🌀 nonlinear sciences

A theory of spatial early warning signals for tipping points on complex networks

यह शोध पत्र जटिल नेटवर्क पर स्थानिक पूर्व चेतावनी संकेतों (spatial early warning signals) के लिए एक गणितीय ढांचा विकसित करता है, जो यह प्रदर्शित करता है कि स्थानिक प्रसरण (spatial variance) जैसे संकेतकों की विश्वसनीयता नेटवर्क विषमता, महत्वपूर्ण आइजन-दिशाओं (eigendirections) के शोर उत्तेजना और प्रीप्रोसेसिंग विधियों के बीच परस्पर क्रिया पर महत्वपूर्ण रूप से निर्भर करती है, जबकि यह भी दिखाता है कि अन्य मेट्रिक्स जैसे कि विचरण गुणांक (coefficient of variation) अक्सर टिपिंग पॉइंट्स के पास सार्वभौमिक चेतावनियाँ प्रदान करने में विफल रहते हैं।

मूल लेखक: Naoki Masuda

प्रकाशित 2026-08-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Naoki Masuda

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

एक ऐसी दुनिया की कल्पना करें जहाँ प्रणालियाँ अचानक एक अवस्था से दूसरी अवस्था में बदल जाती हैं। एक हरा-भरा, लहलहाता रेगिस्तानी परिदृश्य तेजी से एक बंजर भूमि में बदल सकता है यदि हवा बहुत शुष्क हो जाए। एक स्थिर जलवायु परिवर्तन के एक नए, स्व-रक्षित पैटर्न में बदल सकती है जिसे आसानी से उलट पाना संभव नहीं है। ये अचानक होने वाले बदलाव, जिन्हें 'टिपिंग पॉइंट्स' (tipping points) कहा जाता है, खतरनाक होते हैं क्योंकि ये अक्सर बिना किसी पूर्व चेतावनी के होते हैं, जिससे प्रतिक्रिया देने के लिए बहुत कम समय बचता है। वैज्ञानिक लंबे समय से प्रारंभिक चेतावनी संकेतों की तलाश कर रहे हैं—डेटा में सूक्ष्म सुराग जो यह संकेत देते हैं कि कोई प्रणाली टूटने वाली है। दशकों से, सबसे आम तरीका एक समय में प्रणाली के एक हिस्से को देखना रहा है, यह देखने के लिए कि क्या वह छोटे व्यवधानों से उबरने की अपनी गति को धीमा कर रहा है। हालाँकि, वास्तविक दुनिया में, लंबी 'टाइम सीरीज़' (time series) एकत्र करना अक्सर असंभव होता है। यह बहुत महंगा, बहुत धीमा, या उस चीज़ के लिए विनाशकारी हो सकता है जिसका अध्ययन किया जा रहा है।

इस सीमा ने शोधकर्ताओं को एक अलग प्रकार के सुराग की ओर देखने के लिए प्रेरित किया है: एक 'स्नैपशॉट' (snapshot)। एक तत्व को समय के साथ बदलते हुए देखने के बजाय, वे एक ही समय में प्रणाली के कई अलग-अलग हिस्सों को देखते हैं। यदि आप पेड़ों, बिजली की लाइनों या लोगों के बीच के अंतरों के पैटर्न को देखकर यह बता सकें कि क्या कोई पतन आने वाला है, तो क्या आप एक जंगल, एक पावर ग्रिड या एक सामाजिक नेटवर्क की एक एकल तस्वीर ले सकते हैं? 'स्पेशियल अर्ली वार्निंग' (spatial early warning) नामक यह दृष्टिकोण उन सरल, समान वातावरणों में आशाजनक रहा है जहाँ प्रणाली का प्रत्येक भाग समान होता है। लेकिन वास्तविक दुनिया शायद ही कभी समान होती है। प्रणालियाँ जटिल नेटवर्क के रूप में व्यवस्थित होती हैं जहाँ कुछ नोड्स (nodes) अत्यधिक जुड़े होते हैं और अन्य नहीं, जो विभिन्न व्यवहारों का एक मिश्रण बनाते हैं। जब शोधकर्ताओं ने इन सरल, समान नियमों को इन जटिल, वास्तविक दुनिया के नेटवर्कों पर लागू करने की कोशिश की, तो परिणाम भ्रमित करने वाले थे। कभी-कभी चेतावनी संकेत काम करते थे; अन्य बार वे विफल हो जाते या गलत दिशा में संकेत देते थे। प्रश्न यह बना हुआ था: ये संकेत जटिल नेटवर्कों पर इतनी अनियमितता से क्यों व्यवहार करते हैं, और क्या हम उन पर भरोसा कर सकते हैं?

मिशिगन विश्वविद्यालय और कोबे विश्वविद्यालय के नाओकी मासुदा द्वारा किया गया एक नया अध्ययन इस पहेली का एक स्पष्ट गणितीय उत्तर प्रदान करता है। शोधकर्ताओं ने एक सिद्धांत विकसित किया है जो समझाता है कि जब एक जटिल नेटवर्क टिपिंग पॉइंट के करीब पहुँचता है तो वास्तव में क्या होता है। उन्होंने पाया कि सबसे लोकप्रिय चेतावनी संकेत, 'स्पेशियल वेरिएन्स' (spatial variance)—जो यह मापता है कि एक ही स्नैपशॉट में प्रणाली के हिस्से एक-दूसरे से कितने भिन्न हैं—वास्तव में दो बहुत ही अलग चीजों का मिश्रण है। पहला हिस्सा, नेटवर्क के कारण होने वाला एक निश्चित, संरचनात्मक अंतर है। एक विषम (heterogeneous) नेटवर्क में, कुछ नोड्स स्वाभाविक रूप से दूसरों की तुलना में अलग स्तरों पर स्थित होते हैं, भले ही प्रणाली पूरी तरह से स्थिर हो। यह अंतर का एक पृष्ठभूमि पैटर्न बनाता है जिसका किसी संकट के करीब आने से कोई लेना-देना नहीं है। दूसरा हिस्सा वास्तविक चेतावनी संकेत है: बढ़ते हुए उतार-चढ़ाव जो संकट के करीब पहुँचते ही प्रणाली के धीमे होने के कारण उत्पन्न होते हैं।

अध्ययन प्रकट करता है कि जटिल नेटवर्कों पर, यह पृष्ठभूमि संरचनात्मक अंतर इतना बड़ा हो सकता है कि वह चेतावनी संकेत को दबा दे। यह यहाँ तक छिपा सकता है कि प्रणाली मुसीबत में है, या इसे ऐसा दिखा सकता है जैसे कि प्रणाली खराब हो रही है जबकि वास्तव में वह बेहतर हो रही है। शोधकर्ताओं ने दिखाया कि स्पेशियल वेरिएन्स केवल तभी एक विश्वसनीय चेतावनी बनता है जब नेटवर्क की संरचना क्रिटिकल उतार-चढ़ाव को उभरने की अनुमति देती है। विशेष रूप से, चेतावनी तब काम करती है यदि प्रणाली के ढहने का तरीका हर नोड के लिए एक जैसा नहीं है। यदि पतन हर नोड को बिल्कुल एक ही तरह से प्रभावित करता है, तो स्पेशियल वेरिएन्स संकेत गायब हो जाता है क्योंकि नोड्स के बीच के अंतर एक-दूसरे को रद्द कर देते हैं। लेकिन यदि पतन नोड्स को अलग-अलग तरह से प्रभावित करता है, जिससे नेटवर्क में परिवर्तन का एक अद्वितीय पैटर्न बनता है, तो स्पेशियल वेरिएन्स नाटकीय रूप से बढ़ेगा, जो एक स्पष्ट अलर्ट प्रदान करेगा।

पत्र ने अन्य सामान्य सांख्यिकीय उपकरणों का भी परीक्षण किया जिनका उपयोग इन बदलावों का पता लगाने के लिए किया जाता है, जैसे कि स्क्यूनेस (skewness), कर्टोसिस (kurtosis), और मोरन का आई (Moran's I)। निष्कर्ष स्पष्ट थे: स्पेशियल वेरिएन्स के विपरीत, ये अन्य संकेत टिपिंग पॉइंट के करीब पहुँचने पर अनंत रूप से बड़े नहीं होते हैं। इसके बजाय, वे निश्चित मानों में स्थिर हो जाते हैं जो पूरी तरह से नेटवर्क के विशिष्ट आकार पर निर्भर करते हैं। इसका अर्थ यह है कि इन संकेतों के लिए कोई सार्वभौमिक नियम नहीं है कि क्या वृद्धि या कमी चेतावनी का संकेत है। एक बढ़ता हुआ स्क्यूनेस किसी नेटवर्क में खतरे का संकेत दे सकता है लेकिन दूसरे में हानिरहित हो सकता है। यही कारण है कि पिछले अध्ययनों ने इन संकेतों को अविश्वसनीय पाया; वे एक ऐसी स्थिति में सार्वभौमिक नियम लागू करने की कोशिश कर रहे थे जहाँ उत्तर पूरी तरह से नेटवर्क के स्थानीय विवरणों पर निर्भर करता है।

अत्यधिक बैकग्राउंड नॉइज़ की समस्या को हल करने के लिए, अध्ययन 'बेसलाइन रेफरेंसिंग' (baseline referencing) नामक एक विशिष्ट डेटा-प्रोसेसिंग तकनीक के मूल्य की पुष्टि करता है। इसमें प्रत्येक नोड की वर्तमान स्थिति की तुलना पूरी प्रणाली के औसत से नहीं, बल्कि उसके अपने पिछले व्यवहार से की जाती है जब प्रणाली ज्ञात रूप से स्थिर थी। इस व्यक्तिगत बेसलाइन को घटाकर, शोधकर्ता उन निश्चित संरचनात्मक अंतरों को हटा सकते हैं जो संकेत को भ्रमित करते हैं। गणित दिखाता है कि यह प्रक्रिया प्रभावी रूप से स्थिर पृष्ठभूमि को हटा देती है, जिससे केवल बढ़ते हुए, खतरनाक उतार-चढ़ाव ही शेष रह जाते हैं। हालाँकि यह उन अन्य सांख्यिकीय संकेतों को ठीक नहीं करता है जो विफल हो जाते हैं, यह स्पेशियल वेरिएन्स को एक बहुत अधिक भरोसेमंद उपकरण बनाता है। अध्ययन निष्कर्ष निकालता है कि जटिल नेटवर्कों के लिए, जब प्रत्येक नोड के इतिहास के लिए उचित रूप से समायोजित किया जाता है, तो स्पेशियल वेरिएन्स सबसे मजबूत प्रारंभिक चेतावनी संकेत है। यह एक स्पष्ट, गणितीय रूप से ठोस तरीका प्रदान करता है जिससे एक जटिल प्रणाली के सामान्य, स्थायी अंतरों और अचानक पतन से पहले होने वाली खतरनाक, बढ़ती अस्थिरता के बीच अंतर किया जा सके।

तकनीकी सारांश: जटिल नेटवर्क पर टिपिंग पॉइंट्स के लिए स्थानिक प्रारंभिक चेतावनी संकेतों का एक सिद्धांत

समस्या विवरण
अर्ली वार्निंग सिग्नल्स (EWSs) सांख्यिकीय संकेतक हैं जिन्हें जटिल प्रणालियों में आसन्न टिपिंग पॉइंट का पता लगाने के लिए डिज़ाइन किया गया है, जो आमतौर पर 'क्रिटिकल स्लोइंग डाउन' (critical slowing down) की घटना पर निर्भर करते हैं। जबकि शास्त्रीय EWS सिद्धांत स्थानिक रूप से सजातीय डोमेन (जैसे, नियमित लैटिस या निरंतरता) के लिए अच्छी तरह से विकसित है, अनुभवजन्य प्रणालियाँ जैसे पारिस्थितिक, महामारी विज्ञान और सामाजिक नेटवर्क स्वाभाविक रूप से विषम (heterogeneous) होते हैं। इन नेटवर्कों में, नोड्स की कनेक्टिविटी और गुण भिन्न होते हैं, जिससे संक्रमण (transition) से बहुत दूर होने पर भी संतुलन अवस्थाओं (equilibrium states) में व्यवस्थित भिन्नता आती है। पिछले संख्यात्मक अध्ययनों ने दिखाया है कि मानक स्थानिक EWSs (जैसे, स्थानिक विचरण/variance, गुणांक भिन्नता/coefficient of variation, स्क्यूनेस/skewness) विषम नेटवर्कों पर अनिश्चित व्यवहार करते हैं, और अक्सर विश्वसनीय चेतावनी देने में विफल रहते हैं या नेटवर्क संरचना और नियंत्रण मापदंडों के आधार पर असंगत रुझान प्रदर्शित करते हैं। मुख्य समस्या यह है कि गणितीय ढांचा इस बात की व्याख्या करने में कमी रखता है कि ये सांख्यिकी विषम नेटवर्कों पर क्यों विफल या सफल होती हैं, और संरचनात्मक विषमता (structural heterogeneity) तथा द्विभाजन (bifurcation) के पास होने वाले स्टोकेस्टिक उतार-चढ़ाव के बीच कैसे अंतर किया जाए।

कार्यप्रणाली
यह शोध पत्र सामान्य नेटवर्कों पर परिभाषित स्टोकेस्टिक डायनेमिकल सिस्टम्स के लिए स्थानिक EWSs के लिए एक कठोर गणितीय ढांचा विकसित करता है। दृष्टिकोण में शामिल हैं:

मॉडलिंग: एक एडजेसेंसी मैट्रिक्स $A$ (या सामान्य इंटरेक्शन मैट्रिक्स) के माध्यम से जुड़े $N$ गतिशील तत्वों (नोड्स) का विश्लेषण करना जो एडिटिव व्हाइट नॉइज़ (additive white noise) के अधीन हैं। गतिकी को Itô स्टोकेस्टिक डिफरेंशियल इक्वेशंस द्वारा वर्णित किया जाता है।
रैखिकीकरण (Linearization): जब नियंत्रण पैरामीटर $\alpha$ एक क्रिटिकल मान $\alpha_c$ के करीब पहुँचता है जहाँ स्थिरता खो जाती है (एक सरल वास्तविक आइगेनवैल्यू द्वारा कवर किया गया, जैसे सैडल-नोड, ट्रांसक्रिटिकल और पिचफोर्क द्विभाजन), तो सिस्टम को एक स्थिर संतुलन शाखा $x^*(\alpha)$ के आसपास रैखिकीकृत किया जाता है।
विघटन (Decomposition): लेखक अपेक्षित स्थानिक विचरण (expected spatial variance) का दो अलग-अलग घटकों में सटीक विघटन व्युत्पन्न करता है:
- एक संरचनात्मक पद ( $S(\alpha)$ ), जो नोड्स के बीच संतुलन अवस्थाओं के नियत (deterministic) विचरण द्वारा निर्धारित होता है।
- एक फ्लक्चुएशन पद ( $\Phi(\alpha)$ ), जो स्टोकेस्टिक उतार-चढ़ाव के स्टेशनरी कोवेरिएंस मैट्रिक्स द्वारा निर्धारित होता है।
स्पेक्ट्रल विश्लेषण: स्टेशनरी कोवेरिएंस का विश्लेषण स्थिरता मैट्रिक्स $M$ के बायोर्थोगोनल आइगेनवेक्टर बेसिस का उपयोग करके किया जाता है। द्विभाजन के पास एसिम्प्टोटिक व्यवहार क्रिटिकल आइगेनवैल्यू $\lambda_1 \to 0$ और उससे संबंधित बाएं ( $w$ ) और दाएं ( $v$ ) आइगेनवेक्टर द्वारा हावी होता है।
सांख्यिकीय विश्लेषण: यह शोध पत्र $\alpha \to \alpha_c^-$ होने पर पांच मानक स्थानिक EWSs (स्थानिक विचरण, गुणांक भिन्नता, स्क्यूनेस, कर्टोसिस और मोरान का I) के एसिम्प्टोटिक व्यवहार को व्युत्पन्न करता है, जिसमें कच्चे डेटा और बेसलाइन रेफरेंसिंग के साथ संसाधित डेटा दोनों पर विचार किया गया है।

प्रमुख योगदान और परिणाम

स्थानिक विचरण का विघटन: केंद्रीय सैद्धांतिक परिणाम यह है कि अपेक्षित स्थानिक विचरण $E[V]$ का सटीक रूप से $S(\alpha) + \Phi(\alpha)$ में विघटन होता है। विषम नेटवर्कों पर, $S(\alpha)$ आम तौर पर गैर-शून्य और सीमित होता है, जो संतुलन की "बैकग्राउंड" विषमता का प्रतिनिधित्व करता है। इसके विपरीत, $\Phi(\alpha)$ क्रिटिकल स्लोइंग डाउन को कैप्चर करता है।
विचलन की स्थितियाँ (Conditions for Divergence): फ्लक्चुएशन पद $\Phi(\alpha)$ $Φ (α)$ तभी अपसारी (diverge) होता है जब दो शर्तें पूरी होती हैं:
1. क्रिटिकल आइगेनडायरेक्शन नॉइज़-एक्साइटेड हो (बाएं क्रिटिकल आइगेनवेक्टर पर नॉइज़ का प्रोजेक्शन गैर-शून्य है, अर्थात $\sigma^2_{\text{eff},c} > 0$ )।
2. क्रिटिक राइट आइगेनवेक्टर स्थानिक रूप से गैर-समान हो (सेंटरिंग के बाद इसका स्थानिक माध्य गैर-शून्य है, अर्थात $\rho_c < 1$ , जहाँ $\rho$ आइगेनवेक्टर की एकरूपता को मापता है)।
  यदि क्रिटिकल आइगेनवेक्टर समान (होमोजेनियस नेटवर्क की तरह) है, तो स्थानिक सेंटरिंग अपसारी घटक को हटा देती है, और विचरण सीमित रहता है।
विशिष्ट संकेतकों का व्यवहार:
- स्थानिक विचरण (Spatial Variance): उपरोक्त स्थितियों के तहत अपसारित (diverge) होता है। विचलन की दर द्विभाजन प्रकार पर निर्भर करती ( $\epsilon^{-1/2}$ सैडल-नोड के लिए, $\epsilon^{-1}$ ट्रांसक्रिटिकल/पिचफोर्क के लिए)।
- गुणांक भिन्नता (Coefficient of Variation - CV): आम तौर पर एक परिमित मान (या शून्य) तक संतृप्त (saturate) हो जाता है, न कि अपसारित होता है। ऐसा इसलिए होता है क्योंकि बढ़ते आयाम का क्रिटिकल फ्लक्चुएशन अंश (numerator) और हर (denominator) दोनों में दिखाई देता है और रद्द हो जाता है।
- स्क्यूनेस, कर्टोसिस और मोरान का I: ये स्केल-इनवेरिएंट सांख्यिकी अपसारित नहीं होते। वे नेटवर्क-निर्भर सीमाओं की ओर अभिसरित (converge) होते हैं जो क्रिटिकल राइट आइगेनवेक्टर के आकार द्वारा निर्धारित होते हैं। महत्वपूर्ण रूप से, उनमें एक सार्वभौमिक चेतावनी दिशा का अभाव है (उदाहरण के लिए, नेटवर्क संरचना के आधार पर स्क्यूनेस बढ़ या घट सकती है), जो उन्हें सामान्य EWS के रूप में अविश्वसनीय बनाता है।
बेसलाइन रेफरेंसिंग: यह शोध पत्र "बेसलाइन रेफरेंसिंग" (द्विभाजन से दूर मापे गए नोड-विशिष्ट बेसलाइन को घटाना) के लिए एक सैद्धांतिक औचित्य प्रदान करता है। यह प्रक्रिया संदर्भ बिंदु पर संरचनात्मक पद $S(\alpha)$ को समाप्त कर देती है, जिससे नियत विषमता प्रभावी रूप से हट जाती है। यह समझाता है कि बेसलाइन रेफरेंसिंग विषम नेटवर्कों पर स्थानिक विचरण के प्रदर्शन को क्यों सुधारती है, जबकि स्क्यूनेस, कर्टोसिस या मोरान के I पर इसका बहुत कम प्रभाव पड़ता है (जो पहले से ही स्केल-इनवेरिएंट हैं)।
अनिश्चितता और स्नैपशॉट परिवर्तनशीलता: यह शोध पत्र एकल स्नैपशॉट से प्राप्त संकेतों की अनिश्चितता को मापता है। यह पाता है कि द्विभाजन के पास स्थानिक विचरण का सापेक्ष मानक विचलन, नेटवर्क के आकार $N$ की परवाह किए बिना, $\sqrt{2}$ के करीब पहुंच जाता है। यह इंगित करता है कि नोड्स की संख्या बढ़ाने से अनिश्चितता कम नहीं होती है, क्योंकि सभी नोड्स एक साझा क्रिटिकल फ्लक्चुएशन मोड साझा करते हैं।
हॉफ द्विभाजन (Hopf Bifurcations): विश्लेषण को हॉफ द्विभाजन (कॉम्प्लेक्स कंजुगेट आइगेनवैल्यूज) के लिए विस्तारित किया गया है। यहाँ, क्रिटिकल फ्लक्चुएशन द्वि-आयामी है। हालांकि स्थानिक विचरण अभी भी अपसारित होता है, स्क्यूनेस, कर्टोसिस और मोरान के I के सीमित वितरण नियत स्थिरांकों के बजाय रैंडम वेरिएबल्स बन जाते हैं, जो चेतावनी संकेतों के रूप में उनके उपयोग को और अधिक जटिल बना देते हैं।

महत्व और दावे
यह शोध पत्र यह स्पष्ट करने का दावा करता है कि विषम नेटवर्कों पर स्थानिक EWSs कैसे काम करते हैं, जिससे पिछले संख्यात्मक सिमुलेशन में देखे गए विरोधाभासों को सुलझाया जा सके। इसका प्राथमिक महत्व है:

संरचनात्मक बनाम स्टोकेस्टिक ट्रेड-ऑफ की पहचान करना: यह प्रदर्शित करता है कि विषम नेटवर्कों पर, स्थानिक विचरण नियत संरचनात्मक भिन्नता और स्टोकेस्टिक क्रिटिकल फ्लक्चुएशन का मिश्रण है। संरचनात्मक घटक (जैसे, बेसलाइन रेफरेंसिंग के माध्यम से) को ध्यान में रखे बिना, EWSs बाधित या उलट दिए जा सकते हैं।
EWSs की सीमाओं को परिभाषित करना: यह स्थापित करता है कि स्थानिक विचरण एकमात्र मानक स्थानिक सांख्यिकी है जो जेनेरिक रूप से क्रिटिकल स्लोइंग डाउन के अपसरण को विरासत में प्राप्त करता है, बशर्ते कि क्रिटिकल मोड गैर-समान हो। अन्य सांख्यिकी (CV, स्क्यूनेस, कर्टोसिस, मोरान का I) आम तौर पर संतृप्त होते हैं या नेटवर्क-विशिष्ट मानों की ओर अभिसरित होते हैं, जो कोई सार्वभौमिक चेतावनी दिशा नहीं देते हैं।
प्रीप्रोसेसिंग का सत्यापन: सिद्धांत स्थानिक EWSs पर बेसलाइन रेफरेंसिंग के उपयोग के लिए एक आवश्यक प्रीप्रोसेसिंग चरण के रूप में समर्थन करता है ताकि नियत बैकग्राउंड से स्टोकेस्टिक चेतावनी सिग्नल को अलग किया जा सके।
अनिश्चितता के लिए अपेक्षाएं निर्धारित करना: यह रेखांकित करता है कि एकल-स्नैपशॉट EWS की विश्वसनीयता मौलिक रूप से साझा क्रिटिकल फ्लक्चुएशन की प्रकृति द्वारा सीमित है, जिसका अर्थ है कि बड़े नेटवर्क क्रिटिकल शासन में अधिक सटीक चेतावनी नहीं देते हैं।

लेखक एक मध्यम दायरे को बनाए रखता है, यह नोट करते हुए कि उनके परिणाम रैखिकीकरण (जो केवल द्विभाजन के पास मान्य है) और एडिटिव व्हाइट नॉइज़ पर निर्भर करते हैं, और वे सांख्यिकी का विश्लेषण करते हैं न कि विशिष्ट डिटेक्शन एल्गोरिदम का। यह सिद्धांत यह समझाने के लिए है कि स्थानिक EWS कब और क्यों काम करते हैं या विफल होते हैं, न कि नए डिटेक्शन एल्गोरिदम प्रस्तावित करने के लिए।

इसी तरह के और पेपर