📊 statistics

ARC: Augmented-Rank Conformalization for Changepoint Localization --- Finite-Sample Validity and Distribution-Robust Efficiency

यह शोध पत्र ARC (ऑगमेंटेड-रैंक कॉन्फॉर्मलाइज़ेशन) को प्रस्तुत करता है, जो डेटा-निर्भर रैंक-आधारित स्कोर का उपयोग करके चेंजपॉइंट लोकलाइजेशन के लिए एक डिस्ट्रीब्यूशन-रोबस्ट फ्रेमवर्क है, जो फाइनाइट-सैंपल कवरेज और मोनोटोन ट्रांसफॉर्म्स के तहत इनवेरिएंट सेट लेंथ की गारंटी देता है, जिससे यह पारंपरिक प्लग-इन विधियों में निहित दक्षता सीमाओं और डिस्ट्रीब्यूशन शिफ्ट के प्रति संवेदनशीलता पर विजय प्राप्त करता है।

मूल लेखक: Chenchen Peng, Mixia Wu, Qijing Yan, Zhiqi Shen, Jie Zhang

प्रकाशित 2026-08-11

📖 9 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chenchen Peng, Mixia Wu, Qijing Yan, Zhiqi Shen, Jie Zhang

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

जासूस की दुविधा: वह क्षण जब सब कुछ बदल गया

कल्पना कीजिए कि आप एक जासूस हैं जो डेटा की एक लंबी धारा के भीतर छिपे रहस्य को सुलझाने की कोशिश कर रहे हैं। यह एक हार्ट मॉनिटर की बीप हो सकती है, स्टॉक मार्केट का टिकर, या ड्रिलिंग रिग पर लगा कोई सेंसर। अचानक, कुछ बदल जाता है। लय बदल जाती है, नंबर उछल जाते हैं, या पैटर्न टूट जाता है। आपका काम उस सटीक सेकंड को खोजना है जब वह बदलाव हुआ था। सांख्यिकी (statistics) की दुनिया में, इसे चेंजपॉइंट लोकलाइजेशन (changepoint localization) कहा जाता है।

लंबे समय तक, जासूसों के पास एक समस्या थी: वे एक विशिष्ट क्षण की ओर इशारा कर सकते थे और कह सकते थे, "यह ठीक यहीं हुआ!" लेकिन वे आपको यह नहीं बता सकते थे कि वे कितने आश्वस्त थे। क्या यह एक इत्तेफाक था? क्या डेटा बस शोर (noise) से भरा था? इसे ठीक करने के लिए, वैज्ञानिकों ने एक चतुर तरकीब विकसित की जिसे कॉन्फॉर्मल प्रेडिक्शन (conformal prediction) कहा जाता है। इसे एक सुरक्षा जाल (safety net) की तरह समझें। एक एकल बिंदु देने के बजाय, यह एक "कॉन्फिडेंस सेट" (विश्वास समूह) बनाता है—संभावित क्षणों की एक सीमा जहाँ परिवर्तन हो सकता था। इस सुरक्षा जाल का जादू यह है कि यह काम करता है, चाहे डेटा कैसा भी हो, जब तक कि बदलाव से पहले का डेटा अपने आप में समान है, और बदलाव के बाद का डेटा अपने आप में समान है। यह एक सार्वभौमिक गारंटी है: यदि आप जाल को 90% सच्चाई को पकड़ने के लिए सेट करते हैं, तो यह 90% सच्चाई को ही पकड़ेगा, भले ही डेटा अजीब, हेवी-टेल्ड (heavy-tailed), या आश्चर्यों से भरा हो।

हालाँकि, इसमें एक पेंच था। जबकि सुरक्षा जाल सच्चाई को पकड़ने की गारंटी देता था, जाल का आकार एक जुआ था। यदि डेटा अव्यवस्थित था या इस तरह से बदला जो जासूस ने अपेक्षित नहीं किया था, तो जाल पूरी टाइमलाइन को कवर करने के लिए फूल सकता था, जिससे उत्तर बेकार हो जाता था। यह एक ऐसे जाल की तरह था जो मछली पकड़ने की गारंटी तो देता था, लेकिन कभी-कभी यह इतना बड़ा हो जाता था कि पूरा समुद्र ही पकड़ लेता था। बड़ा सवाल यह था: क्या हम एक ऐसा जाल बना सकते हैं जो सच्चाई को पकड़ने की गारंटी भी दे और उपयोगी भी रहे, भले ही डेटा अजीब हो जाए?

नया टूल: ARC (ऑगमेंटेड-रैंक कॉन्फॉर्मलाइजेशन)

इस शोध पत्र में, लेखक एक नया जासूसी उपकरण पेश करते हैं जिसे ARC (ऑगमेंटेड-रैंक कॉन्फॉर्मलाइजेशन) कहा जाता है। उनका लक्ष्य "फूलते हुए जाल" (ballooning net) की समस्या को हल करना था। वे एक ऐसा तरीका बनाना चाहते थे जो न केवल यह गारंटी दे कि परिवर्तन सेट के भीतर पाया गया है (जो मौजूदा तरीके पहले से ही करते हैं), बल्कि यह भी सुनिश्चित करे कि सेट सटीक और छोटा बना रहे, चाहे डेटा कितना भी विकृत क्यों न हो।

ARC का गुप्त मंत्र रैंक्स (ranks) की अवधारणा है। कल्पना कीजिए कि आपके पास अलग-अलग ऊंचाइयों के लोगों की एक कतार है। यदि आप केवल इस बात में रुचि रखते हैं कि कौन किससे लंबा है, तो आपको यह जानने की आवश्यकता नहीं है कि उनकी सटीक ऊंचाई इंच या सेंटीमीटर में कितनी है। आपको बस उनका क्रम जानना है: पहला, दूसरा, तीसरा, इत्यादि। यह एक "रैंक" है। लेखकों ने महसूस किया कि यदि वे अपने जासूसी उपकरण को केवल इन रैंकों का उपयोग करके बनाते हैं, तो उनका उपकरण कुछ प्रकार की अराजकता के प्रति प्रतिरक्षित (immune) हो जाएगा।

यहाँ चतुर हिस्सा है: यदि आप संख्याओं वाले एक रबर बैंड को खींचते हैं, या उसे सिकोड़ते हैं, या उस पर एक अजीब वक्र (curve) लागू करते हैं (जब तक कि आप क्रम को न पलट दें), तो रैंक बिल्कुल वही रहते हैं। जो व्यक्ति पांचवां सबसे लंबा है, वह पांचवां ही रहेगा, भले ही आप माप की इकाई बदल दें। अपने स्कोर को पूरी तरह से इन रैंकों पर आधारित करके, लेखकों ने एक ऐसा तरीका बनाया जहाँ "कॉन्फिडेंस सेट" (जाल) का आकार बिल्कुल वही रहता है, चाहे आप डेटा को कैसे भी खींचें या विकृत करें।

पेपर ARC स्कोर का एक परिवार प्रस्तावित करता है जो डेटा को दो मुख्य तरीकों से देखता है:

लोकेशन (स्थान): औसत में बदलाव को देखना (जैसे तापमान में अचानक उछाल)।
स्केल (पैमाना): फैलाव में बदलाव को देखना (जैसे डेटा अचानक बहुत अधिक अराजक हो जाना)।

वे इन्हें सरल नियमों या एक छोटे, प्री-ट्रेन्ड कंप्यूटर नेटवर्क का उपयोग करके जोड़ते हैं। महत्वपूर्ण बात यह है कि यह नेटवर्क नकली, सिंथेटिक डेटा पर प्रशिक्षित किया जाता है और फिर "फ्रीज" (स्थिर) कर दिया जाता है। एक बार फ्रीज होने के बाद, यह कभी नहीं बदलता। लेखक गणितीय रूप से सिद्ध करते हैं कि भले ही नेटवर्क को खराब तरीके से प्रशिक्षित किया गया हो, या इसमें रैंडम वेट्स (weights) हों, या इसे गलत प्रकार के डेटा पर प्रशिक्षित किया गया हो, सुरक्षा जाल अभी भी काम करता है। यह एक "फेल-सेफ" डिज़ाइन है।

उन्होंने क्या पाया: अपरिवर्तनीयता का जादू

लेखकों ने अपने विचार का परीक्षण करने के लिए हजारों सिमुलेशन चलाए, और परिणाम आश्चर्यजनक थे।

सबसे पहले, उन्होंने पुष्टि की कि ARC तब भी काम करता है जब "जासूस" टूटा हुआ हो। उन्होंने उन नेटवर्क्स का परीक्षण किया जिन्हें रैंडम शोर (noise) पर प्रशिक्षित किया गया था या जिनके लेबल बदल दिए गए थे (एक "सबोटेज" किया गया नेटवर्क)। हर एक मामले में, कॉन्फिडेंस सेट ने वादे के अनुसार 90% बार वास्तविक चेंजपइंट को पकड़ा। यह एक बड़ी बात है क्योंकि इसका मतलब है कि आपको वैध उत्तर प्राप्त करने के लिए एक आदर्श AI मॉडल की आवश्यकता नहीं है; आपको बस सही संरचना की आवश्यकता है।

दूसरा, और सबसे महत्वपूर्ण, उन्होंने एफिशिएंसी ट्रांसफर (efficiency transfer) को सिद्ध किया। अपने सिमुलेशन में, उन्होंने एक मानक डेटासेट लिया और उस पर अत्यधिक रूपांतरण (transformations) लागू किए—डेटा को एक्सपोनेंशियल या क्यूबिक में बदलना।

पुराना तरीका (प्लग-इन स्कोर): जब डेटा को रूपांतरित किया गया, तो पुराने तरीकों के कॉन्फिडेंस सेट्स विस्फोट कर गए। उदाहरण के लिए, एक विशिष्ट डेटासेट पर, पुराने तरीके का जाल डेटा रूपांतरित होने पर लगभग 7 डेटा पॉइंट्स से बढ़कर 22 पॉइंट्स तक फैल गया। सबसे खराब स्थिति में (कॉची वितरण जैसे हेवी-टेल्ड डेटा के साथ), पुराना जाल इतना बड़ा हो गया कि इसने लगभग पूरी टाइमलाइन (101 में से 85 पॉइंट्स) को कवर कर लिया, जिससे वह बेकार हो गया।
ARC का तरीका: जब लेखकों ने अपने ARC स्कोर पर वही रूपांतरण लागू किए, तो जाल का आकार बिल्मा भी नहीं बदला। यह बिल्कुल वैसा ही रहा। यदि रूपांतरण से पहले जाल 7 पॉइंट्स चौड़ा था, तो रूपांतरण के बाद भी वह 7 पॉइंट्स ही चौड़ा था।

इसे ही वे "एफिशिएंसी ट्रांसफर" कहते हैं। चूंकि ARC केवल डेटा के क्रम (रैंक्स) पर निर्भर करता है, इसलिए इसे इससे फर्क नहीं पड़ता कि डेटा गॉसियन (Gaussian) है, स्क्यूड (skewed) है, या हेवी-टेल्ड है। इस सुपरपावर के लिए "कीमत" सामान्य डेटा के लिए थोड़ा अतिरिक्त विस्तार (लगभग 10%) है, लेकिन इनाम यह है कि जब डेटा अव्यवस्थित होता है, तो यह बिखरता नहीं है।

वास्तविक दुनिया का परीक्षण: ड्रिलिंग लॉग

यह देखने के लिए कि क्या यह वास्तविक दुनिया में काम करता है, लेखकों ने एक प्रसिद्ध डेटासेट पर ARC का परीक्षण किया: एक ड्रिलिंग ऑपरेशन से प्राप्त वेल-लॉग (well-log)। यह पृथ्वी में ड्रिलिंग करते समय लिए गए मापों का रिकॉर्ड है, जो अक्सर अचानक उछाल और शोर से भरा होता है।

उन्होंने ज्ञात परिवर्तनों के आसपास विशिष्ट विंडोज़ (windows) को देखा।

अधिकांश मामलों में, ARC ने उम्मीदवारों का एक बहुत छोटा समूह (3 से 5 पॉइंट्स) पाया जिसमें वास्तविक परिवर्तन शामिल था। यह एक सटीक उत्तर देता है: "परिवर्तन इन 5 स्थानों में से कहीं हुआ है।"
एक कठिन विंडो में, ARC विधि ने एक खाली सेट (empty set) लौटाया (कोई उम्मीदवार नहीं)। लेखक बताते हैं कि यह विफलता नहीं है; यह एक विशेषता है। एक खाली सेट का अर्थ है कि डेटा मॉडल में फिट नहीं बैठता (शायद परिवर्तन क्रमिक था, अचानक नहीं)। यह एक चेतावनी लाइट की तरह कार्य करता है, जो उपयोगकर्ता को बताता है, "हे, हमारी धारणाओं के साथ यहाँ कुछ गलत है।" पुराने तरीके चुपचाप एक गलत उत्तर दे देते।

सीमाएं और भविष्य

लेखक सावधानी से उन जगहों को भी बताते हैं जहाँ उनका टूल काम नहीं करता है।

ट्रेंड्स (Trends): यदि डेटा धीरे-धीरे ऊपर या नीचे जा रहा है (ट्रेंड), बजाय इसके कि वह अचानक उछले, तो यह विधि लागू नहीं होती।
सीरियल डिपेंडेंस (Serial Dependence): यदि डेटा पॉइंट्स अत्यधिक सह-संबंधित (correlated) हैं (जैसे एक लहर जहाँ एक बिंदु अगले की भविष्यवाणी करता है), तो मानक विधि अपनी पूर्ण सटीकता खो देती है। उन्होंने पाया कि "ब्लॉक परम्यूटेशन" (डेटा को समूहों में रखना) का उपयोग करने से इसे ठीक करने में मदद मिलती है, लेकिन यह जाल को थोड़ा चौड़ा कर देता है।
एकल परिवर्तन (Single Change): वर्तमान संस्करण एक छोटी विंडो में एक बार में एक परिवर्तन खोजने के लिए डिज़ाइन किया गया है।

निष्कर्ष

यह पेपर केवल अनुमान लगाने का नया तरीका नहीं है; यह निश्चित होने का एक नया तरीका है। डेटा के कच्चे मूल्यों (raw values) को देखने के बजाय उनके रैंक्स (ranks) को देखकर, लेखकों ने एक ऐसा तरीका बनाया जो वास्तविक दुनिया की विचित्रता के विरुद्ध मजबूत है।

उन्होंने दिखाया कि भले ही हम हमेशा यह अनुमान नहीं लगा सकते कि डेटा कितना अव्यवस्थित होगा, हम एक ऐसा डिटेक्टर बना सकते हैं जो डेटा के बिखराव के बावजूद एक ही आकार और रूप में रहता है। यह एक ऐसे जासूस की तरह है जिसे इस बात से फर्क नहीं पड़ता कि संदिग्ध ने भेष बदला है, मास्क पहना है, या कोई अलग पोशाक पहनी है; जब तक उनके कदमों का क्रम वही रहता है, जासूस जानता है कि वे कहाँ थे। लेखकों ने सिद्ध किया कि यह सिमुलेशन और वास्तविक डेटा दोनों में काम करता है, जो एक ऐसा उपकरण प्रदान करता है जो गणितीय रूप से सुरक्षित होने के साथ-साथ व्यावहारिक रूप से भी घास के ढेर में सुई खोजने के लिए पर्याप्त उपयोगी है।

तकनीकी सारांश: ARC (ऑगमेंटेड-रैंक कॉन्फॉर्मलाइजेशन) - चेंजपॉइंट लोकलाइजेशन के लिए

1. समस्या विवरण (Problem Statement)

चेंजपॉइंट लोकलाइजेशन (Changepoint localization) का लक्ष्य उस समय सूचकांक $\tau$ की पहचान करना है जहाँ डेटा स्ट्रीम का वितरण बदल जाता है। जबकि अभ्यासकर्ता अक्सर एक पॉइंट एस्टीमेट $\hat{\tau}$ प्राप्त करते हैं, उससे जुड़ी अनिश्चितता को शायद ही कभी मापा जाता है। कॉन्फॉर्मल चेंजपॉइंट लोकलाइजेशन में हालिया प्रगति ने वैधता (validity) की समस्या को हल कर दिया है: एक क्रम-आधारित (permutation-based) ढांचे के भीतर एक मनमाने स्कोर फंक्शन का उपयोग करके (जैसे, CONCH [14], MCP [6]), एक कॉन्फिडेंस सेट $C_{1-\alpha}$ बनाया जा सकता है जो सेगमेंट के भीतर विनिमय क्षमता (within-segment exchangeability) की धारणा के तहत, अंतर्निहित वितरण की परवाह किए बिना, परिमित-नमूना कवरेज (finite-sample coverage) $P(\tau \in C_{1-\alpha}) \geq 1-\alpha$ की गारंटी देता है।

हालाँकि, दक्षता (efficiency) के संबंध में एक महत्वपूर्ण अंतराल बना हुआ है। सैद्धांतिक परिणाम (जैसे, कॉन्फॉर्मल नेमन-पियर्सन लेम्मा) संकेत देते हैं कि इष्टतम स्कोर प्री- और पोस्ट-चेंज डेंसिटी के बीच लाइकलीहुड रेशियो (likelihood ratio) होता है। व्यवहार में, ये डेंसिटी अज्ञात होती हैं, जिसके लिए प्लग-इन एस्टिमेटर्स (जैसे, क्लासिफायर या डेंसिटी रेशियो एस्टिमेटर्स) की आवश्यकता होती है। जबकि ये एस्टिमेटर्स कवरेज गारंटी (यूनिवर्सलिटी) को बनाए रखते हैं, उनकी सेट लंबाई (दक्षता) नाजुक होती है। भारी पूंछ (heavy tails), विषमता (skewness), और वितरण बदलाव (जहाँ परिनियोजन वितरण प्रशिक्षण वितरण से भिन्न होता है) के तहत वे चुपचाप खराब हो जाती हैं। कोई भी मौजूदा सिद्धांत यह गारंटी नहीं देता कि एक वितरण के तहत प्रमाणित सेट की लंबाई दूसरे के तहत भी बनी रहेगी, विशेष रूप से जब प्लग-इन स्कोर गलत तरीके से निर्दिष्ट (misspecified) हो।

2. कार्यप्रणाली: ARC पाइपलाइन (Methodology: The ARC Pipeline)

लेखक ARC (ऑगमेंटेड-रैंक कॉन्फॉर्मलाइजेशन) का प्रस्ताव करते हैं, जो स्कोर फंक्शन्स का एक परिवार है जिसे परिमित-नमूना वैधता और वितरण-मजबूत दक्षता (distribution-robust efficiency) प्राप्त करने के लिए डिज़ाइन किया गया है।

मुख्य तंत्र (Core Mechanism)

ARC स्कोर केवल डेटा के भीतर-सेगमेंट रैंक (within-segment ranks) पर निर्भर करते हैं, न कि कच्चे मूल्यों (raw values) पर। पाइपलाइन इस प्रकार कार्य करती है:

इनपुट: एक विंडो ऑब्जर्वेशन $X = (X_1, \dots, X_n)$ जिसमें एक संभावित चेंजपॉइंट $t$ है।
रैंक ट्रांसफॉर्मेशन: किसी भी संभावित स्प्लिट $t$ के लिए, सेगमेंट $X_{1:t}$ और $X_{t+1:n}$ को रैंक वेक्टर्स $R$ में परिवर्तित किया जाता है।
स्कोर कंप्यूटेशन: स्कोर $A(R)$ $A (R)$ को निम्नलिखित में से एक घटक का उपयोग करके कंप्यूट किया जाता है:
- लोकेशन चैनल (Location Channel): दो-नमूना विल्कोक्सन साक्ष्य (two-sample Wilcoxon evidence) ( $Z_{loc}$ ) से प्राप्त रैंक-आधारित CUSUM सांख्यिकी।
- स्केल चैनल (Scale Channel): एक मूड-टाइप (Mood-type) स्क्वेर्ड-रैंक सांख्यिकी ( $Z_{sc}$ ) जो वेरिएंस परिवर्तनों के प्रति संवेदनशील है।
- फिक्स्ड कॉम्बिनेशन (Fixed Combinations): दोनों चैनलों का अधिकतम मान ( $A_{comb} = \max(A_{loc}, A_{sc})$ ) या सिंथेटिक डेटा पर सीखे गए भार (weights) के साथ एक कॉनवेक्स कॉम्बिनेशन जिन्हें फ्रीज कर दिया गया है।
- फ्रोजन न्यूरल नेटवर्क (Frozen Neural Network): एक सिंगल-हिडन-लेयर नेटवर्क ( $16 \to 64 \to 1$ ) जिसे सिंथेटिक गौसियन डेटा (डाउनसैंपल रैंक पाथ्स) पर प्रशिक्षित किया गया है और परीक्षण विंडो देखे जाने से पहले फ्रीज कर दिया गया है।
कॉन्फॉर्मल बैकएंड (Conformal Backend): स्कोर को मानक कॉन्फॉर्मल लोकलाइजेशन फ्रेमवर्क (जैसे, Hore और Ramdas [14]) में फीड किया जाता है। प-वैल्यू (p-values) रैंक-आधारित सांख्यिकी के परिवर्तित क्रम (within-segment permutations) के माध्यम से कंप्यूट किए जाते हैं।
आउटपुट: एक कॉन्फिडेंस सेट $C_{1-\alpha} = \{t : p_t > \alpha\}$ , एक पॉइंट एस्टीमेट $\hat{\tau}$ , और एक चेंज-टाइप लेबल।

प्रमुख डिजाइन विकल्प (Key Design Choices)

फ्रोजन वेट्स (Frozen Weights): सभी सीखे गए घटक (न्यूरल नेटवर्क वेट्स, कॉम्बिनेशन वेट्स) सिंथेटिक डेटा पर प्रशिक्षित किए जाते हैं और टेस्ट विंडो देखे जाने से पहले फ्रीज कर दिए जाते हैं। यह सुनिश्चित करता है कि स्कोर टेस्ट विंडो से स्वतंत्र है, जिससे परम्यूटेशन तर्क की वैधता बनी रहती है।
टाइप-अवेयरनेस बिना एडैप्टिविटी के (Type-Awareness without Adaptivity): टेस्ट डेटा के आधार पर चैनल को एडैप्टिव रूप से चुनने के बजाय (जो परम्यूटेशन टेस्ट को अमान्य कर देगा), ARC एक निश्चित संयोजन नियम (जैसे, मैक्स या प्री-ट्रेन्ड वेट्स) का उपयोग करता है। इससे वैधता पर कोई प्रतिकूल प्रभाव नहीं पड़ता।

3. प्रमुख सैद्धांतिक योगदान (Key Theoretical Contributions)

प्रमेय 1: किसी भी फ्रोजन स्कोर के लिए परिमित-नमूना वैधता (Theorem 1: Finite-Sample Validity for Any Frozen Score)

पेपर सिद्ध करता है कि किसी भी फ्रोजन वेट कॉन्फ़िगरेशन (जिसमें रैंडम इनिशियलाइज़ेशन, अर्ली स्टॉपिंग, या प्रतिकूल रूप से लेबल किया गया डेटा शामिल है) के लिए, परिणामी ARC स्कोर परिमित-नमूना कवरेज $P(\tau \in C_{1-\alpha}) \geq 1-\alpha$ प्रदान करता है।

महत्व: वैधता पूरी तरह से परम्यूटेशन बैकएंड और टेस्ट विंडो से स्कोर की स्वतंत्रता से विरासत में मिलती है। प्रशिक्षण की गुणवत्ता या मॉडल की शुद्धता के बारे में कोई धारणा नहीं बनाई गई है।

प्रमेय 2: रैंक इनवेरिएंस के माध्यम से दक्षता हस्तांतरण (Theorem 2: Efficiency Transfer via Rank Invariance)

क्योंकि रैंक स्ट्रिक्टली इनक्रीजिंग ट्रांसफॉर्मेशन $g$ के तहत इनवेरिएंट (invariant) होते हैं, इसलिए पूरा ARC कॉन्फिडेंस सेट लगभग निश्चित रूप से (almost surely) इनवेरिएंट है: $C_{1-\alpha}(g(X)) = C_{1-\alpha}(X)$ ।

दक्षता हस्तांतरण (Efficiency Transfer): फलस्वरूप, सेट की लंबाई का वितरण डेटा युग्म $(F_0, F_1)$ पर केवल इसके रैंक स्ट्रक्चर के माध्यम से निर्भर करता है। एक विशिष्ट रैंक प्रयोग (जैसे, गौसियन शिफ्ट) पर प्रमाणित की गई लंबाई का वितरण किसी भी मोनोटोन ट्रांसफॉर्मेशन (जैसे, लॉगनॉर्मल, कॉची, या लॉजिस्टिक ट्रांसफॉर्म) के लिए बिल्कुल वैसा ही रहता है, चाहे पूंछ कितनी भी भारी या विषम क्यों न हो।
विपरीत (Contrast): प्लग-इन स्कोर (जैसे, लाइकलीहुड रेशियो) डेटा के हर नए रूप के साथ बदल जाते हैं, जिससे उनके सेट की लंबाई वितरण बदलावों के तहत अप्रत्याशित रूप से घटती-बढ़ती रहती है।

इनवेरिएंस की कीमत (Price of Invariance)

पेपर स्वीकार करता है कि रैंक-आधारित स्कोर ऑरेकल लाइकलीहुड रेशियो की तुलना में "इनवेरिएंस की कीमत" चुकाते हैं। हालांकि, क्लासिकल रैंक-टेस्ट थ्योरी सुझाव देती है कि यह कीमत सीमित है (उदाहरण के लिए, गौसियन शिफ्ट के लिए t-सांख्यिकी के विरुद्ध विल्कोक्सन की एसिम्प्टोटिक रिलेटिव एफिशिएंसी $\approx 0.955$ है)। ARC एक फिक्स्ड मॉडल पर दक्षता में एक छोटी, सीमित हानि के बदले उस मॉडल के पूरे मोनोटोन ऑर्बिट के लिए सटीक दक्षता हस्तांतरण का व्यापार करता है।

4. अनुभवजन्य परिणाम (Empirical Results)

सिमुलेशन अध्ययन (Simulation Studies)

प्रयोगات $n=120$ की विंडो लेंथ के साथ गौसियन, $t_3$ , कॉची, और लॉगनॉर्मल वितरणों के साथ किए गए।

कवरेज (Coverage): सभी ARC स्कोर सभी वितरणों में नाममात्र कवरेज ( $\approx 0.90$ ) बनाए रखते हैं, जिसमें "सबोटैज्ड" (sabotaged) नेटवर्क (रैंडम वेट्स, गलत लेबल वाला प्रशिक्षण) भी शामिल हैं।
इनवेरिएंस (Invariance): स्ट्रिक्टली इनक्रीजिंग ट्रांसफॉर्म (exp, cube, logistic) के तहत, ARC सेट बिल्कुल समान रहे (80/80 पुनरावृत्तियों में)। इसके विपरीत, प्लग-इन t-सांख्यिकी सेट काफी बढ़ गए (उदाहरण के लिए, exp ट्रांसफॉर्म के तहत औसत लंबाई 6.8 से बढ़कर 22.1 हो गई)।
भारी पूंछ के प्रति मजबूती (Robustness to Heavy Tails): कॉची वितरण के तहत, प्लग-इन सेट निरर्थक (vacuous) हो गए (औसत लंबाई $\approx 85$ आउट ऑफ 101 कैंडिडेट), जबकि ARC सेट सूचनात्मक बने रहे (औसत लंबाई $\approx 26$ )।
ट्रांसफर (Transfer): गौसियन डेटा पर प्रशिक्षित और फ्रीज किए गए स्कोर, भारी-पूंछ वाले टेस्ट डेटा पर मजबूत प्रदर्शन करते हैं। ARC में सेट की लंबाई में वृद्धि रैंक प्रयोग के कारण थी, न कि प्रशिक्षण बेमेल (training mismatch) के कारण, जबकि प्लग-इन स्कोर विनाशकारी गिरावट का शिकार हुए।
टाइप एडैप्टिविटी (Type Adaptability): "मैक्स" कॉम्बिनेशन या सीखा गया कॉनवेक्स कॉम्बिनेशन, उस ऑरेकल की तुलना में न्यूनतम दक्षता दंड (अधिकतम 15%) लेता है जिसे पहले से पता हो कि परिवर्तन का प्रकार (लोकेशन बनाम स्केल) क्या है।

वास्तविक डेटा अनुप्रयोग: वेल-लॉग डेटा (Real-Data Application: Well-Log Data)

ट्यूरिंग चेंज पॉइंट डेटासेट (वेल-लॉग ड्रिलिंग सीरीज़) पर लागू किया गया:

ARC ने एनोटेटेड शिफ्ट्स को 90% कॉन्फिडेंस के साथ 3-5 कैंडिडेट तक लोकलाइज किया।
मॉडल मिसफिट डिटेक्शन (Model Misfit Detection): एक विंडो में जहाँ मानव एनोटेटर्स असहमत थे और परिवर्तन क्रमिक (gradual) था, ARC ने एक खाली सेट (empty set) उत्पन्न किया। लेखक इसे विफलता के रूप में नहीं, बल्कि मॉडल मिसफिट के एक वैध प्रमाण के रूप में देखते हैं (संभावना $\leq \alpha$ ), जो संकेत देता है कि सिंगल-चेंजपॉइंट पीसवाइज-आईआईडी (piecewise-i.i.d.) धारणा का उल्लंघन हुआ है।

डिपेंडेंस हैंडलिंग (Dependence Handling)

AR(1) डिपेंडेंस के तहत, मानक i.i.d. परम्यूटेशन विफल रहे (कवरेज गिरकर $\approx 0.30$ हो गया)। लेखक इसे ठीक करने के लिए सर्कुलर ब्लॉक परम्यूटेशन (circular block permutations) का प्रस्ताव करते हैं, जिसने सेट की लंबाई बढ़ने की कीमत पर कवरेज को $\approx 0.84$ –$0.86$ तक बहाल कर दिया। पेपर नोट करता है कि डिपेंडेंस के तहत पूर्णता (exactness) खो जाती है, और ब्लॉक परम्यूटेशन एक अनुमान (approximation) है।

5. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि यह कॉन्फॉर्मल चेंजपॉइंट लोकलाइजेशन में यूनिवर्सल वैलिडिटी और ट्रांसफरेबल एफिशिएंसी के बीच के अंतर को पाटता है।

वैलिडिटी की यूनिवर्सलिटी: यह पुष्टि करता है कि वैधता स्कोर मिसस्पेसिफिकेशन के प्रति मजबूत है, बशर्ते स्कोर टेस्ट विंडो से स्वतंत्र हो।
डिजाइन प्रिंसिपल के रूप में इनवेरिएंस: यह स्थापित करता है कि रैंक-आधारित स्कोर का उपयोग करने से लोकलाइजेशन प्रक्रिया की दक्षता मार्जिनल वितरण परिवर्तनों के प्रति इनवेरिएंट हो जाती है। यह चिकित्सकों को सिंथेटिक या सरल डेटा (जैसे, गौसियन) पर सेट लंबाई को प्रमाणित करने और यह विश्वास करने की अनुमति देता है कि वे जटिल, भारी-पूंछ वाले या विषम वास्तविक दुनिया के डेटा के लिए भी मान्य हैं, बशर्ते रैंक संरचना समान हो।
व्यावहारिक उपयोगिता: यह कार्रवाई योग्य अनिश्चितता विवरण (कॉन्फिडेंस सेट्स) प्रदान करता है जो वितरण बदलाव के तहत चुपचाप विफल नहीं होते हैं, और यह एक खाली सेट (empty set) के माध्यम से संकेत देने का तंत्र भी प्रदान करता है कि कब अंतर्निहित मॉडल धारणाओं का उल्लंघन हुआ है।

6. सीमाएं (Limitations)

लेखक स्पष्ट रूप से अपनी सीमाओं को निर्धारित करते हैं:

सिंगल चेंजपॉइंट: सिद्धांत एक ऑफलाइन विंडो में एकल चेंजपॉइंट मानता है।
स्वतंत्रता (Independence): सटीक कवरेज के लिए सेगमेंट के भीतर स्वतंत्रता आवश्यक है; सीरियल डिपेंडेंस के लिए ब्लॉक परम्यूटेशन मरम्मत एक अनुमान है।
मार्जिनल कवरेज: सेट मार्जिनल कवरेज प्रदान करते हैं, न कि डिटेक्शन इवेंट के दिए गए कंडीशनल कवरेज।
मॉडल स्कोप: पीसवाइज-एक्सचेंजेबल मॉडल ट्रेंड-टाइप अल्टरनेटिव्स (डिटरमिनिस्टिक ड्रिफ्ट्स) को बाहर रखता है।
टाइप एडैप्टिविटी: हालांकि परिवर्तन के प्रकार को न जानने की कीमत सीमित है, लेकिन यह शून्य नहीं है।