📊 statistics

Locally Private Online Quantile Regression: Estimation and Inference

यह शोध पत्र एक स्थानीय रूप से निजी ऑनलाइन क्वांटाइल रिग्रेशन ढांचे का प्रस्ताव करता है जो उपयोगकर्ता-स्तर की डिफरेंशियल प्राइवेसी के तहत निष्पक्ष, सुसंगत और स्पर्शोन्मुख सामान्य अनुमान और निष्कर्ष सक्षम करने के लिए सपोर्ट-अवेयर स्टोकेस्टिक क्वांटाइजेशन और रैंडमाइज्ड रिस्पांस के साथ एक नवीन परिमित-वर्णमाला चैनल का उपयोग करता है।

मूल लेखक: Yi Liu, Qirui Hu

प्रकाशित 2026-07-07

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yi Liu, Qirui Hu

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 दूरी, समय और यात्रियों की संख्या के आधार पर टैक्सी के किराए की भविष्य की कीमत बताने की कोशिश कर रहे हैं। आपके पास लाखों लोग हैं जो अपना यात्रा डेटा आपको भेज रहे हैं। हालाँकि, वे अपनी गोपनीयता (privacy) को लेकर चिंतित हैं। वे नहीं चाहते कि आप उनके यात्रा का सटीक विवरण (जैसे कि वे ठीक कहाँ से शुरू हुए या उन्हें कितना समय लगा) देखें, लेकिन वे चाहते हैं कि आप सामान्य पैटर्न को सीख सकें ताकि आप एक बेहतर प्रेडिक्शन मॉडल बना सकें।

यह शोध पत्र एक बहुत ही विशिष्ट पहेली को हल करता है: आप लाखों लोगों के निजी डेटा से, एक बार में एक व्यक्ति के माध्यम से, बिना उनके कच्चे (raw) डेटा को देखे, कैसे सीख सकते हैं और फिर भी सटीक भविष्यवाणियां कर सकते हैं?

यहाँ समस्या और समाधान का विवरण दिया गया है, जिसे रोजमर्रा के उदाहरणों के माध्यम से समझाया गया है।

समस्या: "टूटा हुआ" पहेली का टुकड़ा

मानक डेटा विश्लेषण में, किसी पैटर्न को सीखने के लिए, आपको आमतौर पर एक व्यक्ति से दो चीजों की आवश्यकता होती है:

संदर्भ (The Context): (जैसे, "रात के 8 बजे थे, 5 मील दूर")।
प्रतिक्रिया (The Reaction): (जैसे, "यात्रा में 15 मिनट लगे")।

प्रेडिक्शन मॉडल को अपडेट करने के लिए उपयोग किया जाने वाला गणित (जिसे "क्वांटाइल रिग्रेशन" कहा जाता है) इस बात पर नज़र रखने की आवश्यकता रखता है कि संदर्भ और प्रतिक्रिया एक साथ कैसे जुड़े हुए हैं। यह एक पहेली को सुलझाने जैसा है जहाँ आपको यह देखने की आवश्यकता है कि एक विशिष्ट टुकड़ा बगल वाली तस्वीर में कैसे फिट बैठता है।

गोपनीयता की बाधा:
सख्त गोपनीयता नियमों (लोकल डिफरेंशियल प्राइवेसी) के तहत, एक व्यक्ति को अपना डेटा भेजने से पहले उसे 'स्कैम्बल' (बदलना/धुंधला करना) करना चाहिए।

यदि वे "संदर्भ" को स्कैम्बल करते हैं, तो सर्वर को पता नहीं चलेगा कि डेटा किस बारे में है।
यदि वे "प्रतिक्रिया" को स्कैम्बल करते हैं, तो सर्वर को पता नहीं चलेगा कि व्यक्ति ने क्या प्रतिक्रिया दी।
यदि वे दोनों को अलग-अलग स्कैम्बल करते हैं, तो सर्वर यह नहीं देख पाएगा कि वे आपस में कैसे जुड़ते हैं।

यह अपने दोस्त से एक फिल्म के दृश्य का वर्णन करने के लिए कहने जैसा है, लेकिन उसे केवल एक बार में एक स्कैम्बल किया हुआ शब्द बोलने की अनुमति है। आप दृश्य को फिर से नहीं बना सकते क्योंकि शब्द एक-दूसरे से कटे हुए हैं। लेखक इसे "कपलिंग" (coupling) समस्या कहते हैं: सर्वर को संदर्भ और प्रतिक्रिया के बीच के संबंध की आवश्यकता है, लेकिन गोपनीयता के नियम उस संबंध को तोड़ देते हैं।

समाधान: "गुप्त कोड" चैनल

लेखकों ने एक चतुर तरीका बनाया है जिससे एक एकल, स्कैम्बल किया गया संदेश भेजा जा सकता है जो अभी भी सर्वर को पैटर्न समझने की अनुमति देता है। वे इसे CQX चैनल कहते हैं।

इसे एक मिस्ट्री बॉक्स गेम की तरह समझें:

स्थानीय गणना (उपयोगकर्ता):
कच्चे नंबर भेजने के बजाय, उपयोगकर्ता अपने डेटा को देखता है और एक सरल प्रश्न पूछता है: "क्या मेरी यात्रा मॉडल द्वारा अनुमानित यात्रा से लंबी थी या छोटी?"

यदि उत्तर "छोटी" है, तो वे एक "ब्लू कार्ड" चुनते हैं।
यदि उत्तर "लंबी" है, तो वे एक "रेड कार्ड" चुनते हैं।
वे विशिष्ट विवरणों (जैसे दूरी) को भी देखते हैं और उन्हें एक सरल ग्रिड (जैसे "छोटा", "मध्यम", "लंबा") में राउंड करते हैं।

स्कैम्बल (रैंडमाइज्ड रिस्पॉन्स):
गोपनीयता की रक्षा के लिए, उपयोगकर्ता एक सिक्का उछालता है।

यदि 'हेड्स' आता है, तो वे सच बोलते हैं कि उन्होंने कौन सा कार्ड चुना।
यदि 'टेल्स' आता है, तो वे झूठ बोलते हैं और कहते हैं कि उन्होंने विपरीत कार्ड चुना।
महत्वपूर्ण बात: सर्वर को यह नहीं पता होता कि किसी विशिष्ट व्यक्ति के लिए उपयोगकर्ता झूठ बोल रहा है या सच, लेकिन सर्वर को सिक्के के उछाल की संभावना पता होती है।

डिकोडिंग (सर्वर):
सर्वर हजारों ऐसे "ब्लू" और "रेड" रिपोर्ट प्राप्त करता है। क्योंकि सर्वर को सिक्के के उछाल के नियम पता होते हैं, इसलिए वह झूठ को रद्द करने के लिए एक गणितीय ट्रिक (जैसे रिवर्स-इंजीनियरिंग फॉर्मूला) का उपयोग कर सकता है।

भले ही व्यक्तिगत रिपोर्ट शोर (noisy) से भरी हों, हजारों रिपोर्टों का औसत वास्तविक पैटर्न को प्रकट कर देता है।
सर्वर प्रभावी रूप से बिना कच्चे डेटा को देखे, संदर्भ और प्रतिक्रिया के बीच के "संबंध" को फिर से बना लेता है।

यह अन्य तरीकों से बेहतर क्यों है?

यह शोध पत्र उनकी विधि की तुलना गोपनीयता को संभालने के दो अन्य सामान्य तरीकों से करता है:

विधि A (द "स्प्रिंकलर"): कल्पना करें कि आप कागज पर पानी (शोर/noise) छिड़ककर किसी रहस्य को छिपाने की कोशिश कर रहे हैं। यह रहस्य की रक्षा तो करता है, लेकिन यह स्याही (उपयोगी डेटा) को भी बहा ले जाता है। शोध पत्र दिखाता है कि यह विधि इस विशिष्ट प्रकार के गणित के लिए बहुत अव्यवस्थित है।
विधि B (द "स्ट्रिक्ट फेंस"): कल्पना करें कि केवल उन लोगों को डेटा भेजने की अनुमति दी जाती है जो एक छोटे, कठोर बॉक्स के भीतर फिट बैठता है। यह डेटा को "सुरक्षित" रखता है, लेकिन यह डेटा को ऐसे आकार में मजबूर करता है जो वास्तविक दुनिया से मेल नहीं खाता, जिससे गलत भविष्यवाणियां होती हैं।

लेखकों की विधि:
उनकी विधि एक स्मार्ट अनुवादक की तरह है। यह डेटा को एक सरल कोड (कार्ड का रंग) में संकुचित करती है और केवल पर्याप्त "शोर" (सिक्के का उछाल) जोड़ती है ताकि व्यक्ति को छिपाया जा सके, और एक विशेष डिकोडर का उपयोग करती है ताकि यह सुनिश्चित हो सके कि कुल संदेश सटीक बना रहे।

परिणाम: क्या यह काम करता है?

लेखकों ने दो तरीकों से इसका परीक्षण किया:

सिमुलेशन: उन्होंने सिस्टम को कितनी अच्छी तरह सीखने के लिए नकली डेटा बनाया। उन्होंने पाया कि जैसे-जैसे वे थोड़ा बड़ा "प्राइवेसी बजट" (यानी थोड़ी कम सख्त गोपनीयता) की अनुमति देते हैं, उनकी विधि की सटीकता उस सिस्टम के बहुत करीब पहुँच जाती है जिसने सभी कच्चे डेटा को देखा था। यह "स्प्रिंकलर" और "स्ट्रिक्ट फेंस" विधियों से काफी बेहतर प्रदर्शन करती है।
वास्तविक दुनिया का परीक्षण (NYC टैक्सियाँ): उन्होंने न्यूयॉर्क शहर की टैक्सी यात्राओं के वास्तविक डेटा का उपयोग किया। उन्होंने प्रत्येक यात्रा को एक निजी रिकॉर्ड माना।
- वे यात्रा की अवधि की भविष्यवाणी करना चाहते थे।
- उन्होंने पाया कि गोपनीयता सुरक्षा के साथ भी, उनका मॉडल यात्रा के समय की भविष्यवाणी लगभग उतनी ही अच्छी तरह कर सकता है जितना कि एक मॉडल जो कच्चे डेटा को देखता है।
- उनका "प्राइवेट" मॉडल पुराने, सरल गोपनीयता विधियों का उपयोग करने वाले मॉडलों की तुलना में बहुत अधिक सटीक था।

निचोड़ (The Bottom Line)

यह शोध पत्र यह सिद्ध करता है कि आप एक स्मार्ट, सीखने वाली मशीन बना सकते हैं जो खुद को अपडेट करती रहती है, बिना उस व्यक्ति के निजी विवरण देखे जो इसमें शामिल होता है।

यह इसलिए काम करता है क्योंकि उपयोगकर्ता एक एकल, स्कैम्बल की गई रिपोर्ट भेजते हैं जो एक वोट की तरह काम करती है। सर्वर लाखों ऐसे वोटों को इकट्ठा करता है और गणित का उपयोग करके वास्तविक रुझान का पता लगाता है, गोपनीयता के लिए पेश किए गए व्यक्तिगत झूठों को अनदेखा कर देता है। यह सर्वोत्तम के दोनों पक्षों को पाने का एक तरीका है: व्यक्ति के लिए मजबूत गोपनीयता और समूह के लिए उच्च सटीकता।

तकनीकी सारांश: स्थानीय रूप से निजी ऑनलाइन क्वांटाइल रिग्रेशन (Locally Private Online Quantile Regression)

समस्या विवरण (Problem Statement)
यह शोध पत्र एक 'वन-रिपोर्ट, यूजर-लेवल $\varepsilon$ -लोकलली डिफरेंशियल प्राइवेसी' ( $\varepsilon$ -LDP) प्रोटोकॉल के तहत ऑनलाइन क्वांटाइल रिग्रेशन (QR) करने की चुनौती को संबोधित करता है। मानक ऑनलाइन QR में, सर्वर एस्टीमेटिंग-इक्वेशन कंट्रीब्यूशन $g_\beta(X, Y) = X \{ \mathbb{1}(Y \le X^\top \beta) - \tau \}$ का उपयोग करके एस्टीमेटर को अपडेट करता है। यह वेक्टर कोवेरिएट $X$ को एक रेसिडुअल तुलना (इंडिकेटर फंक्शन) के साथ जोड़ता है। यूजर-लेवल LDP के तहत, सर्वर को प्रत्येक उपयोगकर्ता से केवल एक प्राइवेज़्ड (privatized) रिपोर्ट प्राप्त होती है। मुख्य कठिनाई यह है कि इस वेक्टर का मानक प्राइवेज़ेशन या तो प्राइवेसी बाधा का उल्लंघन करेगा या उस कंडीशनल मीन स्ट्रक्चर को नष्ट कर देगा जो स्टोकेस्टिक एप्रोक्सिमेशन के लिए आवश्यक है। विशेष रूप से, यदि सर्वर $X$ और इंडिकेटर को सीधे नहीं देख सकता है, तो वह कन्वर्जेंस के लिए आवश्यक अनबायस्ड (unbiased) अपडेट वेक्टर नहीं बना सकता है। मौजूदा विधियाँ, जैसे स्केलर प्राइवेट क्वांटाइल्स या सेंट्रल/प्राइवेट डिस्ट्रिब्यूटेड QR, इस विशिष्ट "डिकोडेड एस्टीमेटिंग-इक्वेशन" समस्या को संबोधित नहीं करती हैं जहाँ एक एकल LDP रिपोर्ट को एक अनबायस्ड, कोवेरिएट-डिपेंडेंट अपडेट में बदलना आवश्यक होता है।

कार्यप्रणाली (Methodology)
लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जहाँ सर्वर कच्चा ग्रेडिएंट (raw gradient) प्राप्त नहीं करता है, बल्कि एक डिकोडेड इनपुट प्राप्त करता है जो एस्टीमेटिंग इक्वेशन के कंडीशनल मीन को सुरक्षित रखता है।

सपोर्ट-अवेयर ज्योमेट्री (Support-Aware Geometry): सटीक QR एस्टीमेटिंग-इक्वेशन कंट्रीब्यूशन $g_\beta(O)$ एक विशिष्ट टू-फेस सपोर्ट ज्योमेट्री $G_\tau$ पर स्थित होता है। इंटरसेप्ट कोऑर्डिनेट सक्रिय फेस ( $\mathbb{1}(Y \le X^\top \beta) = 0$ या $1$) की पहचान करता है, और स्लोप कोऑर्डिनेट्स फेस और बाउंडेड कोवेरिएट्स द्वारा निर्धारित सममित अंतराल (symmetric intervals) के भीतर होते हैं।
CQX(q, s) चैनल: लेखक एक परिमित-अल्फाबेट चैनल का निर्माण करते हैं जिसे CQX( $q, s$ $q, s$ ) कहा जाता है, जहाँ $q$ $q$ स्लोप क्वांटाइजेशन के लिए ग्रिड साइज है और $s$ $s$ एक चयनित कोऑर्डिनेट ब्लॉक का आकार है।
- लोकल प्रोसेसिंग: प्रत्येक उपयोगकर्ता स्थानीय रूप से $g_\beta(X, Y)$ की गणना करता है। वे चुनिले स्लोप कोऑर्डिनेट्स को (एक पब्लिक ग्रिड का उपयोग करके) एक परिमित श्रेणी (finite category) में स्टोकेस्टिक रूप से क्वांटाइज़ करते हैं। यदि इंटरसेप्ट चुना गया है, तो यह एक फेस लेबल के रूप में कार्य करता है; अन्यथा, स्लोप्स को अनकंडीशनल ग्रिड पर क्वांटाइज़ किया जाता है।
- रैंडमाइज्ड रिस्पॉन्स: उपयोगकर्ता परिणामी परिमित श्रेणी (जिसे "सिलेक्टेड-ब्लॉक कैटेगरी" कहा जाता है) पर रैंडमाइज्ड रिस्पॉन्स लागू करता है ताकि एक एकल LDP रिपोर्ट उत्पन्न की जा सके।
- सर्वर-साइड डिकोडिंग: सर्वर विरूपण (distortion) को ठीक करने के लिए एक एफाइन रैंडमाइज्ड-रिस्पॉन्स डिकोडर लागू करता है और पूर्ण वेक्टर को रिकवर करने के लिए हॉरविट्ज़-थॉम्पसन (Horvitz-Thompson) रिकंस्ट्रक्शन का उपयोग करता है।
- मुख्य गुण: डिकोडेड इनपुट $\tilde{g}_\beta$ कंडीशनल अनबायस्डनेस को संतुष्ट करता है: $E[\tilde{g}_\beta(X, Y) \mid X, Y, \beta] = g_\beta(X, Y)$ । यह सर्वर को लक्षित पैरामीटर को बायस किए बिना एक प्रोजेक्टेड पॉलीक-रुपर्ट एवरेजिंग स्कीम ( $\beta_i = \Pi_B \{ \beta_{i-1} - \eta_i \tilde{g}_i(\beta_{i-1}) \}$ ) में डिकोडेड इनपुट का उपयोग करने की अनुमति देता है।
इन्फरेंस (Inference): यह शोध पत्र हेसियन-फ्री इन्फरेंस प्रक्रियाओं को विकसित करता है जिन्हें QR हेसियन (जो LDP के तहत कठिन है) का अनुमान लगाने की आवश्यकता नहीं होती है। इनमें शामिल हैं:
- सेल्फ-नॉर्मलाइजेशन (SN): एक एकल ट्रेजेक्टरी में पॉलीक एवरेज के टेम्पोरल वेरिएशन का उपयोग करता है।
- डिवाइड-एंड-कंकर (DC): स्ट्रीम को अलग-अलग समूहों में विभाजित करता है ताकि ग्रुप एवरेज की गणना की जा सके और हॉटलिंग-टाइप कॉन्फिडेंस सेट्स बनाए जा सकें।
- HiGrad: एक पब्लिक ट्री स्ट्रक्चर का उपयोग करके सह-संबंधित (correlated) ग्रुप सेंटर्स जेनरेट करता है जिनके पास स्टूडेंटाइजेशन (studentization) के लिए ज्ञात कोवेरिएंस टेम्प्लेट होते हैं।

मुख्य योगदान (Key Contributions)

फॉर्मूलेशन: यह पेपर स्ट्रीमिंग लीनियर QR को 'वन-रिपोर्ट यूजर-लेवल LDP' के तहत एक डिकोडेड एस्टीमेटिंग-इक्वेशन समस्या के रूप में फॉर्मुलेट करता है, जो रिपोर्ट की प्राइवेसी गारंटी को मीन-प्रिजर्विंग (mean-preserving) आवश्यकता से अलग करता है।
मैकेनिज्म कंस्ट्रक्शन: यह CQX( $q, s$ ) चैनल पेश करता है, जो पब्लिक कोऑर्डिनेट सिलेक्शन, सपोर्ट-अवेयर स्टोकेस्टिक क्वांटाइजेशन, रैंडमाइज्ड रिस्पॉन्स और एफाइन डिकोडिंग को जोड़ता है। यह मैकेनिज्म डिकोडेड सर्वर इनपुट को कंडीशनली अनबायस्ड सुनिश्चित करने के लिए QR कंट्रीब्यूशन की टू-फेस सपोर्ट ज्योमेट्री का लाभ उठाता है।
सैद्धांतिक गारंटी: एक निश्चित परिमित चैनल डिजाइन के लिए, लेखक सिद्ध करते हैं:
- वन-रिकॉर्ड कंट्रीब्यूशन के लिए लोकल प्राइवेसी ( $\varepsilon$ -LDP)।
- कंडीशनल डिकोडर अनबायस्डनेस।
- प्रोजेक्टेड पॉलीक-रुपर्ट एवरेजड एस्टीमेटर की कंसिस्टेंसी (consistency) और एसिम्प्टोटिक नॉर्मलिटी।
- पूर्व-निर्धारित स्केलर कॉन्ट्रास्ट्स और वेक्टर एलिप्सोइड्स के लिए वैध सेल्फ-नॉर्मलाइज्ड इन्फरेंस।
अनुभवजन्य सत्यापन (Empirical Validation): सिमुलेशन और न्यूयॉर्क सिटी टैक्सी-ट्रिप डेटा इलस्ट्रेशन के माध्यम से, यह पेपर दिखाता है कि जैसे-जैसे प्राइवेसी बजट ( $\varepsilon$ ) बढ़ता है, निजी ट्रेजेक्टरी नॉन-प्राइवेट ऑनलाइन रेफरेंस के करीब पहुँच जाती है। प्रस्तावित चैनल डायरेक्ट लैप्लेस रिलीज (जो सपोर्ट को अनदेखा करता है) और फेस-एक्सपोनेंशियल रिलीज (जो मीन को शिफ्ट करता है) की तुलना में एस्टीमेशन एरर और अनसर्टेन्टी क्वांटिफिकेशन के मामले में बेहतर प्रदर्शन करता है।

परिणाम (Results)

एस्टिमेशन सटीकता: सिमुलेशन में, CQX( $q, s$ ) मैकेनिज्म जियोमेट्रिक बेसलाइन्स (Direct Laplace और Face-exponential) की तुलना में कम मीन यूक्लिडियन एस्टीमेशन एरर प्राप्त करता है। फेस-एक्सपोनेंशियल मैकेनिज्म अक्सर उच्च क्वांटाइल्स ( $\tau=0.75$ ) पर विफल हो जाता है क्योंकि मीन-फील्ड मिसमैच के कारण प्रोजेक्शन बाउंड्री सैचुरेशन होता है।
हाई-बजट रिकवरी: जैसे-जैसे $\varepsilon \to \infty$ और ग्रिड रेजोल्यूशन $q$ बढ़ता है, प्राइवेट एस्टीमेटर का कोवेरिएंस नॉन-प्राइवेट ASGD ओरकल के कोवेरिएंस में अभिसरित (converge) होता है।
इन्फरेंस कैलिब्रेशन: सेल्फ-नॉर्मलाइज्ड (SN), डिवाइड-एंड-कंकर (DC), और HiGrad प्रक्रियाएं नाममात्र 95% स्तर के करीब कवरेज रेट के साथ कॉन्फिडेंस इंटरवल प्रदान करती हैं, विशेष रूप से स्केलर कॉन्ट्रास्ट्स और डेंस कॉन्ट्रास्ट्स के लिए। फुल-वेक्टर एलिप्सोइड्स फाइनाइट इफेक्टिव इंफॉर्मेशन और कंडीशनिंग के प्रति अधिक संवेदनशील होते हैं लेकिन बताए गए रैंक कंडीशंस के तहत वैध रहते हैं।
रियल-डेटा एप्लीकेशन: NYC टैक्सी डेटासेट पर, प्राइवेट एस्टीमेट्स नॉन-प्राइवेट रेफरेंस के होल्डआउट कैलिब्रेशन (हिट रेट्स) और प्रेडिक्टिव चेक लॉस को बनाए रखते हैं, जिसमें $\varepsilon$ बढ़ने के साथ प्रदर्शन में सुधार होता है।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि यह मीन-प्रिजर्विंग डिकोडेड एस्टीमेटिंग-इक्वेशन इनपुट्स पर आधारित ऑनलाइन QR एस्टीमेशन और इन्फरेंस के लिए पहला वन-रिपोर्ट LDP फ्रेमवर्क प्रस्तुत करता है। यह तर्क देता है कि मानक एडिटिव-नॉइज़ SGD दृष्टिकोण QR के लिए अनुपयुक्त हैं क्योंकि वे एस्टीमेटिंग इक्वेशन की विशिष्ट सपोर्ट ज्योमेट्री को अनदेखा करते हैं। डिकोडिंग स्टेप के माध्यम से प्राइवेसी मैकेनिज्म को एस्टीमेशन अपडेट से अलग करके, लेखक दिखाते हैं कि वन-रिपोर्ट लोकल प्राइवेसी ऑनलाइन QR के अनुकूल है। इसका महत्व इस बात में है कि यह एक विश्वसनीय क्यूरेटर या प्रति उपयोगकर्ता कई रिपोर्टों की आवश्यकता के बिना, स्ट्रीमिंग और प्राइवेसी-प्रतिबंधित वातावरण में वैध सांख्यिकीय इन्फरेंस (कंसिस्टेंसी, नॉर्मलिटी, कॉन्फिडेंस इंटरवल्स) को सक्षम बनाता है। लेखक नोट करते हैं कि यह सिद्धांत जानबूझकर फिक्स्ड-डायमेंशनल है और बाउंडेड कोवेरिएट्स पर निर्भर है; हाई-डायमेंशनल सेटिंग्स या एडेप्टिव चैनल डिजाइन्स के विस्तार को भविष्य के कार्य के लिए छोड़ दिया गया है।

समस्या: "टूटा हुआ" पहेली का टुकड़ा

समाधान: "गुप्त कोड" चैनल

यह अन्य तरीकों से बेहतर क्यों है?

परिणाम: क्या यह काम करता है?

निचोड़ (The Bottom Line)

इसी तरह के और पेपर