📊 statistics

Semiparametric Efficiency in Sequential Experiments: Characterization and Design via Average Propensity

यह शोध पत्र एक प्रेरित औसत प्रोपेंसिटी स्कोर (induced average propensity score) के आधार पर क्रमिक प्रयोगों (sequential experiments) के लिए एक अर्ध-पैरामीट्रिक दक्षता बेंचमार्क स्थापित करता है और कार्यान्वयन योग्य बैचयुक्त अनुकूलनशील डिज़ाइनों (batched adaptive designs) का प्रस्ताव करता है जो विभिन्न परिचालन बाधाओं के तहत इस इष्टतम परिशुद्धता को प्राप्त करने के लिए प्रतिगमन समायोजन (regression adjustment) या सहचर संतुलन (covariate balancing) का उपयोग करते हैं।

मूल लेखक: Jiachun Li, David Simchi-Levi

प्रकाशित 2026-07-01

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiachun Li, David Simchi-Levi

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 ऑनलाइन प्लेटफॉर्म के मैनेजर हैं। आपने कुछ नए AI फीचर्स विकसित किए हैं (मान लीजिए कि उन्हें "AI असिस्टेंट्स" कहा जाता है) और आप जानना चाहते हैं कि आपके उपयोगकर्ताओं के लिए कौन सा सबसे अच्छा काम करता है। यह पता लगाने के लिए, आप एक प्रयोग चलाते हैं: आप अलग-अलग उपयोगकर्ताओं को अलग-अलग असिस्टेंट दिखाते हैं और परिणामों को मापते हैं।

पुराने दिनों में, आप हर उपयोगकर्ता के लिए सिक्का उछाल देते। इसे "रैंडम असाइनमेंट" (यादृच्छिक आवंटन) कहा जाता है। यह निष्पक्ष है, लेकिन यह बहुत स्मार्ट नहीं है। यदि आपके पास एक ऐसा उपयोगकर्ता है जो बहुत तकनीकी रूप से कुशल (tech-savvy) है और दूसरा जो नहीं है, तो सिक्का उछालने से गलती से तकनीकी रूप से कुशल उपयोगकर्ता को "उपयोग करने में कठिन" असिस्टेंट और गैर-तकनीकी उपयोगकर्ता को "आसान" असिस्टेंट मिल सकता है। यह आपके डेटा में "शोर" (noise) पैदा करता है, जिससे यह बताना कठिन हो जाता है कि वास्तव में कौन सा असिस्टेंट बेहतर है।

यह पेपर इस बारे में है कि प्रयोगों को अधिक स्मार्ट तरीके से कैसे चलाया जाए, विशेष रूप से जब आपको निर्णय एक-एक करके (क्रमिक रूप से) लेने हों और आप सभी डेटा आने तक बदलाव करने के लिए प्रतीक्षा नहीं कर सकते।

यहाँ मुख्य विचार दिया गया है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "चलता हुआ लक्ष्य" (The Moving Target)

आधुनिक प्रयोगों में, आप केवल एक बार सिक्का नहीं उछाल सकते और उस पर टिके नहीं रह सकते। आपको आवश्यकता हो सकती है:

अनुकूलन (Adapt): यदि असिस्टेंट A विफल होता दिख रहा है, तो आप नए उपयोगकर्ताओं को इसे दिखाना बंद करना चाह सकते हैं।
संतुलन (Balance): आप यह भी सुनिश्चित करना चाह सकते हैं कि प्रत्येक समूह में तकनीकी रूप से कुशल और गैर-तकनीकी उपयोगकर्ताओं की संख्या बराबर हो।
नियमों का पालन: आपका एक बजट सीमित हो सकता है (केवल 100 लोग ही असिस्टेंट B देख सकते हैं) या निष्पक्षता के नियम हो सकते हैं।

ये नियम डेटा को अव्यवस्थित बना देते हैं। उपयोगकर्ता अब स्वतंत्र नहीं हैं; उपयोगकर्ता #1 के साथ क्या हुआ, वह उपयोगकर्ता #2 को क्या उपचार मिलेगा, इससे प्रभावित करता है। मानक सांख्यिकीय उपकरण, जो मानते हैं कि सभी स्वतंत्र हैं, यहाँ विफल हो जाते हैं।

2. बड़ी खोज: "औसत रेसिपी" (The Average Recipe)

लेखकों ने इस उलझन को सरल बनाने का एक तरीका खोजा है। उन्होंने महसूस किया कि आपकी नियम प्रक्रिया कितनी भी जटिल क्यों न हो (अनुकूलन, संतुलन, बजट), वे सभी एक सरल संख्या पर सिमट जाते हैं: औसत प्रोपेंसिटी स्कोर (Average Propensity Score)।

इसे एक रेसिपी की तरह सोचें:

कल्पना करें कि आप कुकीज़ बना रहे हैं। आपके पास निर्देशों का एक जटिल सेट है: "यदि रसोई गर्म है, तो कम चीनी डालें। यदि ओवन पुराना है, तो अधिक देर तक पकाएं।"
लेखक कहते हैं: "जटिल निर्देशों की चिंता न करें। बस उन सभी कुकीज़ में उपयोग की गई चीनी की औसत मात्रा को देखें जो आपने वास्तव में बनाई हैं।"
वह "चीनी की औसत मात्रा" ही औसत प्रोपेंसिटी स्कोर है।

जादुई दावा: यह पेपर सिद्ध करता है कि आपके प्रयोग की सटीकता (कि आप सच्चाई को कितनी स्पष्टता से देख सकते हैं) केवल इस औसत रेसिपी पर निर्भर करती है। यह मायने नहीं रखता कि आपके नियम कितने जटिल थे; यदि आपकी औसत रेसिपी अच्छी है, तो आपका प्रयोग कुशल होगा। यदि आपकी औसत रेसिपी खराब है, तो कोई भी फैंसी गणित काम नहीं आएगा।

3. लक्ष्य: "परफेक्ट रेसिपी" (The Perfect Recipe)

यदि आप जानते कि प्रत्येक उपयोगकर्ता कैसे प्रतिक्रिया देगा, तो आप "परफेक्ट रेसिपी" (जिसे "ओरेकल बेंचमार्क" कहा जाता है) की गणना कर सकते हैं। यह रेसिपी आपको बताती है कि स्पष्ट उत्तर प्राप्त करने के लिए और कम से कम लोगों के उपयोग के लिए प्रत्येक प्रकार के कितने उपयोगकर्ताओं को प्रत्येक असिस्टेंट मिलना चाहिए।

पेपर पूछता है: क्या हम उस परफेक्ट रेसिपी के करीब पहुँचने के लिए एक प्रयोग डिजाइन कर सकते हैं, भले ही हमें परिणाम पहले से पता न हों?

4. समाधान: "पकाने के दो तरीके"

लेखक उस परफेक्ट रेसिपी के करीब पहुँचने के लिए दो व्यावहारिक तरीके प्रस्तावित करते हैं। दोनों तरीके "बैचिंग" (Batching) नामक रणनीति का उपयोग करते हैं। हर सेकंड नियम बदलने के बजाय (जो अराजक और प्रबंधित करने में कठिन है), आप हर "बैच" (जैसे, हर 1,000 उपयोगकर्ताओं के बाद) में नियम बदलते हैं।

विधि A: "स्मार्ट एडजस्टर" (रिग्रेशन एडजस्टमेंट)

यह कैसे काम करता है: आप उपयोगकर्ताओं का एक बैच चलाते हैं। फिर, आप डेटा देखते हैं और एक कंप्यूटर मॉडल (एक स्मार्ट कैलकुलेटर की तरह) का उपयोग करके यह अनुमान लगाते हैं कि किन उपयोगकर्ताओं ने किस असिस्टेंट के प्रति अच्छी प्रतिक्रिया दी। आप अगले बैच के लिए "रेसिपी" को ट्यून करने के लिए इस अनुमान का उपयोग करते हैं।
चुनौती: यह विधि इस बात पर निर्भर करती है कि कंप्यूटर मॉडल कितना सटीक है। यदि मॉडल थोड़ा भी गलत है, तो यह परिणामों को बिगाड़ सकता है। पेपर दिखाता है कि यह अच्छी तरह से काम करता है, लेकिन केवल तभी जब मॉडल पर्याप्त रूप से अच्छा हो।
उपमा: यह सूप चखने, यह अनुमान लगाने कि क्या कमी है, और फिर मसाले जोड़ने जैसा है। यदि शेफ के स्वाद की ग्रंथियां (taste buds) सही नहीं हैं, तो सूप अभी भी नमकीन हो सकता है।

विधि B: "बैलेंस्ड स्केल" (कोवेरिएट बैलेंसिंग)

यह कैसे काम करता है: मॉडल का उपयोग करके उत्तर का अनुमान लगाने के बजाय, यह विधि असाइनमेंट के दौरान संतुलन बनाए रखने पर ध्यान केंद्रित करती है। यह सुनिश्चित करती है कि प्रत्येक बैच के भीतर, समूह पूरी तरह से मेल खाते हों (उदाहरण के लिए, हर समूह में तकनीकी रूप से कुशल उपयोगकर्ताओं की बिल्कुल समान संख्या हो)।
लाभ: क्योंकि समूह पूरी तरह से संतुलित हैं, आपको डेटा को ठीक करने के लिए किसी फैंसी कंप्यूटर मॉडल की आवश्यकता नहीं है। आप एक सरल, मजबूत गणितीय सूत्र (जैसे एक साधारण औसत) का उपयोग कर सकते हैं।
चुनौती: यदि आपके पास बहुत अधिक प्रकार के उपयोगकर्ता हैं (उच्च आयाम/high dimensions), तो पूर्ण संतुलन बनाना कठिन होता है।
उपमा: यह उस शेफ की तरह है जो सूप को चखता नहीं है, बल्कि इसके बजाय हर सामग्री को सावधानीपूर्वक मापता है ताकि शुरुआत से ही अनुपात एकदम सही रहे। सूप सही निकलता है क्योंकि सामग्री संतुलित थी, न कि इसलिए कि शेफ ने स्वाद का अनुमान लगाया था।

5. वास्तविक दुनिया का प्रमाण

लेखकों ने इन विचारों का परीक्षण दो तरीकों से किया:

सिमुलेशन (Simulations): उन्होंने अलग-अलग जटिलता स्तरों (कुछ आसान, कुछ बहुत कठिन जिसमें कई चर/variables थे) के साथ नकली डेटा बनाया। उन्होंने पाया कि उनकी विधियाँ लगातार पुराने "सिक्का उछालने" वाले तरीके से बेहतर प्रदर्शन करती हैं।
वास्तविक डेटा (AI मेडिकल असिस्टेंट): उन्होंने इसे AI मेडिकल असिस्टेंट के मूल्यांकन करने वाले एक वास्तविक अध्ययन पर लागू किया। उन्हें चार अलग-अलग AI असिस्टेंट की तुलना करनी थी।
- उन्होंने पाया कि उनके "बैच वाले" तरीकों का उपयोग करके, वे कम उपयोगकर्ताओं के साथ (या समान संख्या में उपयोगकर्ताओं के साथ बेहतर सटीकता) समान स्तर की सटीकता प्राप्त कर सकते हैं।
- उन्होंने यह भी दिखाया कि "बैलेंस्ड स्केल" विधि के लिए, इसने केवल सबसे महत्वपूर्ण उपयोगकर्ता लक्षणों (जैसे आयु और परिदृश्य का प्रकार) पर ध्यान केंद्रित करने में मदद की, बजाय इसके कि हर एक विवरण को संतुलित करने की कोशिश की जाए।

सारांश

यह पेपर आधुनिक प्रयोग चलाने के लिए एक नया "नियम पुस्तिका" प्रदान करता है।

नियम: उपचार (treatment) आवंटित करने के लिए आप जो जटिल नियम उपयोग करते हैं, उसकी चिंता न करें। बस उन उपचारों के औसत वितरण पर ध्यान दें।
रणनीति: प्रयोगों को बैच में चलाएं।
उपकरण: या तो आप रेसिपी को समायोजित करने के लिए एक स्मार्ट मॉडल का उपयोग कर सकते हैं (विधि A) या निष्पक्षता सुनिश्चित करने के लिए सख्त संतुलन का उपयोग कर सकते हैं (विधि B)।
परिणाम: आपको कम संसाधनों के साथ, तेजी से, और अधिक सटीक उत्तर मिलते हैं, भले ही प्रयोग जटिल और वास्तविक समय में बदल रहा हो।

यह सिक्के उछालने से लेकर एक ऐसे GPS का उपयोग करने जैसा है जो हर कुछ मील में अपना रास्ता पुनर्गणना (recalculate) करता है ताकि आप सबसे कुशलता से गंतव्य तक पहुँच सकें।

तकनीकी सारांश: औसत प्रोपेंसिटी के माध्यम से अनुक्रमिक प्रयोगों में अर्ध-प्राचलीय दक्षता (Semiparametric Efficiency)

1. समस्या का निरूपण

आधुनिक प्रयोगात्मक परिवेश, विशेष रूप से AI-सक्षम सेवाओं और प्लेटफॉर्म हस्तक्षेपों के मूल्यांकन में, अक्सर शास्त्रीय स्वतंत्र और समान रूप से वितरित (i.i.d.) नमूनाकरण से विचलित होते हैं। असाइनमेंट (assignments) अक्सर अनुकूल (adaptive), कोवेरियेट्स (covariates) के बीच संतुलित, या एक्सपोज़र कैप, उपचार बजट और निष्पक्षता आवश्यकताओं जैसे परिचालन सीमाओं द्वारा बाधित होते हैं। ये विशेषताएँ अवलोकनों (observations) के बीच निर्भरता उत्पन्न करती हैं, जिससे शास्त्रीय i.i.d.-आधारित दक्षता सिद्धांत मार्गदर्शन के लिए अपर्याप्त हो जाता है।

यह शोध पत्र दो केंद्रीय प्रश्नों को संबोधित करता है:

निर्भर असाइनमेंट वाले एक अनुक्रमिक प्रयोग में एक लक्षित कारण अनुमानक (causal estimand) के आकलन के लिए मौलिक दक्षता बेंचमार्क क्या है?
कार्यान्वयन योग्य डिज़ाइन व्यावहारिक रूप से इस बेंचमार्क के कितने करीब पहुँच सकते हैं, विशेष रूप से विलंबित फीडबैक और परिचालन स्थिरता की आवश्यकता के तहत?

लेखक एक गैर-पूर्वानुमानित डिज़ाइन (non-anticipating design) ढांचे का उपयोग करके इस परिवेश को औपचारिक रूप देते हैं। इकाइयों को असाइनमेंट क्रम $t=1,\dots,n$ द्वारा इंडेक्स किया जाता है, और उपचार असाइनमेंट $A_t$ केवल इतिहास $\mathcal{F}_{t-1}$ और वर्तमान कोवेरियेट $X_t$ पर निर्भर करता है, भविष्य के परिणामों या कोवेरियेट्स पर कभी नहीं। यह ढांचा i.i.d. रैंडमाइजेशन, ऑफलाइन स्ट्रैटिफाइड डिज़ाइन्स और अनुक्रमिक अनुकूल डिज़ाइन्स को एकीकृत करता है।

2. कार्यप्रणाली और सैद्धांतिक ढांचा

2.1 प्रेरित औसत प्रोपेंसिटी स्कोर (Induced Average Propensity Score)

मुख्य सैद्धांतिक योगदान दक्षता बेंचमार्क के लिए पर्याप्त सांख्यिकी (sufficient statistic) के रूप में प्रेरित औसत प्रोपेंसिटी (induced average propensity) की पहचान करना है। किसी भी गैर-पूर्वानुमानित डिज़ाइन $\text{ALG}$ के लिए, प्रेरित औसत प्रोपेंसिटी $\bar{e}_a(x)$ को इस प्रकार परिभाषित किया जाता है:
$\bar{e}_a(x) := \frac{1}{n} \sum_{t=1}^n \mathbb{E}_{\text{ALG}}[e_t(a | x, \mathcal{F}_{t-1})]$
जहाँ $e_t$ चरण $t$ पर सशर्त असाइनमेंट प्रायिकता है।

2.2 अर्ध-प्राचलीय निचला स्तर (Semiparametric Lower Bound)

यह शोध पत्र नियमित, स्थानीय रूप से निष्पक्ष अनुमानकों (locally unbiased estimators) के लिए एक अर्ध-प्राचलीय निचला स्तर (semiparametric lower bound) स्थापित करता है। प्रमेय 1 सिद्ध करता है कि किसी भी गैर-पूर्वानुमानित डिज़ाइन के लिए, एक अनुमानक की स्पर्शोन्मुखी विचरण (asymptotic variance) प्रेरित औसत प्रोपेंसिटी $\bar{e}$ पर मूल्यांकित i.i.d. दक्षता बेंचमार्क द्वारा सीमित है:
$\text{Var}(T) \geq \frac{1}{n} V(\bar{e}) = \frac{1}{n} \mathbb{E}[\phi_{\bar{e}}(O)^2]$
जहाँ $\phi_{\bar{e}}$ निश्चित प्रोपेंसिटी $\bar{e}$ के तहत कुशल प्रभाव फलन (efficient influence function - EIF) है।

यह परिणाम दर्शाता है कि अनुकूल (adaptive), संतुलित या बाधित डिज़ाइनों की सांख्यिकीय जटिलता एक एकल वस्तु में सिमट जाती है: कोवेरियेट मानों केAcross आवंटित औसत उपचार एक्सपोज़र। परिचालन संबंधी बाधाओं (जैसे बजट सीमाएं) को स्वीकार्य औसत प्रोपेंसियों के सेट को प्रतिबंधित करके शामिल किया जाता है।

2.3 सामान्यीकृत नेयमैन आवंटन (Generalized Neyman Allocation)

सदिश-मान वाले लक्ष्यों (जैसे मल्टी-ट्रीटमेंट प्रभाव) के लिए, यह शोध पत्र एक सामान्यीकृत नेयमैन आवंटन व्युत्पन्न करता है। इष्टतम डिज़ाइन EIF के कोवेरियेंस मैट्रिक्स के ट्रेस (trace) को कम करता है, जिससे एक ऐसा आवंटन नियम प्राप्त होता है जहाँ कुशल प्रभाव फलन में उच्च सशर्त विचरण वाले उपचार भुजाओं (treatment arms) को अधिक एक्सपोज़र मिलता है। आउटकम मीन्स के रैखिक फलनों (linear functionals) के लिए, यह शास्त्रीय नेयमैन आवंटन नियम में बदल जाता है।

3. बेंचमार्क के लिए रचनात्मक दृष्टिकोण

शोध पत्र दो पूरक, कार्यान्वयन योग्य बैच-आधारित अनुकूल डिज़ाइन्स (batched adaptive designs) प्रस्तावित करता है जो सैद्धांतिक बेंचमार्क के करीब पहुँचते हैं। दोनों विधियाँ केवल एक लघुगणकीय (logarithmic) संख्या में अपनी असाइनमेंट नीति को अपडेट करती हैं ( $B \asymp \log n$ ), जो विलंबित फीडबैक और परिचालन ऑडिट क्षमता के साथ संगतता सुनिश्चित करती है।

3.1 मार्ग 1: बैच-आधारित अनुकूल रिग्रेशन एडजस्टमेंट (Batched Adaptive Regression Adjustment)

यह दृष्टिकोण अनुमानक-पक्ष सुधार (estimator-side correction) पर केंद्रित है।

तंत्र: प्रयोग को बैचों में विभाजित किया जाता है। प्रत्येक बैच के भीतर, असाइनमेंट नियम स्थिर रहता है। प्रत्येक बैच के अंत में, संचित डेटा पर क्रॉस-फिटिंग का उपयोग करके न्युसेंस पैरामीटर्स (आउटकम रिग्रेशन्स और सेकंड-मोमेंट फंक्शन्स) का अनुमान लगाया जाता है। अगले बैच के लिए असाइनमेंट नियम ऑरेकल डिज़ाइन ऑब्जेक्टिव के प्लग-इन मिनिमाइजेशन के माध्यम से अपडेट किया जाता है।
सामान्य अनुमानक (General Estimands): सामान्य स्मूथ अनुमानकों के लिए, यह विधि तब तक ऑरेकल बेंचमार्क प्राप्त करती है जब तक कि न्युसेंस अनुमानक $n^{-1/4}$ की दर से अभिसरित (converge) होते हैं। यह सेमिपैरामेट्रिक अनुमान में एक ज्ञात बाधा है जो सेकंड-ऑर्डर प्लग-इन बायस के कारण होती है।
रैखिक फलन (Linear Functionals): आउटकम मीन्स के रैखिक फलनों (जैसे एवरेज ट्रीटमेंट इफेक्ट्स, पॉलिसी वैल्यूज़) के लिए, प्लग-इन बायस EIF की संरचना के कारण ठीक से रद्द हो जाता है। फलस्वरूप, $n^{-1/4}$ की बाधा समाप्त हो जाती है। शोध पत्र एक तीक्ष्ण द्वितीय-क्रम अभिसरण दर (sharp second-order convergence rate) $O(n^{-1-2\alpha} \vee n^{-1-2\beta})$ स्थापित करता है, जहाँ $\alpha$ और $\beta$ क्रमशः आउटकम रिग्रेशन और सेकंड-मोमेंट अनुमानकों की अभिसरण दरें हैं। एक मिलान निचला स्तर (matching lower bound) सिद्ध करता है कि यह दर मिनिमैक्स-इष्टतम (minimax-optimal) है।

3.2 मार्ग 2: बैच-आधारित अनुकूल कोवेरियेट बैलेंसिंग (Batched Adaptive Covariate Balancing)

यह दृष्टिकोण न्युसेंस अनुमानन बाधाओं को दूर करने के लिए डिज़ाइन-पक्ष नियंत्रण पर केंद्रित है।

तंत्र: यह मार्ग एक सरल मोमेंट-आधारित अनुमानक का उपयोग करता है (अंतिम चरण में कोई रिग्रेशन एडजस्टमेंट नहीं)। डिज़ाइन प्रत्येक बैच के भीतर स्थानिक बिनिंग (spatial binning) और ग्रुपड परम्यूटेशन का उपयोग करके कोवेरियेट-इंडेक्स्ड मोमेंट फंक्शन्स के स्थानीय संतुलन को लागू करता है। अगले बैच में लक्षित प्रोपेंसिटी को अनुमानित सेकंड-मोमेंट प्रॉक्सी के आधार पर अपडेट किया जाता है।
दक्षता: प्रत्येक बैच के भीतर "बैलेंसिंग रिमाइंडर" (लक्षित प्रोपेंसिटी से विचलन) को नियंत्रित करके, यह विधि न्युसेंस अनुमानन की आवश्यकता के बिना सेमिपैरामेट्रिक बेंचमार्क $V^*/n$ प्राप्त करती है।
व्यापार-बंद (Trade-offs): बैलेंसिंग रिमाइंडर बैच आकार $m$ के लिए एक आयाम-निर्भर दर $O(m^{-1/(d+4)})$ पर घटता है। अतः, यह मार्ग कम-आयामी सेटिंग्स में या जब डेटा की प्रभावी विमा (effective dimension) कम हो, तब सबसे प्रभावी होता है।

4. मुख्य परिणाम और अनुभवजन्य सत्यापन

4.1 सैद्धांतिक परिणाम

एकीकृत ढांचा: प्रेरित औसत प्रोपेंसिटी स्कोर अनुकूल (adaptive), स्ट्रैटिफाइड और स्थानीय रैंडमाइजेशन डिज़ाइन्स के लिए पहले से अलग-अलग दक्षता सीमाओं को एक एकल गैर-पूर्वानुमानित ढांचे के तहत एकीकृत करता है।
अनुमानों का समाधान: यह ढांचा दो-चरणीय प्रयोगात्मक डिज़ाइन्स की दक्षता सीमाओं के संबंध में साइट्रिनम (Cytrynbaum, 2021) के एक अनुमान को हल करता है।
मिनिमैक्स शार्पनेस: रैखिक फलनों के लिए, शोध पत्र सामान्य अनुक्रमिक प्रयोगों के लिए सेमिपैरामेट्रिक दक्षता बेंचमार्क के अभिसरण दर का पहला मिनिमैक्स लक्षण वर्णन प्रदान करता है।

4.2 संख्यात्मक और अनुभवजन्य अध्ययन

लेखक सिंथेटिक सिमुलेशन और एक वास्तविक दुनिया के अनुप्रयोग के माध्यम से अपने तरीकों को सत्यापित करते हैं:

सिंथेटिक प्रयोग: विभिन्न आयामों ( $d \in \{2,3,8\}$ ) और हेटेरोस्केडास्टिसिटी (heteroskedasticity) के साथ सिमुलेशन दिखाते हैं कि दोनों अनुकूल मार्ग यूनिफॉर्म रैंडमाइजेशन से काफी बेहतर प्रदर्शन करते हैं। रिग्रेशन एडजस्टमेंट (RA) मार्ग उच्च आयामों के प्रति मजबूत है, जबकि कोवेरियेट बैलेंसिंग (CB) मार्ग तब सबसे अच्छा प्रदर्शन करता है जब बैलेंसिंग पार्टीशन डेटा की कम-आयामी संरचना (प्रभावी आयाम) के साथ संरेखित होता है।
AI मेडिकल असिस्टेंट मूल्यांकन: HELPMed अध्ययन (Bean et al., 2026) के डेटा का उपयोग करते हुए, लेखकों ने बेसलाइन के मुकाबले कई AI सहायकों का मूल्यांकन किया। अनुकूल डिज़ाइनों ने यूनिफॉर्म रैंडमाइजेशन की तुलना में नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (MSE) को लगभग 5-8% कम कर दिया। अध्ययन ने रेखांकित किया कि उच्च-आयामी सेटिंग्स में प्रदर्शन में सुधार के लिए CB मार्ग के लिए डेटा-अनुकूल, निम्न-आयामी पार्टीशन का उपयोग करना महत्वपूर्ण था।

5. महत्व और दावे

शोध पत्र का दावा है कि यह कुशल अनुक्रमिक प्रयोगों के लक्षण वर्णन के लिए एक एकीकृत ढांचा प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

डिज़ाइन का पुनर्निर्धारण: यह प्रयोगात्मक डिज़ाइन के फोकस को जटिल, पथ-निर्भर असाइनमेंट तंत्र को अनुकूलित करने से बदलकर एक कुशल औसत प्रोपेंसिटी स्कोर को सीखने या चुनने की ओर स्थानांतरित करता है।
परिचालन व्यवहार्यता: यह प्रदर्शित करके कि दक्षता बेंचमार्क को नीति अपडेट की केवल लघुगणकीय संख्या के साथ प्राप्त किया जा सकता है, यह शोध पत्र सैद्धांतिक इष्टतमता और परिचालन बाधाओं (विलंबित फीडबैक, ऑडिट क्षमता, स्थिरता) के बीच के अंतर को पाटता है।
व्यावहारिक लचीलापन: दो पूरक मार्ग (रिग्रेशन एडजस्टमेंट और कोवेरियेट बैलेंसिंग) चिकित्सकों को व्यापार-बंद (trade-offs) प्रदान करते हैं: RA उच्च-आयामी सेटिंग्स के लिए लचीला है लेकिन इसके लिए तेज़ न्युसेंस अनुमानन की आवश्यकता होती; CB मजबूत और सरल है लेकिन इसके लिए कोवेरियेट स्पेस के आयाम को सावधानीपूर्वक संभालने की आवश्यकता होती।

लेखक निष्कर्ष निकालते हैं कि औसत प्रोपेंसिटी स्कोर अनुक्रमिक प्रयोगों में सांख्यिकीय सीमाओं को समझने के लिए एक सामान्य भाषा के रूप में कार्य करता है, जो AI सेवा मूल्यांकन जैसे आधुनिक अनुप्रयोगों में कुशल मल्टी-ट्रीटमेंट प्रयोगों के डिज़ाइन को सक्षम बनाता है।