One Truncated Likelihood Expansion: Estimation, Testing, and Classification as a Single Captured-Fraction Functional

तकनीकी सारांश: एक संकुचित संभावना विस्तार (One Truncated Likelihood Expansion)

समस्या विवरण
सांख्यिकीय अनुमान (statistical inference) में, पैरामीटर अनुमान (parameter estimation), परिकल्पना परीक्षण (hypothesis testing), और सिग्नल वर्गीकरण (decomposition) को पारंपरिक रूप से अलग-अलग कार्यों के रूप में माना जाता है, जिनमें से प्रत्येक अलग सैद्धांतिक तंत्र और गुणवत्ता मेट्रिक्स द्वारा शासित होता है: अनुमानक दक्षता (estimator efficiency), त्रुटि प्रायिकता/विलंब (error probability/detection delay), और पुनर्निर्माण त्रुटि (reconstruction error)। यह शोध पत्र तर्क देता है कि ये कार्य अक्सर अलग-थलग अध्ययन किए जाते हैं, जिससे उनके साझा संरचनात्मक सीमाओं (structural limits) का बोध नहीं हो पाता। केंद्रीय समस्या यह है कि क्या इन तीन कार्यों को एक ही वस्तु (object) और "पूर्णता" (completeness) के एक एकल माप के तहत एकीकृत किया जा सकता है, विशेष रूप से उन स्थितियों में जहाँ शास्त्रीय ऑर्थोगोनल विस्तार (जैसे हर्मिट बहुपद) विफल हो जाते हैं, जैसे कि भारी-पूंछ वाले वितरणों (heavy-tailed distributions) के अंतर्गत।

कार्यप्रणाली
यह शोध पत्र एक निश्चित, संभवतः गैर-ऑर्थोगोनल आधार (basis) $\{\phi_i\}$ में लॉग-लाइक्लीहुड के संकुचित विस्तार (truncated expansion of the log-likelihood) पर आधारित एक एकीकृत ढांचे का प्रस्ताव करता है। मुख्य कार्यप्रणाली में शामिल हैं:

1. मास्टर ऑब्जेक्ट (The Master Object): एक संकुचित कुनचेंको लाइक्लीहुड श्रृंखला (Kunchenko likelihood series) को परिभाषित किया गया है:
   $$\log p(x; \theta) = \psi_0(\theta) + \sum_{i \le m} k_i(\theta) (\phi_i(x) - \psi_i) + R_m(x; \theta)$$
   जहाँ गुणांकों (coefficients) को एक नॉर्मल सिस्टम (सामान्यीकृत न्यूनतम वर्ग) के माध्यम से हल किया जाता है और $R_m$ ऑर्थोगोनल ट्रंकेशन रेसिड्यूल (residual) है।

2. एक ही श्रृंखला से तीन कार्य: इन तीन सांख्यिकीय कार्यों को इस एकल श्रृंखला पर मौलिक क्रियाओं के रूप में प्राप्त किया जाता है:

   • अनुमान (Estimation): पैरामीटर के सापेक्ष अवकलन ($\partial_\theta$) स्कोर फंक्शन (score function) देता है, जिससे बहुपद-अधिकतमीकरण अनुमानक (polynomial-maximization estimator) प्राप्त होता है।
   • डिटेक्शन (Detection): दो परिकल्पनाओं के बीच अंतर ($\Delta$) लॉग-लाइक्लीहुड अनुपात (LLR) देता है, जिससे नेमन-पियर्सन परीक्षण (Neyman–Pearson test) प्राप्त होता है। एक अनुक्रमिक संस्करण (sequential version) समय के साथ इस अंतर को संयोजित करके बनाया जाता है।
   • डिकम्पोजिशन (Decomposition): ट्रंकेशन रेसिड्यूल का नॉर्म (norm) पुनर्निर्माण त्रुटि (reconstruction error) प्रदान करता है।

3. एकीकृत फलन (The Unifying Functional): तीनों कार्यों की गुणवत्ता को एक एकल फलन, कैप्चर्ड-फ्रैक्शन फलन (captured-fraction functional) $\kappa_m$ द्वारा मापा जाता है:
   $$\kappa_m(z; \nu) = \frac{\| \text{proj}_{V_m} \mathring{z} \|_\nu^2}{\| \mathring{z} \|_\nu^2}$$
   जहाँ $V_m$ केंद्रित आधार फलनों (centered basis functions) द्वारा स्पैन किया गया उप-स्थान है, और $\mathring{z}$ रुचि की वस्तु (score, LLR, या log-density) का केंद्रित रूप है।

   • अनुमान के लिए, $z$ स्कोर $S$ है; रीडिंग एसिम्प्टोटिक रिलेटिव एफिशिएंसी (ARE) $g$ है।
   • डिटेक्शन के लिए, $z$ LLR $\Lambda$ है; रीडिंग कैप्चर्ड-रेशियो $c$ है।
   • डिकम्पोजिशन के लिए, $z$ लॉग-डेंसिटी है; रीडिंग $R^2$ है।

4. आधार चयन (Basis Selection): ढांचा गैर-ऑर्थोगोनल फ्रैक्शनल बेसिस (non-orthogonal fractional bases) (जैसे $\rho_a(x) = \text{sgn}(x)|x|^a$) का उपयोग करता है, विशेष रूप से उन भारी-पूंछ वाले वितरणों को संबोधित करने के लिए जहाँ बहुपद/हर्मिट सिस्टम वर्गाकार-समावेशी (square-integrable) नहीं होते हैं।

प्रमुख योगदान

• संरचनात्मक एकीकरण (C1): शोध पत्र यह प्रदर्शित करता है कि अनुमान, डिटेक्शन और डिकम्पोजिशन तीन अलग विधियाँ नहीं बल्कि एक ही वस्तु को देखने के तीन तरीके हैं। उनकी गुणवत्ता उसी फलन $\kappa_m$ द्वारा नियंत्रित होती है जो अलग-अलग वस्तुओं पर लागू होता है। महत्वपूर्ण रूप से, शोध पत्र स्पष्ट करता है कि ये 'रीडिंग्स' सामान्यतः अलग संख्याएँ होती हैं (उदाहरण के लिए, लाप्लास लॉ पर, $g$ और $c$ अलग-अलग दरों पर बढ़ते हैं), लेकिन वे तभी और केवल तभी 1 के मान तक एक साथ पहुँचते हैं जब आधार पर्याप्त सांख्यिकी (sufficient statistic) को कैप्चर करता है (प्रमेय 1)।
• पूर्णता हेतु आधार परिवर्तन (C2): एक प्रमुख सैद्धांतिक योगदान एक पूर्णता प्रमेय (प्रमेय 3) है, जो दिखाता है कि भारी-पूंछ (tail index $\alpha$) के तहत, एक गैर-ऑर्थोगोनल फ्रैक्शनल सिस्टम जिसके घातांक (exponents) $(0, \alpha/2)$ में संचित होते हैं, $L^2(\nu)$ में सघन (dense) है। यह उस $L^2$ क्लोजर को बहाल करता जिसे ऑर्थोगोनल बहुपद सिस्टम इन व्यवस्थाओं में खो देते हैं, जिससे कैप्चर्ड फ्रैक्शन 1 तक पहुँच सकता है जहाँ हर्मिट विस्तार विचलन (diverge) करते हैं।
• परिचालन विशेषताएँ (C3): कैप्चर्ड फ्रैक्शन को अनुमान और डिटेक्शन दोनों के लिए ऑपरेटिंग कैरेक्टरिस्टिक के रूप में पहचाना गया है।
  • अनुमान: $g$, मैक्सिमम लाइक्लीहुड एस्टीमेटर के विरुद्ध एस्टीमेटर की एसिम्प्टोटिक रिलेटिव एफिशिएंसी (ARE) के बराबर है।
  • डिटेक्शन: $g$, स्थानीय एसिम्प्टोटिक पावर और पिटमैन रिलेटिव इफिकेसी (Pitman relative efficacy) को निर्धारित करता है।
    यह भारी-पूंछ वाले अनुमान के लिए एक एकीकृत पावर स्टेटमेंट प्रदान करता है जहाँ ऑर्थोगोनल आधार इफिकेसी को परिभाषित नहीं कर सकते।
• स्थानीय क्रॉस-ब्रांच समानता (C4): शोध पत्र सिद्ध करता है कि लुप्त होते हाइपोथीसिस गैप ($\delta \to 0$) की स्थानीय सीमा में, डिटेक्शन रीडिंग $c(\delta)$, अनुमान रीडिंग $g$ के अभिसरण (converge) होती है (प्रपोजिशन 2), जो लोकल एसिम्प्टोटिक नॉर्मैलिटी (LAN) के कैप्चर्ड-फ्रैक्शन रूप को औपचारिक रूप देता है।
• गौसियन एंकर और मशीन सत्यापन (C5): एक गौसियन कोवेरिएंस-शिफ्ट मॉडल एक "एंकर" के रूप में कार्य करता है जहाँ ऑर्डर-टू (order-two) प्रोजेक्शन सटीक है। शोध पत्र मशीन-चेक्ड प्रमाण (Lean 4/Mathlib में) प्रदान करता है जो सत्यापित करता है कि इस एंकर पर, अनुक्रमिक सांख्यिकी सटीक लाइक्लीहुड अनुपात के बराबर है, जिससे यह सुनिश्चित होता है कि शास्त्रीय CUSUM इष्टतमता सीधे लागू होती है।
• रिडक्शन प्रिंसिपल (C7): ढांचा एक अपरिवर्तनीयता सहसंबंध (invariance corollary) प्रदान करता है: कोई भी रूपांतरण जो आधार मूल्यांकन को अपरिवर्तित रखता है, वह सभी ब्रांच रीडिंग्स (स्कोर, LLR, पुनर्निर्माण त्रुटि) को अपरिवर्तित छोड़ देता है। यह रिडक्शन प्रिंसिपल को सिंगल-सीरीज फैक्टरिंग के एक जेनेरेटिव परिणाम के रूप में पुनः प्राप्त करता है।

परिणाम
शोध पत्र 15 पूर्व-निर्धारित जाँचों के माध्यम से अपने सिद्धांत को एक नियंत्रित सिंथेटिक अध्ययन के माध्यम से मान्य करता है:

• समाप्ति (Termination): गौसियन परिवार पर, सभी रीडिंग्स ($g, c, R^2$) ठीक तब 1 तक पहुँचती हैं जब आधार में पर्याप्त सांख्यिकी (जैसे वेरिएंस शिफ्ट के लिए $x^2$) शामिल होता है।
• संयुक्त वृद्धि (Joint Rise): लाप्लास वितरण पर, जैसे-जैसे आधार समृद्ध होता है, सभी रीडिंग्स 1 की ओर बढ़ती हैं, हालांकि वस्तु के आधार पर उनकी दरें भिन्न होती हैं।
• स्थानीय समानता: संख्यात्मक प्रयोग पुष्टि करते हैं कि जैसे-जैसे हाइपोथीसिस गैप $\delta$ घटता है, डिटेक्शन रीडिंग, अनुमान रीडिंग के अभिसरण होती है।
• भारी-पूंछ का लाभ (Heavy-Tailed Advantage): स्टूडेंट-$t_3$ और कॉची (Cauchy) वितरणों पर, एक फ्रैक्शनल बेसिस महत्वपूर्ण फिशर इंफॉर्मेशन कैप्चर करता है (जैसे $t_3$ के लिए $g \approx 0.96$), जहाँ बहुपद ग्राम मैट्रिक्स (Gram matrix) विचलन करता है। ऑर्थोगोनल बेसिस इन व्यवस्थाओं में परिभाषित इफिकेसी प्रदान करने में विफल रहता है।
• पूर्णता (Completeness): जैसे-जैसे फ्रैक्शनल एक्सपोनेंट्स घने होते जाते हैं, कैप्चर्ड फ्रैक्शन हल्के-पूंछ (लाप्लास) और भारी-पूंछ (स्टूडेंट-$t_3$) दोनों लक्ष्यों के लिए 1 के करीब पहुँच जाता है।

महत्व और दावे
शोध पत्र विनम्रतापूर्वक संरचनात्मक एकीकरण का दावा करता है न कि किसी संख्यात्मक पहचान का। यह तर्क देता है कि अनुमान का "सिंगल स्केलर" दृश्य केवल विशिष्ट टर्मिनेटिंग एंकर्स (एक्सपोनेंशियल फैमिली) या स्थानीय सीमाओं पर ही मान्य है। इसका प्राथमिक महत्व निम्नलिखित में है:

1. सिद्धांत का एकीकरण: यह दिखाना कि तीन अलग-अलग सांख्यिकीय शाखाएँ पूर्णता के एक ही कार्यात्मक माप को साझा करती हैं।
2. भारी-पूंछ तक विस्तार: यह प्रदर्शित करना कि गैर-ऑर्थोगोनल फ्रैक्शनल बेसिस केवल सुविधाजनक नहीं हैं, बल्कि भारी-पूंछ वाले कानूनों में $L^2$ पूर्णता को बहाल करने और अनुमान इफिकेसी को परिभाषित करने के लिए आवश्यक हैं जहाँ शास्त्रीय बहुपद सिस्टम विफल हो जाते हैं।
3. परिचालन स्पष्टता: कैप्चर्ड फ्रैक्शन को सीधे एसिम्प्टोटिक रिलेटिव एफिशिएंसी और लोकल पावर से जोड़ना, जो अनुमान, डिटेक्शन और डिकम्पोजिशन कार्यों में एक आधार की "अच्छाई" का मूल्यांकन करने के लिए एक एकल मीट्रिक प्रदान करता है।

यह कार्य यह दावा नहीं करता है कि तीनों रीडिंग्स सामान्य रूप से समान संख्याएँ हैं, बल्कि यह कि वे संरचनात्मक रूप से जुड़ी हुई हैं, आधार समृद्धि के साथ एक साथ बढ़ती हैं, और विशिष्ट स्थितियों (जैसे पर्याप्तता या स्थानीय सीमा) के तहत मेल खाती हैं। मशीन-चेक्ड कोर गौसियन एंकर तक सीमित है, जबकि भारी-पूंछ और सामान्य-आधार परिणाम विश्लेषणात्मक प्रमाणों और संख्यात्मक सत्यापन पर निर्भर करते हैं।