सक्षम बनाता है, भले ही $H_0$ गैर-उत्तल उत्तल सेटों का एक संघ हो (जैसा कि शुल्ज़ पद्धति में है), एक ऐसी स्थिति जहाँ पूर्व GRO-आधारित विधियाँ विफल हो जाती हैं।
परीक्षण प्रक्रियाएं (Testing Procedures):
- कैप्ड सैंपल साइज टेस्ट (Capped Sample Size Test): एक निश्चित-बजट वाला परीक्षण जो तब रुक जाता है जब ई-वैल्यू $1/\alpha$ से अधिक हो जाती है या पूर्व-निर्धारित अधिकतम नमूना आकार $T$ तक पहुँच जाती है।
- फिक्स्ड कॉन्फिडेंस टेस्ट (PPOE): दो ई-वैल्यू अनुक्रमों (एक $H_0$ बनाम $H_1$ के लिए, एक $H_1$ बनाम $H_0$ के लिए) का उपयोग करने वाला एक समानांतर परीक्षण। यह तब रुकता है जब दोनों में से कोई भी अपने थ्रेशोल्ड को पार कर जाता है, जो हार्ड कैप के बिना फॉल्स पॉजिटिव रेट और पावर पर गारंटी प्रदान करता है।

प्रमुख योगदान

पोस्टीरियर ऑप्टिमल ई-वैल्यूज़ (POE): एक नया मानदंड जो बेयसियन प्रायर का उपयोग करके मिश्रित परिकल्पनाओं के लिए GRO को सामान्यीकृत करता है। यह दिखाया गया है कि यह पोस्टीरियर पर आधारित एक-चरणीय इष्टतम ई-वैल्यूज़ का गुणनफल है।
गैर-उत्तल सेट्स को संभालना: यह शोध पत्र शुल्ज़ वोटिंग सिस्टम का पहला सांख्यिकीय उपचार प्रदान करता है, जिसमें गैर-उत्तल पैरामीटर सेट शामिल हैं।
कुशल RIPr एल्गोरिदम: लेखक बहुभिन्नरूपी बरनियली डेटा के लिए रिवर्स इंफॉर्मेशन प्रोजेक्शन की गणना करने के लिए एक फ्रैंक-वोल्के-आधारित एल्गोरिदम पेश करते हैं। यह विधि शुल्ज़ वोटिंग के लिए आवश्यक गैर-उत्तल संयोजनों को संभालने के लिए पर्याप्त कुशल है, जो उत्तल $H_0$ तक सीमित पूर्व विधियों की सीमाओं को पार करती है।
सैद्धांतिक गारंटी: लेखक POE के लिए अभिसरण असमानताएँ (concentration inequalities) प्राप्त करते हैं और फिक्स्ड-सैंपल और फिक्स्ड-कॉन्फिडेंस दोनों परीक्षणों के लिए अपेक्षित स्टॉपिंग टाइम पर सीमाएँ प्रदान करते हैं, जो नमूना जटिलता (sample complexity) के संदर्भ में इष्टतमता दिखाते हैं।

प्रायोगिक परिणाम
लेखक सिमुलेशन और वास्तविक डेटा के माध्यम से अपने तरीके को सत्यापित करते हैं:

सिंथेटिक डेटा: 3 उम्मीदवारों के लिए कोंडोरसेट, बोर्डा और शुल्ज़ वोटिंग परिदृश्यों पर स्टेट-ऑफ-द-आर्ट विधियों (यूनिवर्सल इन्फरेंस, GLRT, टर्नर-ग्रुनवाल्ड ई-वैल्यूज़, और GRO) के विरुद्ध तुलना।
- POE और इसके समानांतर संस्करण (PPOE) प्रतिस्पर्धी शक्ति और नमूना जटिलता प्रदर्शित करते हैं।
- दिखाया गया है कि शुल्ज़ वोटिंग (गैर-उत्तल $H_0$ ) के लिए POE आवश्यक है, जहाँ उत्तल-सीमित विधियों को सीधे लागू नहीं किया जा सकता है।
- विधि "प्रायर डेटा" (प्रायर $\pi$ को प्री-ट्रेन करने) से लाभ उठाती है, और जैसे-जैसे प्रायर जानकारी बढ़ती है, यह एक ऑरेकल GRO टेस्ट के प्रदर्शन की ओर अभिसरित होती है।
वास्तविक डेटा अनुप्रयोग: इस पद्धति को 2022 के फ्रांसीसी राष्ट्रपति चुनाव के युग्म वरीयता डेटा पर लागू किया गया है।
- लक्ष्य बोर्डा विजेता को निर्धारित करने के लिए अनुक्रमिक परीक्षण करना था।
- टर्नर-ग्रुनवाल्ड (TG) एस्टिमेटर (जो उत्तल बोर्डा मामले के लिए पर्याप्त है) का उपयोग करते हुए, परीक्षण ने उम्मीदवारों को क्रमिक रूप से बाहर किया।
- प्रयोग ने निष्कर्ष निकाला कि यानिक जडोट (Yannick Jadot) बोर्डा विजेता होते। परीक्षण को पारंपरिक राजनीतिक सर्वेक्षणों (जैसे IPSOS जिसने 7,321 मतदाता उपयोग किए) की तुलना में एक निर्णायक निष्कर्ष तक पहुँचने के लिए काफी कम नमूनों (171 मतदाता, 4,721 युग्म तुलनाएँ) की आवश्यकता पड़ी।

महत्व और दावे
शोध पत्र यह दावा करता है कि वह वोटिंग सिस्टम में वरीयता परीक्षण के लिए एक सामान्य ढांचा प्रदान करता है जो परिकल्पना सेटों की उत्तलता (convexity) तक सीमित नहीं है।

यह शुल्ज़ वोटिंग सिस्टम को संबोधित करने वाला पहला सांख्यिकीय दृष्टिकोण है, जो अपने गैर-उत्तल पैरामीटर स्पेस के कारण अत्यंत कठिन है।
प्रस्तावित फ्रैंक-वोल्के एल्गोरिदम, परिमित-सपोर्ट वितरणों के लिए रिवर्स इंफॉर्मेशन प्रोजेक्शन की गणना करने का एक व्यावहारिक तरीका प्रदान करता है, जिसे संभावित रूप से वोटिंग से परे अन्य सेटिंग्स में भी विस्तारित किया जा सकता है।
लेखक नोट करते हैं कि जबकि POE और सरल TG एस्टिमेटर उत्तल सेटिंग्स (जैसे बोर्डा) में समान प्रदर्शन करते हैं, गैर-उत्तल सेटिंग्स के लिए POE आवश्यक है। वे स्वीकार करते हैं कि TG एस्टिमेटर की तुलना में POE की गणनात्मक लागत (फ्रैंक-वोल्के अपडेट के कारण) अधिक है, लेकिन गैर-उत्तल समस्याओं के लिए यह समझौता आवश्यक है।
यह कार्य उच्च-आयामी वास्तविक दुनिया के परिदृश्यों में अनुक्रमिक परीक्षण की व्यवहार्यता को उजागर करता है, यह प्रदर्शित करते हुए कि पारंपरिक पोलिंग विधियों की तुलना में बहुत कम नमूनों के साथ सांख्यिकीय रूप से महत्वपूर्ण निष्कर्ष निकाले जा सकते हैं।

लेखक भविष्य की दिशाओं के संबंध में विनम्र रहते हैं, यह उल्लेख करते हुए कि उनके फ्रैंक-वोल्के कार्यान्वयन के अभिसरण दर, स्मूथनेस के लिए $\epsilon$ -स्लैक की आवश्यकता, और उच्च-आयामी शुल्ज़ वोटिंग में उत्तल घटकों की बढ़ती संख्या को संभालने के लिए अधिक कुशल तरीकों की क्षमता जैसे प्रश्न अभी भी खुले हैं।