Bayesian Superiority in On/Off analysis

ब्रह्मांड के शांत कोनों में, जहाँ दूर की आकाशगंगाओं या उच्च-ऊर्जा कणों से आने वाला प्रकाश मंद और छिटपुट विस्फोटों के रूप में पहुँचता है, वैज्ञानिक एक निरंतर चुनौती का सामना करते हैं: पृष्ठभूमि के शोर (static) से एक वास्तविक संदेश को अलग करना। कल्पना कीजिए कि आप भीड़ भरे कमरे में एक एकल फुसफुसाहट सुनने की कोशिश कर रहे हैं; वह फुसफुसाहट संकेत (signal) है, लेकिन भीड़ का शोर पृष्ठभूमि का शोर (background noise) है। खगोल भौतिकी और परमाणु भौतिकी जैसे क्षेत्रों में, शोधकर्ता अक्सर उस सटीक क्षण में इस पृष्ठभूमि के शोर को सीधे नहीं माप पाते हैं जब वे संकेत की तलाश कर रहे होते हैं। इसके बजाय, उन्हें एक पास के शांत स्थान में शोर को मापना होता है और उसका उपयोग यह अनुमान लगाने के लिए करना होता है कि वह शोर कैसा दिखता होगा जहाँ संकेत छिपा हो सकता है। इसे "ऑन/ऑफ" (On/Off) समस्या के रूप में जाना जाता है। "ऑन" क्षेत्र वह है जहाँ वे कुछ नया खोजने की उम्मीद करते हैं, जबकि "ऑफ" क्षेत्र एक नियंत्रण क्षेत्र है जहाँ वे जानते हैं कि वहाँ कोई संकेत नहीं है, केवल पृष्ठभूमि है। केंद्रीय प्रश्न सांख्यिकीय है: जब "ऑन" क्षेत्र में संख्याएँ अपेक्षित से अधिक होती हैं, तो क्या यह एक वास्तविक खोज है, या केवल पृष्ठभूमि का एक यादृच्छिक उतार-चढ़ाव है? इसे गलत समझने के गंभीर परिणाम होते हैं। यदि वैज्ञानिक दावा करते हैं कि उन्होंने एक नया कण या दूर का तारा खोज लिया है जबकि वह केवल एक संयोग था, तो वे वर्षों के प्रयास को बर्बाद कर देते हैं। यदि वे बहुत अधिक सतर्क होने के कारण एक वास्तविक संकेत को चूक जाते हैं, तो एक खोज हाथ से निकल जाती है। दशकों तक, इस प्रश्न का उत्तर देने का मानक तरीका 1980 के दशक में विकसित एक पद्धति पर निर्भर रहा है, जो तब तो अच्छा काम करती है जब लाखों घटनाएँ होती हैं, लेकिन जब संख्याएँ कम होती हैं तो अविश्वसनीय हो सकती है।

मॉस्को स्टेट यूनिवर्सिटी और इंस्टीट्यूट फॉर न्यूक्लियर रिसर्च के शोधकर्ताओं की एक टीम ने इस क्लासिक समस्या पर फिर से विचार किया है, और पूछा है कि क्या बेयसियन सांख्यिकी (Bayesian statistics) के रूप में ज्ञात एक अलग गणितीय दृष्टिकोण, संकेत और शोर को अलग करने का अधिक विश्वसनीय तरीका प्रदान कर सकता है। उन्होंने केवल एक नया सिद्धांत प्रस्तावित नहीं किया; उन्होंने पुराने और नए तरीकों को कंप्यूटर सिमुलेशन का उपयोग करके एक कठोर परीक्षण में डाला। उन्होंने कंप्यूटर पर लाखों नकली प्रयोग बनाए, जिनमें से कुछ में कोई संकेत नहीं था और कुछ में एक ज्ञात संकेत था, ताकि यह देखा जा सके कि प्रत्येक विधि कितनी बार सही निर्णय लेती है। उनका लक्ष्य दो विशिष्ट प्रकार की गलतियों को मापना था। पहला है एक "गलत अलार्म" (false alarm), जहाँ विधि दावा करती है कि एक संकेत मौजूद है जबकि वह वास्तव में केवल पृष्ठभूमि का शोर है। दूसरा है एक "छूटा हुआ अवसर" (missed opportunity), जहाँ एक वास्तविक संकेत मौजूद है, लेकिन विधि उसे पहचानने में विफल रहती है। बहुत कम संकेतों से लेकर चमकीले संकेतों तक, और कम पृष्ठभूमि शोर से लेकर उच्च शोर तक, व्यापक रेंज में इन सिमुलेशन को चलाकर, वे देख सके कि कौन सी विधि सबसे अधिक भरोसेमंद थी।

शोधकर्ताओं ने लंबे समय से चले आ रहे मानक तरीके की तीन बेयसियन विविधताओं के साथ तुलना की, जिनमें से प्रत्येक अज्ञात पृष्ठभूमि को संभालने के लिए एक अलग तरीके का उपयोग करती है। बेयसियन दृष्टिकोण में, अज्ञात मात्राओं को चरों (variables) के रूप में माना जाता है जिनका मानों की एक सीमा होती है, जिन्हें प्रयोग शुरू होने से पहले ज्ञात जानकारी द्वारा भारित (weighted) किया जाता है। टीम ने इन प्रारंभिक भारों को निर्धारित करने के तीन विशिष्ट तरीकों का परीक्षण किया: एक जो सभी संभावनाओं को समान रूप से संभावित मानता है, एक जो छोटे मानों को प्राथमिकता देता है, और एक जो लघुगणकीय पैमाने (logarithmic scale) पर संतुलित है। उन्होंने पाया कि मानक पद्धति, जबकि बड़ी घटनाओं के लिए उपयोगी है, कम पृष्ठभूमि होने पर लड़खड़ा जाती है। उन सिमुलेशन में जहाँ पृष्ठभूमि लगभग ढाई घटनाएँ थी, मानक पद्धति ने लगभग आठ प्रतिशत समय गलत अलार्म उत्पन्न किए, जो कि वैज्ञानिकों द्वारा लक्षित पांच प्रतिशत दर से काफी अधिक है। यह मूल रूप से बहुत अधिक बार "संकेत!" चिल्ला रही थी जब डेटा केवल थोड़ा शोर भरा था।

इसके विपरीत, बेयसियन विधियाँ अधिक स्थिर साबित हुईं। परीक्षण की गई तीन बेयसियन विविधताओं में से, जेफ्रीज़ प्रायर (Jeffreys prior) नामक विशिष्ट वेटिंग नियम का उपयोग करने वाली विधि का प्रदर्शन सबसे अच्छा रहा। इस विधि ने गलत अलार्म की दर को वांछित पांच प्रतिशत लक्ष्य के करीब रखा, भले ही पृष्ठभूमि बहुत कम थी। इसने छोटे उतार-चढ़ाव पर अत्यधिक प्रतिक्रिया नहीं दी। इसके अलावा, जब शोधकर्ताओं ने अपने सिमुलेशन में एक वास्तविक संकेत पेश किया, तो जेफ्रीज़ प्रायर वाली बेयसियन विधि मानक विधि की तुलना में इसे खोजने में बेहतर थी। इसने वास्तविक संकेतों को कम मिस किया, जिसका अर्थ है कि इसमें भीड़ में मंद फुसफुसाहटों को पकड़ने की अधिक शक्ति थी। अन्य दो बेयसियन विधियाँ भी वास्तविक संकेतों को खोजने में मानक दृष्टिकोण से बेहतर थीं, लेकिन वे या तो गलत अलार्म के मामले में बहुत ढीली थीं या बहुत सख्त थीं, जिससे वे अधिक वास्तविक घटनाओं को चूक गईं। जेफ्रीज़ विधि ने सही संतुलन बनाया, गलत अलार्म को नियंत्रित किया और साथ ही संकेतों को भी पकड़ा।

अध्ययन ने इस बात पर भी गौर किया कि क्या होता है जब पृष्ठभूमि का शोर पूरी तरह से अनुमानित नहीं होता है। वास्तविक दुनिया में, पृष्ठभूमि की घटनाएँ हमेशा एक व्यवस्थित, औसत पैटर्न का पालन नहीं करती हैं; कभी-कभी वे सरल गणित की तुलना में अधिक बिखरी हुई या "ओवरडिस्पर्सड" (overdispersed) होती हैं। शोधकर्ताओं ने इन अस्त-व्यस्त स्थितियों का अनुकरण किया और पाया कि मानक विधि और भी कम विश्वसनीय हो गई, जिससे बहुत अधिक गलत अलार्म उत्पन्न हुए। बेयसियन विधियाँ, विशेष रूप से जेफ्रीज़ प्रायर वाली, बहुत अधिक मजबूत (robust) थीं। यहाँ तक कि जब पृष्ठभूमि का शोर अत्यधिक अनियमित था, तब भी बेयसियन दृष्टिकोण ने मानक विधि की तुलना में बहुत कम, लगभग आधी दर से गलत अलार्म बनाए रखे। यह सुझाव देता है कि बेयसियन दृष्टिकोण केवल एक गणितीय विकल्प नहीं है, बल्कि प्रायोगिक डेटा की जटिल वास्तविकता के लिए एक अधिक व्यावहारिक उपकरण है।

अंततः, यह कार्य प्रदर्शित करता है कि "ऑन/ऑफ" समस्या के लिए, जेफ्रीज़ प्रायर पर आधारित बेयसियन मानदंड महत्व को आंकने का एक श्रेष्ठ तरीका प्रदान करता है। यह गलत अलार्म पर अधिक सटीक नियंत्रण और वास्तविक संकेतों को खोजने की अधिक क्षमता प्रदान करता है, विशेष रूप से उस कठिन स्थिति में जहाँ डेटा दुर्लभ या शोर युक्त होता है। शोधकर्ताओं ने यह दावा नहीं किया कि उन्होंने सांख्यिकी की हर समस्या को हल कर लिया है, न ही उन्होंने सुझाव दिया कि पुराने तरीके को पूरी तरह से त्याग दिया जाना चाहिए। इसके बजाय, उन्होंने सावधानीपूर्वक सिमुलेशन के माध्यम से दिखाया कि बेयसियन दृष्टिकोण उन वैज्ञानिकों के लिए एक अधिक विश्वसनीय मार्ग प्रदान करता है जो ब्रह्मांड के सबसे मंद संकेतों को खोजने की कोशिश कर रहे हैं। परिणाम बताते हैं कि इस विधि को अपनाकर, शोधकर्ता अपने डेटा में 'भूतों' (ghosts) का पीछा करने के जोखिम को कम कर सकते हैं और यह सुनिश्चित कर सकते हैं कि वे उन खोजों को अनदेखा न करें जो वास्तव में वहाँ मौजूद हैं।