💻 computer science

Robust Score-Based Generative Modelling withTsallis–Gaussian Perturbations

यह शोध पत्र हैवी-टेल्ड डेटा और संदूषण के प्रभाव को प्रभावी ढंग से कम करने के साथ-साथ प्रतिस्पर्धी जनरेटिव प्रदर्शन बनाए रखने के लिए टैलिस-गॉसियन (Tsallis–Gaussian) विक्षोभ और एक डुअल-हेड न्यूरल आर्किटेक्चर का उपयोग करके एक सुदृढ़ स्कोर-आधारित जनरेटिव मॉडलिंग फ्रेमवर्क प्रस्तावित करता है।

मूल लेखक: Shenghan Gao, Spiridon Penev, Libo Li

प्रकाशित 2026-07-15

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shenghan Gao, Spiridon Penev, Libo Li

मूल पेपर CC BY 4.0 (https://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 रोबोट को पेंटिंग करना, शेयर बाजार की गिरावट का पूर्वानुमान लगाना या नए रासायनिक यौगिकों का आविष्कार करना सिखाने की कोशिश कर रहे हैं। रोबोट वास्तविक उदाहरणों को देखकर सीखता है, लेकिन इसकी एक कठिन आदत है: यह "शोर" (noise) या अजीबोगरीब बाहरी डेटा (outliers) से आसानी से भ्रमित हो जाता है। यदि आप इसे एक बिल्ली की तस्वीर दिखाते हैं जिसके बीच में एक विशाल, चमकता हुआ बैंगनी वर्ग (square) है, तो एक मानक रोबोट उस अजीब वर्ग से इतना विचलित हो सकता है कि वह बिल्ली बनाना ही भूल जाए।

यह शोध पत्र इन रोबोट्स को सिखाने का एक नया तरीका पेश करता है, जिसे TSMLD (Tsallis Score-Based Generative Modelling with Langevin Dynamics) कहा जाता है। इसे एक रोबोट को "स्मार्ट नॉइज़-कैंसलिंग हेडफ़ोन" और एक "लचीला रूलर" देने के रूप में समझें, ताकि वह अव्यवस्थित, वास्तविक दुनिया के डेटा से बिना विचलित हुए सीख सके।

समस्या: "गौसियन" (Gaussian) जाल

अधिकांश वर्तमान रोबोट पेंटर्स Gaussian (या "बेल कर्व") शोर पर आधारित एक विधि का उपयोग करते हैं। इस शोर की कल्पना एक हल्की, अनुमानित बारिश के रूप में करें। यदि एक बूंद आपके रोबोट की नाक पर गिरती है, तो यह एक छोटा, प्रबंधनीय स्पर्श है। लेकिन वास्तविक दुनिया में, डेटा हमेशा हल्की बारिश जैसा नहीं होता। कभी-कभी यह ओलावृष्टि होती है, या पहाड़ी से लुढ़कते हुए एक अचानक, विशाल पत्थर जैसा होता है।

वित्तीय डेटा (जैसे शेयर की कीमतें) या अव्यवस्थित वास्तविक दुनिया के डेटासेट में, इन "पत्थरों" को हेवी टेल्स (heavy tails) कहा जाता है। ये दुर्लभ, चरम घटनाएँ हैं—जैसे एक दिन में बाजार का 20% गिर जाना। मानक Gaussian रोबोट इन विशाल पत्थरों को केवल "बहुत बड़ी बारिश की बूंदों" के रूप में देखते हैं। क्योंकि उनका गणित रैखिक (linear) है, एक विशाल पत्थर रोबोट के मस्तिष्क को नियंत्रण से बाहर कर देता है, जिससे वह गलत सबक सीख जाता है। यह एक साइकिल चलाने का अभ्यास करने जैसा है जबकि कोई आप पर भारी एंवल (anvil) फेंक रहा हो; आप एंवल से बचना तो सीख सकते हैं, लेकिन आप साइकिल चलाना कभी नहीं सीख पाएंगे।

समाधान: "त्सालिस" (Tsallis) अपग्रेड

लेखक सुझाव देते हैं कि हल्की बारिश को Tsallis–Gaussian perturbations से बदल दिया जाए।

1. बाउंडेड "रिडिसेन्डिंग" स्कोर (स्मार्ट हेडफ़ोन)
पुरानी विधि में, यदि रोबोट एक बड़ी त्रुटि (एक पत्थर) देखता, तो वह अनंत वॉल्यूम के साथ चिल्लाता, "त्रुटि! त्रुटि!" नई विधि एक Tsallis स्कोर का उपयोग करती है जो बाउंडेड (सीमित) है।

उपमा: कल्पना करें कि रोबोट का एरर सिग्नल एक वॉल्यूम नॉब है। पुराने सिस्टम में, एक बड़ी गलती वॉल्यूम नॉब को "MAX" पर कर देती थी और उसे हमेशा के लिए बढ़ाता रहती थी। नए सिस्टम में, वॉल्यूम नॉब पर एक हार्ड स्टॉप है। भले ही एक पत्थर रोबोट से टकरा जाए, वह जो शोर सुनता है वह एक सुरक्षित स्तर पर सीमित रहता है।
परिणाम: रोबोट चरम बाहरी घटनाओं (outliers) के चिल्लाते हुए वॉल्यूम को अनदेखा कर देता है। यह एक बड़े वित्तीय संकट या छवि में खराब पिक्सेल को "तेज, लेकिन अनंत नहीं" के रूप में मानता है। यह रोबोट को दुर्लभ, चरम घटनाओं पर अत्यधिक प्रतिक्रिया करने से रोकता है।

2. एडेप्टिव वेट (स्मार्ट फ़िल्टर)
दूसरा तरीका एक डेंसिटी-रेशियो वेट (density-ratio weight) है।

उपमा: कल्पना करें कि रोबroट एक कक्षा में है। यदि एक छात्र (डेटा पॉइंट) उस स्थान पर बैठा है जहाँ शिक्षक (मॉडल) एक छात्र की अपेक्षा करता है, तो शिक्षक ध्यान से सुनता है। लेकिन यदि कोई छात्र ऐसी जगह आता है जहाँ किसी के होने की उम्मीद नहीं थी (एक अजीब, असंभावित आउटलियर), तो शिक्षक धीरे से कहता है, "ठीक है, मैं तुम्हें देख रहा हूँ, लेकिन मैं तुम्हारे आधार पर अपनी पूरी पाठ योजना नहीं बदलूँगा।"
परिणाम: रोबोट स्वचालित रूप से उन डेटा पॉइंट्स पर वॉल्यूम कम कर देता है जो उसके पैटर्न से मेल नहीं खाते, जबकि उन डेटा पर वॉल्यूम बनाए रखता है जो पैटर्न में फिट बैठते हैं। इसे सैंपल-लेवल रोबस्टनेस कहा जाता है।

प्रयोगों ने क्या दिखाया

लेखकों ने इस नए रोबोट का तीन अलग-अलग मैदानों में परीक्षण किया:

1. सिंथेटिक डेटा (प्रशिक्षण जिम)
उन्होंने नकली डेटा का उपयोग किया जिसमें "करप्शन" (जैसे यादृच्छिक विशेषताओं को शुद्ध शोर से बदलना) शामिल था।

निष्कर्ष: जब डेटा साफ था, तो नया रोबोट पुराने वाले के समान ही अच्छा था। लेकिन जब उन्होंने इसमें "शोर" डालना शुरू किया (20%, 30%, यहाँ तक कि 50% डेटा को दूषित किया), तो नया रोबोट शांत रहा।
आंकड़े: HAR (Human Activity Recognition) नामक डेटासेट पर, जब 50% डेटा दूषित किया गया, तो पुराने रोबोट की सटीकता लगभग 20.60% गिर गई। नए रोबोट (एक विशिष्ट सेटिंग $q=1.35$ के साथ) में केवल 16.15% की गिरावट आई। इसने अपना आधार बहुत बेहतर तरीके से बनाए रखा।

2. इमेजेस (आर्ट क्लास)
उन्होंने रोबोट को चेहरे और कपड़े (MNIST, Fashion-MNIST, CIFAR-10) बनाना सिखाया।

निष्कर्ष: यदि उन्होंने प्रशिक्षण छवियों को यादृच्छिक पिक्सेल को काला या सफेद करके दूषित किया, तो नया रोबोट बहुत अधिक साफ चित्र बनाता था।
आंकड़े: Fashion-MNIST पर, जब 40% प्रशिक्षण छवियों को दूषित किया गया, तो पुराने रोबोट का गुणवत्ता स्कोर (FID) बढ़कर 9.69 (खराब) हो गया। नए रोबोट ने इसे 6.77 पर बनाए रखा। चित्र कम "ग्लिच" वाले और असली कपड़ों जैसे दिखे।

3. वित्तीय डेटा (शेयर बाजार)
यहीं पर 'हेवी टेल्स' सबसे अधिक मायने रखते हैं। उन्होंने रोबोट को 1990-2018 के शेयर बाजार के डेटा पर प्रशिक्षित किया और उससे 2020-2024 के संकट काल के दौरान क्या होने वाला है, इसका पूर्वानुमान लगाने को कहा।

निष्कर्ष: मानक रोबोट (और यहाँ तक कि कुछ विशेष वित्तीय AI जैसे GANs) बाजार की गिरावट कितनी गंभीर हो सकती है, उसका कम आकलन करने की प्रवृत्ति रखते थे। उन्हें लगा कि बाजार वास्तव में जितना शांत होना चाहिए, उससे अधिक शांत रहेगा। नया रोबोट, सही सेटिंग्स के साथ, "पत्थरों" की उम्मीद करना सीख गया।
आंकड़े: FF48 पोर्टफोलियो के लिए, वास्तविक बाजार का "कुर्टोसिस" (Kurtosis - एक माप जो बताता है कि पूंछ कितनी मोटी है) 12.6109 था।
- पुराने Gaussian रोबोट ने 5.0742 का अनुमान लगाया (बहुत अधिक शांत)।
- $q=1.5$ वाले नए रोबोट ने 11.3833 का अनुमान लगाया (वास्तविकता के बहुत करीब)।
- इसने CVaR (सबसे खराब स्थिति के नुकसान का माप) भी वास्तविक संकट मान -4.2470 के बहुत करीब प्राप्त किया, जिसने पुराने रोबोट के -3.0053 के मुकाबले -4.4913 का अनुमान लगाया।

जो पेपर खारिज करता है (क्या "नहीं" करना है)

लेखक इस बारे में बहुत स्पष्ट हैं कि क्या काम नहीं करता है:

केवल शोर बदलना पर्याप्त नहीं है: यदि आप केवल हेवी-टेल्ड शोर का उपयोग करते हैं लेकिन पुराने "Gaussian" तरीके से लॉस (loss) की गणना करते हैं (वह गणित जो रोबोट को कैसे सीखना है यह बताता है), तो यह विफल हो जाता है। रोबोट पूंछ (tails) को सीख सकता है, लेकिन वह डेटा के सामान्य हिस्सों के साथ गड़बड़ी कर देगा।
केवल वेट बदलना पर्याप्त नहीं है: यदि आप पुराने Gaussian शोर को रखते हैं लेकिन "स्मार्ट वेटिंग" जोड़ने का प्रयास करते हैं, तो भी यह विफल हो जाता है। रोबोट अभी भी चरम "पत्थरों" को उत्पन्न नहीं कर पाएगा क्योंकि शोर स्वयं बहुत कोमल है।
बड़ा होना हमेशा बेहतर नहीं होता: उन्होंने पाया कि यदि आप "टेल हेवीनेस" पैरामीटर ( $q$ ) को बहुत अधिक (जैसे $q=1.6$ ) कर देते हैं, तो रोबोट बहुत अधिक चरम घटनाएं बनाने लगता है, भले ही उसे नहीं बनाना चाहिए। यह एक ऐसे रोबोट जैसा है जो सोचता है कि हर दिन एक मार्केट क्रैश है। सही संतुलन आमतौर पर $q=1.2$ से $q=1.5$ के बीच था।

वे कितने आश्वस्त हैं?

लेखक यह दावा नहीं करते कि उन्होंने जेनरेटिव AI को "हल" कर दिया है। वे सुझाव देते हैं कि यह विधि एक रोबस्ट (मजबूत) सुधार है।

उन्होंने इन परिणामों को वास्तविक डेटासेट (HAR, CIFAR-10, FF48) पर मापा और भ्रष्टाचार (corruption) को सिमुलेट किया ताकि सीमाओं का परीक्षण किया जा सके।
उन्होंने पाया कि यह विधि चरम घटनाओं को संभालने और सामान्य डेटा की सटीकता बनाए रखने के बीच एक बेहतर संतुलन का सुझाव देती है।
वे स्वीकार करते हैं कि बहुत ही चरम मामलों में (जहाँ वेरिएंस अनंत है), वर्तमान गणित को और अधिक सुधार की आवश्यकता हो सकती है, लेकिन उनके द्वारा किए गए परीक्षणों के लिए, यह काम कर गया।

मुख्य निष्कर्ष (The Takeaway)

यह पेपर सुझाव देता है कि AI को त्रुटियों को सुनने का एक "बाउंडेड" तरीका और अजीब आउटलियर्स को अनदेखा करने के लिए एक "स्मार्ट फ़िल्टर" देकर, हम ऐसे मॉडल बना सकते हैं जो दुनिया के अस्त-व्यस्त होने पर टूटते नहीं हैं। चाहे वह एक दूषित इमेज फ़ाइल हो या अचानक शेयर बाजार की गिरावट, नया TSMLD रोबोट शांत रहता है, सही सबक सीखता है, और शोर से विचलित नहीं होता है। यह हर चीज़ के लिए जादुई समाधान नहीं है, लेकिन अव्यवस्थित, हेवी-टेल्ड वास्तविक दुनिया के लिए, यह पुराने वाले की तुलना में बहुत अधिक मजबूत उपकरण है।

तकनीकी सारांश: Tsallis–Gaussian विक्षोभों के साथ सुदृढ़ स्कोर-आधारित जनरेटिव मॉडलिंग

समस्या विवरण

स्कोर-आधारित जनरेटिव मॉडलिंग, विशेष रूप से लैंग्विन डायनेमिक्स के साथ स्कोर-मैचिंग (SMLD), प्रशिक्षण उद्देश्य और नमूनाकरण (sampling) गतिकी को परिभाषित करने के लिए गाऊसी विक्षोभों (Gaussian perturbations) पर अत्यधिक निर्भर है। जबकि गाऊसी विक्षोभ विश्लेषणात्मक सुविधा और फिशर डाइवर्जेंस के साथ एक सीधा संबंध प्रदान करते हैं, उनमें एक महत्वपूर्ण सीमा है: सशर्त स्कोर फंक्शन (conditional score function) विक्षोभ अवशेष ( $r = y - x$ ) के संबंध में रैखिक और असीमित होता है। फलस्वरूप, मानक डैनोइजिंग स्कोर-मैचिंग (DSM) उद्देश्य बड़े विचलन के प्रति अत्यधिक संवेदनशील होता है, जिससे यह भारी-पूंछ वाले डेटा वितरण (heavy-tailed data distributions) और डेटा संदूषण (जैसे फीचर-स्तरीय शोर या सैंपल-स्तरीय भ्रष्टाचार) के विरुद्ध गैर-सुदृढ़ (non-robust) हो जाता है।

भारी-पूंछ वाले विकल्पों (जैसे स्थिर या भिन्नात्मक गतिकी) के साथ केवल गाऊसी शोर को बदलने के मौजूदा प्रयास अक्सर एक सांख्यिकीय रूप से सुसंगत ढांचा प्रदान करने में विफल रहते हैं। वे आमतौर पर विक्षोभ वितरण को संबंधित डाइवर्जेंस, लॉस फंक्शन या सैंपलिंग प्रक्रिया के साथ संरेखित नहीं करते हैं, जिससे प्रशिक्षण लक्ष्य के सुदृढ़ता गुणों को अनिर्धारित छोड़ दिया जाता है। इसके अलावा, वित्तीय डेटा और सिंथेटिक टैबुलर डेटा में भारी पूंछ (heavy tails), अस्थिरता क्लस्टरिंग और संरचनात्मक परिवर्तन प्रदर्शित होते हैं, जिसके लिए ऐसे जनरेटिव मॉडल की आवश्यकता होती है जो चरम घटनाओं को कैप्चर कर सकें बिना उनसे अस्थिर हुए।

कार्यप्रणाली

लेखक एक एकीकृत ढांचा, Tsallis-Weighted SMLD (TSMLD) प्रस्तावित करते हैं, जो Tsallis–Gaussian (या $q$ -Gaussian) विक्षोभों को Tsallis Kullback–Leibler (KL) डाइवर्जेंस के साथ एकीकृत करता है। यह ढांचा दो पूरक सुदृढ़ता तंत्रों पर निर्मित है:

1. Tsallis–Gaussian विक्षोभ कर्नेल (फीचर-स्तरीय सुदृढ़ता)

मानक गाऊसी शोर के बजाय, मॉडल Tsallis–Gaussian शोर इंजेक्ट करता है। एक विरूपण पैरामीटर $q > 1$ के लिए, यह वितरण भारी-पूंछ वाला (heavy-tailed) होता है।

सीमित स्कोर (Bounded Score): Tsallis–Gaussian कर्नेल द्वारा प्रेरित सशर्त स्कोर, $\nabla_y \log p_j(y|x)$ , अवशेष $r$ के संबंध में सीमित और रिसेडिंग (redescending) है। रैखिक गाऊसी स्कोर के विपरीत, Tsalllis स्कोर बड़े अवशेषों के लिए शून्य की ओर घटता है।
प्रभाव: यह प्रशिक्षण के दौरान चरम फीचर-स्तरीय विचलन के प्रभाव को सीमित करता है, जिससे आउटलेर्स (outliers) को ग्रेडिएंट अपडेट पर हावी होने से रोका जा सकता है।

2. Tsallis KL डाइवर्जेंस के माध्यम से Tsallis वेटिंग (सैंपल-स्तरीय सुदृढ़ता)

प्रशिक्षण उद्देश्य को Tsallis KL डाइवर्जेंस के प्रथम-क्रम परिवर्तन से प्राप्त किया गया है, जो एक वेटेड एक्सप्लिसिट स्कोर-मैचिंग (ESM) लॉस की ओर ले जाता है:
$\mathcal{L} \propto \mathbb{E} \left[ \omega_{q,j}(Y) \| \nabla_Y \log p_\theta(Y) - \nabla_Y \log p_j(Y) \|_2^2 \right]$
जहाँ वेट $\omega_{q,j}(y) = (p_j(y) / p_\theta(y))^{1-q}$ द्वारा परिभाषित है।

तंत्र: जब $q > 1$ होता है, तो वे अवलोकन जहाँ मॉडल कम संभाव्यता (low density ratio) देता है, उन्हें कम भार (reduced weights) प्राप्त होता है।
प्रभाव: यह वितरण संबंधी बदलावों (distributional shifts) और आउटलेर्स के विरुद्ध सुदृढ़ता बढ़ाने के लिए सैंपल स्तर पर खराब तरीके से समर्थित या दूषित नमूनों को कम भार देता है।

कार्यान्वयन: ड्यूल-हेड आर्किटेक्चर

चूंकि सैद्धांतिक वेट अज्ञात घनत्व अनुपात (density ratios) पर निर्भर करते हैं, लेखक नॉइज़ कंडिशनल स्कोर नेटवर्क (NCSN) पर आधारित एक ड्यूल-हेड न्यूरल नेटवर्क का प्रस्ताव करते हैं:

प्राथमिक हेड (Primary Head): सैंपलिंग के लिए साधारण स्कोर $\nabla \log p_\theta$ का अनुमान लगाता है।
सहायक हेड (Auxiliary Head): घनत्व-पावर फैक्टर $p_\theta^{1-q}$ को अनुमानित करने के लिए एक स्केलर या वेक्टर रूपांतरण का अनुमान लगाता है, जिससे स्पष्ट घनत्व अनुमान के बिना Tsallis वेट की गणना संभव हो सके।

स्थिरीकरण: कार्यान्वयन में लॉग-डोमेन मिनी-बैच नॉर्मलाइजेशन, वेट्स के लिए वार्म-अप शेड्यूलिंग, और स्टॉप-ग्रेडिएंट ऑपरेशन का उपयोग किया जाता है ताकि नेटवर्क वेट्स को लॉस कम करने के लिए अनुकूलित न करे बल्कि स्कोर एरर के लिए अनुकूलित करे।

सैंपलिंग (Sampling)

सैंपलिंग एनील्ड Tsallis-नॉइज़ लैंग्विन डायनेमिक्स के माध्यम से की जाती है। सैंपलर एक नॉइज़ लैडर $\sigma_1 > \dots > \sigma_J$ के माध्यम से यात्रा करता है, जो ड्रिफ्ट के लिए सीखे गए साधारण स्कोर और स्टोकेस्टिक टर्म के लिए Tsallis–Gaussian शोर का उपयोग करता है। यह मानक गाऊसी लैंग्विन डायनेमिक्स की तुलना में उच्च शोर स्तरों पर स्टेट स्पेस के व्यापक अन्वेषण (exploration) की अनुमति देता है।

मुख्य योगदान

एकीकृत ढांचा: पेपर पहला स्कोर-आधारित सैंपलिंग ढांचा तैयार करता है जो भारी-पूंछ वाले विक्षोभ परिवार (Tsallis–Gaussian) को एक संगत डाइवर्जेंस (Tsallis KL) और एक वेटेड ऑब्जेक्टिव फंक्शन के साथ संयुक्त रूप से संरेखित करता है।
दोहरी सुदृढ़ता तंत्र: यह स्थापित करता है कि सुदृढ़ता दो माध्यमों से प्राप्त होती है:
- फीचर-स्तरीय सुदृढ़ता: एक सीमित, रिसेडिंग सशर्त स्कोर जो चरम समन्वय-वार (coordinate-wise) विचलन को कम करता है।
- सैंपल-स्तरीय सुदृढ़ता: अनुकूलित घनत्व-अनुपात वेटिंग जो खराब ढंग से मेल खाने वाले अवलोकनों के प्रभाव को कम करता है।
व्यावहारिक न्यूरल आर्किटेक्चर: एक ड्यूल-हेड कार्यान्वयन जो स्पष्ट घनत्व अनुमान के बिना उच्च आयामों में Tsallis वेट को अनुमानित करता है, जो मौजूदा SMLD पाइपलाइनों के साथ संगत है।
अनुभवजन्य सत्यापन: संदूषण और भारी-पूंछ वाले शासन (regimes) के तहत बेहतर सुदृढ़ता दिखाने के लिए सिंथेटिक, वित्तीय और इमेज डेटासेट पर व्यापक प्रयोग।

परिणाम

सिंथेटिक और टैबुलर डेटा

प्रदर्शन: वर्गीकरण (HAR, ISOLET, Spambase) और रिग्रेशन (Superconductivity, Communities and Crime, Wave Energy) कार्यों पर, TSMLD (मध्यम $q \approx 1.2$ के साथ) डाउनस्ट्रीम उपयोगिता (TSTR) और वितरण निष्ठा (MMD) में मानक SMLD और अन्य बेसलाइन्स (CTGAN, TVAE, TabDDPM) की तुलना में लगातार बेहतर प्रदर्शन करता है।
सुदृढ़ता: फीचर-स्तरीय और सैंपल-स्तरीय भ्रष्टाचार (50% शोर तक) के तहत, TSMLD मानक SMLD और टैबुलर जनरेटर्स की तुलना में काफी अधिक स्थिरता प्रदर्शित करता है। यह कार्य-प्रासंगिक संरचना को बेहतर ढंग से संरक्षित करता है, जिससे सटीकता और रिग्रेशन मेट्रिक्स में कम गिरावट आती है।

इमेज जनरेशन

गुणवत्ता: MNIST, Fashion-MNIST, और CIFAR-10 पर, TSMLD मानक SMLD और अन्य भारी-पूंछ वाले डिफ्यूजन मॉडल्स (LIM, DLPM) की तुलना में प्रतिस्पर्धी या बेहतर Fréchet Inception Distance (FID) स्कोर प्राप्त करता है।
सुदृढ़ता: पिक्सेल-स्तरीय और इमेज-स्तरीय भ्रष्टाचार के तहत, TSMLD बेहतर लचीलापन दिखाता है। दूषित डेटा पर प्रशिक्षित होने पर भी, जनरेट की गई छवियों में आर्टिफैक्ट्स कम होते हैं और वे बेसलाइन्स की तुलना में बेहतर सेमेंटिक सुसंगतता बनाए रखते हैं।

वित्तीय समय श्रृंखला (Financial Time Series)

शैलीगत तथ्य (Stylised Facts): TSMLD, GAN-आधारित (TimeGAN, TailGAN) और डिफ्यूजन-आधारित बेसलाइन्स की तुलना में वित्तीय शैलीगत तथ्यों, जैसे टेल हेवीनेस (कर्टोसिस), डाउनसाइड रिस्क (VaR, CVaR), और मार्केट-मोड डिपेंडेंस (कोरिलेशन मैट्रिसेस के आइजनवैल्यू) को बेहतर ढंग से रिकवर करता है।
तनाव शासन (Stress Regimes): आउट-ऑफ-डिस्ट्रीब्यूशन स्ट्रेस डायग्नोस्टिक्स (2020-2024 संकट अवधि) में, TSMLD ( $q=1.5$ के साथ) वास्तविक टेल व्यवहार और संकट-अवधि की गतिशीलता वाले परिदृश्य उत्पन्न करता है, जबकि गाऊसी SMLD और GANs अक्सर टेल रिस्क को कम आंकते हैं।
एब्लेशन निष्कर्ष:
- Tsallis विक्षोभ: भारी-पूंछ वाले व्यवहार को रिकवर करने के लिए भारी-पूंछ वाला विक्षोभ प्राथमिक चालक है।
- Tsallis वेट: अनुकूलित वेटिंग शांत अवधियों में टेल को ओवर-एम्प्लीफाई करने से रोकने के लिए, गैर-संकट शासन में मॉडल को कैलिब्रेट करने के लिए महत्वपूर्ण है।
- सिनर्जी (Synergy): दोनों में से कोई भी घटक अकेले पर्याप्त नहीं है; पूर्ण TSMLD मॉडल भारी-पूंछ वाले अन्वेषण को अनुकूलित सैंपल-स्तरीय कैलिब्रेशन के साथ जोड़ता है।

महत्व और दावे

पेपर दावा करता है कि प्रस्तावित ढांचा सुदृढ़ जनरेटिव मॉडलिंग के लिए एक सांख्यिकीय रूप से संरेखित दृष्टिकोण प्रदान करता है। तर्क यह है कि केवल शोर वितरण को बदलना पर्याप्त नहीं है; एक सुसंगत ढांचे को विक्षोभ, डाइवर्जेंस और सैंपलिंग गतिकी को संरेखित करना चाहिए।

लेखक अपने कार्य को भारी-पूंछ वाले डेटा और संदूषण के प्रति सुदृढ़ जनरेटिव मॉडल की दिशा में एक महत्वपूर्ण कदम के रूप में देखते हैं, जो वित्तीय अनुप्रयोगों और सिंथेटिक डेटा जनरेशन में प्रचलित हैं। वे इस बात पर जोर देते हैं कि यह विधि वितरण निष्ठा और डाउनस्ट्रीम उपयोगिता के बीच एक "अनुकूल व्यापार-बंद" (favourable trade-off) प्रदान करती है, विशेष रूप से उन उच्च-भ्रष्टाचार शासनों में जहाँ मानक विधियाँ विफल हो जाती हैं।

पेपर अपने सैद्धांतिक दायरे के संबंध में विनम्र दावे करता है:

यह स्वीकार करता है कि Tsallis-नॉइज़ लैंग्विन सैंपलर का अभिसरण वर्तमान में केवल परिमित-विचरण (finite-variance) शासन ( $1 < q < 5/3$ ) के लिए सिद्ध है।
यह नोट करता है कि "फीचर-स्तरीय सुदृढ़ता" और "सैंपल-स्तरीय सुदृढ़ता" शब्द देखे गए प्रभावों के वर्णनात्मक लेबल हैं, न कि क्लासिकल इन्फ्लुएंस-फंक्शन-आधारित सुदृढ़ता के सीधे एनालॉग, क्योंकि स्कोर-आधारित जनरेटिव मॉडलिंग के भीतर इन्फ्लुएंस फंक्शन का फॉर्मूलेशन एक खुला प्रश्न बना हुआ है।
यह सुझाव देता है कि $q$ चुनने के लिए डेटा-अनुकूली नियमों को विकसित करने और रेगुलराइजेशन के माध्यम से अनंत-विचरण शासन तक ढांचे को विस्तारित करने के लिए भविष्य के कार्य की आवश्यकता है।

संक्षेप में, पेपर TSMLD को गाऊसी SMLD के एक सुदृढ़, एकीकृत विकल्प के रूप में प्रस्तुत करता है, जो विशेष रूप से उन डोमेन के लिए प्रभावी है जहाँ चरम घटनाएं और डेटा संदूषण महत्वपूर्ण चिंताएं हैं।