📊 statistics

Generative Bayesian Inference with GANs

यह शोध पत्र एक बेयसियन GAN (B-GAN) सैंपलर प्रस्तुत करता है जो लाइकलीहुड-फ्री (likelihood-free) परिवेशों में पोस्टीरियर सैंपल्स को कुशलतापूर्वक उत्पन्न करने के लिए एप्रोक्सिमेट बेयसियन कम्प्यूटेशन को एडवरसेरियल ट्रेनिंग के साथ जोड़ता है, जिसे सैद्धांतिक अभिसरण गारंटी और प्रतिस्पर्धी अनुभवजन्य प्रदर्शन द्वारा समर्थित किया गया है।

मूल लेखक: Yuexi Wang, Veronika Ročková

प्रकाशित 2026-02-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuexi Wang, Veronika Ročková

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

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे हैं एक जासूस के रूप में, लेकिन आपके पास कोई स्पष्ट नियम पुस्तिका (एक "लाइकलीहुड फंक्शन") नहीं है जो आपको ठीक-ठीक बता सके कि अपराध कैसे हुआ। आपके पास केवल संदिग्ध की आदतों का एक धुंधला सा विचार (एक "प्रायर") और सबूतों का एक ढेर (देखा गया डेटा) है।

सांख्यिकी (Statistics) की दुनिया में, यह एक आम समस्या है। पारंपरिक तरीके अक्सर अटक जाते हैं क्योंकि वे बिना उस नियम पुस्तिका के इस बात की सटीक संभावना की गणना नहीं कर सकते कि संदिग्ध दोषी है या नहीं। यह पेपर एक नया, हाई-टेक जासूसी उपकरण पेश करता है जिसे B-GAN (बेयसियन जेनरेटिव एडवरसेरियल नेटवर्क) कहा जाता है, जो दो कृत्रिम बुद्धिमत्ताओं (AI) के बीच एक खेल का उपयोग करके इस रहस्य को सुलझाता है।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. समस्या: "ब्लैक बॉक्स" सिम्युलेटर

कल्पना कीजिए कि आप केवल अंतिम स्कोर (डेटा $X$ ) को देखकर एक जटिल वीडियो गेम की सेटिंग्स (पैरामीटर्स $\theta$ ) को समझने की कोशिश कर रहे हैं।

पुराना तरीका (ABC): पारंपरिक रूप से, जासूस लाखों बार रैंडम सेटिंग्स के साथ गेम खेलते थे, इस उम्मीद में कि वे गलती से एक ऐसा गेम ढूंढ लेंगे जो वास्तविक स्कोर जैसा दिखता हो। यदि वे भाग्यशाली रहे, तो वे उन सेटिंग्स को रख लेते थे। यदि नहीं, तो वे उन्हें फेंक देते थे। यह घास के ढेर में सुई खोजने के लिए रैंडम तरीके से घास उठाने जैसा है। यह धीमा और अक्षम है।
नया तरीका (B-GAN): अंधाधुंध अनुमान लगाने के बजाय, हम एक स्मार्ट मशीन बनाते हैं जो स्कोर से गेम की सेटिंग्स को रिवर्स-इंजीनियर करना सीख लेती है।

2. मुख्य तंत्र: कला की जालसाजी का खेल

इस पद्धति का केंद्र एक जेनरेटिव एडवरसेरियल नेटवर्क (GAN) है। इसे दो कलाकारों के बीच एक उच्च-दांव वाले खेल के रूप में सोचें:

जालसाज (द जेनरेटर): यह AI नकली "सेटिंग्स" बनाने की कोशिश करता है, जो जब सिम्युलेटर के माध्यम से चलाई जाती हैं, तो ऐसा डेटा उत्पन्न करती हैं जो आपके वास्तविक साक्ष्य जैसा दिखता है।
जासूस (द डिस्क्रिमिनेटर/क्रिटिक): इस AI का काम डेटा को देखना और कहना है, "क्या यह अपराध स्थल से मिला वास्तविक साक्ष्य है, या यह जालसाज द्वारा बनाया गया नकली डेटा है?"

वे कैसे सीखते हैं:

जालसाज एक नकली डेटा सेट बनाता है।
जासूस असली और नकली के बीच अंतर पहचानने की कोशिश करता है।
यदि जासूस जालसाज को पकड़ लेता है, तो जालसाज अगली बार बेहतर नकली बनाने के लिए सीखता है।
यदि जालसाज जासूस को चकमा दे देता है, तो जासूस और भी अधिक सतर्क होना सीखता है।

वे इस खेल को बार-बार खेलते हैं। अंततः, जालसाज वास्तविक डेटा की नकल करने में इतना कुशल हो जाता है कि जासूस उनके बीच अंतर नहीं कर पाता। इस बिंदु पर, जालसाज ने वह "गुप्त रेसिपी" (पोस्टीरियर डिस्ट्रीब्यूशन) सीख ली है कि कैसे सेटिंग्स डेटा से संबंधित हैं।

3. "रेफरेंस टेबल" (प्रशिक्षण का मैदान)

खेल शुरू होने से पहले, AI को अभ्यास करने की आवश्यकता होती है। लेखक एक "रेफरेंस टेबल" का उपयोग करते हैं।

कल्पना कीजिए कि एक लाइब्रेरी है जिसमें लाखों किताबें हैं। प्रत्येक किताब में एक रैंडम सेटिंग (जैसे एक रैंडम संदिग्ध प्रोफाइल) और उस सेटिंग से उत्पन्न होने वाला परिणामी गेम स्कोर होता है।
AI इस लाइब्रेरी पर प्रशिक्षण लेता है। वह किसी भी सेटिंग और किसी भी स्कोर के बीच के सामान्य संबंध को सीखता है।
महत्वपूर्ण बिंदु: AI इस संबंध को बिना कभी विशिष्ट अपराध स्थल के साक्ष्य ( $X_0$ ) को देखे सीखता है। वह पहले ब्रह्मांड के "भौतिकी" (physics) को सीख लेता है।

4. विशिष्ट रहस्य को सुलझाना (द "पोस्ट-प्रोसेसिंग")

एक बार जब AI ने लाइब्रेरी से सामान्य भौतिकी सीख ली है, तो आप उसे अपने केस का विशिष्ट साक्ष्य ( $X_0$ ) सौंपते हैं।

जादुई ट्रिक: आप प्रशिक्षित जालसाज में विशिष्ट साक्ष्य फीड करते हैं। जालसाज फिर "संदिग्ध प्रोफाइल" की एक धारा उत्पन्न करता है जो विशेष रूप से उस विशिष्ट साक्ष्य की व्याख्या करने के लिए तैयार किए गए होते हैं।
क्योंकि AI पहले से ही जटिल नियमों को जानता है, इसलिए यह पलक झपकते ही हजारों वैध समाधान निकाल सकता है, जबकि पुराने तरीके को केवल कुछ ही समाधान खोजने में कई दिन लग सकते हैं।

5. "रिफाइनमेंट्स" (खोज को सूक्ष्म बनाना)

लेखकों ने महसूस किया कि कभी-कभी AI का पहला अनुमान थोड़ा बहुत व्यापक होता है (जैसे यह कहना कि संदिग्ध "एक मानव" है बजाय इसके कि वह "एक 30 वर्षीय पुरुष" है)। उन्होंने दो "फाइन-ट्यूनिंग" चरण जोड़े हैं:

"स्मार्ट सर्च" (दो-चरणीय परिशोधन): AI पहले एक त्वरित, मोटा खोज करता है। फिर, वह अपने मोटे परिणाम का उपयोग दूसरे, अधिक सटीक दौर के लिए एक बेहतर, अधिक केंद्रित लाइब्रेरी बनाने के लिए करता है। यह एक सामान्य क्षेत्र खोजने के लिए मेटल डिटेक्टर का उपयोग करने जैसा है, और फिर एक छोटा, अधिक सटीक छेद खोदने जैसा है।
"वेरिएशनल बेयस" बूस्ट: यह एक गणितीय सुरक्षा जाल जोड़ने जैसा है। यह AI को यह सुनिश्चित करने के लिए अपने काम की दोबारा जांच करने के लिए मजबूर करता है कि उत्तर केवल "काफी अच्छे" नहीं हैं बल्कि सांख्यिकीय रूप से इष्टतम (optimal) हैं।

6. यह क्यों मायने रखता है

गति: प्रशिक्षित होने के बाद, AI तुरंत उत्तर उत्पन्न कर सकता है।
लचीलापन: यह तब भी काम करता है जब डेटा अजीब, जटिल, या मानक नियमों का पालन नहीं करता है (जैसे टाइम-सीरीज डेटा या अराजक पारिस्थितिकी तंत्र)।
सटीकता: परीक्षणों में, इस पद्धति ने पिछले तरीकों की तुलना में बहुत तेज़ी से और अधिक सटीकता से "घास के ढेर में सुई" को खोजा, भले ही "घास का ढेर" बहुत बड़ा क्यों न हो।

सारांश उपमा

कल्पना कीजिए कि आप एक गुप्त सूप के अवयवों (ingredients) का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका: आप सूप का स्वाद लेते हैं, फिर एक रैंडम रेसिपी का अनुमान लगाते हैं, उसे पकाते हैं, चखते हैं, और यदि वह मेल नहीं खाता, तो आप उसे फेंक देते हैं और फिर से प्रयास करते हैं। आप करीब आने के लिए 10,000 रेसिपी आजमा सकते हैं।
B-GAN तरीका: आप एक मास्टर शेफ (AI) को काम पर रखते हैं जिसने 10,000 अलग-अलग सूप चखे हैं और खाना पकाने के रसायन विज्ञान (chemistry) को जानता है। आप उन्हें गुप्त सूप का एक चम्मच देते हैं। शेफ तुरंत सटीक रेसिपी जानता है और आपको शीर्ष 1,000 सबसे संभावित सामग्री संयोजनों की सूची थमा देता है।

यह पेपर दिखाता है कि इस "मास्टर शेफ" AI का उपयोग करके, हम उन जटिल सांख्यिकीय रहस्यों को सुलझा सकते हैं जो पहले बहुत कठिन या धीमे थे।

यहाँ युएक्सी वांग (Yuexi Wang) और वेरोनिका रोचकोवा (Veronika Ročková) के शोध पत्र "Generative Bayesian Inference with GANs" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लाइकलहुड-मुक्त बेयसियन अनुमान (likelihood-free Bayesian inference) की चुनौती को संबोधित करता है। कई जटिल वैज्ञानिक अनुप्रयोगों (जैसे महामारी विज्ञान, पारिस्थितिकी) में, डेटा-जनरेटिंग प्रक्रिया एक सिम्युलेटर मॉडल द्वारा परिभाषित होती है जो सिमुलेशन के लिए तो आसान है, लेकिन इसमें एक अस्पष्ट लाइकलहुड फंक्शन (intractable likelihood function) होता है (अर्थात, $p(X|\theta)$ को विश्लेषणात्मक रूप से नहीं निकाला जा सकता)।

वर्तमान सीमाएँ: पारंपरिक बेयसियन अनुमान के लिए लाइकलहुड का मूल्यांकन आवश्यक है। एप्रोक्सिमेट बेयसियन कम्प्यूटेशन (ABC) एक मानक विकल्प है, जो उन मापदंडों (parameters) को स्वीकार करके पोस्टीरियर का अनुमान लगाता है जो प्रेक्षित डेटा (observed data) के करीब "नकली" डेटा उत्पन्न करते हैं। हालाँकि, मानक ABC (विशेष रूप से रिजेक्शन ABC), कम्प्यूटेशनल रूप से अक्षम है, क्योंकि इसे व्यवहार्य मापदंडों को खोजने के लिए भारी संख्या में सिमुलेशन की आवश्यकता होती है, विशेष रूप से तब जब पोस्टीरियर, प्रायर (prior) की तुलना में बहुत संकीर्ण हो।
लक्ष्य: बिना लाइकलहुड का मूल्यांकन किए, डीप लर्निंग की शक्ति का लाभ उठाते हुए, पोस्टीरियर वितरण $\pi(\theta | X)$ से कुशलतापूर्वक नमूने (samples) लेने के लिए एक विधि विकसित करना।

2. कार्यप्रणाली (Methodology)

लेखक एक ढांचा प्रस्तावित करते हैं जिसे बेयसियन GAN (B-GAN) कहा जाता है, जो एप्रोक्सिमेट बेयसियन कम्प्यूटेशन (ABC) को जेनेरेटिव एडवरसेरियल नेटवर्क (GANs) और एडवरसेरियल वेरिएशनल बेयस के साथ जोड़ता है।

कोर कॉन्सेप्ट: पोस्टीरियर सैंपलिंग के लिए कंडीशनल GANs (Conditional GANs)

डेटा से मापदंडों को सीखने (लाइकलहुड सीखने) के बजाय, लेखक कंडीशनल GANs (cGANs) का उपयोग शोर (noise) से मापदंडों तक के मैपिंग को सीखने के लिए करते हैं, जो प्रेक्षित डेटा पर आधारित होता है।

सेटअप:
- जेनरेटर ( $g_\beta$ ): एक न्यूरल नेटवर्क जो एक नॉइज़ वेक्टर $Z$ और प्रेक्षित डेटा $X$ को इनपुट के रूप में लेता है, और एक मापदंड नमूना $\theta = g_\beta(Z, X)$ आउटपुट देता है। इसका लक्ष्य कंडीशनल डिस्ट्रीब्यूशन $\pi(\theta | X)$ को सीखना है।
- क्रिटिक/डिस्क्रिमिनेटर ( $f_\omega$ ): एक न्यूरल नेटवर्क जो जॉइंट प्रायर-सिम्युलेटर डिस्ट्रीब्यूशन से लिए गए वास्तविक मापदंड-डेटा युग्मों $(\theta, X)$ और जेनरेटर द्वारा बनाए गए नकली युग्मों $(g_\beta(Z, X), X)$ के बीच अंतर करता है।
प्रशिक्षण तंत्र: यह विधि स्थिरता सुनिश्चित करने के लिए ग्रेडिएंट पेनल्टी के साथ वॉसरस्टीन GANs (WGAN) का उपयोग करती है। प्रशिक्षण एक ABC संदर्भ तालिका (Reference Table) पर निर्भर करता है जिसमें $T$ सिमुलेटेड युग्म $\{(\theta_j, X_j)\}$ शामिल हैं, जिन्हें प्रायर $\pi(\theta)$ और सिम्युलेटर $P_\theta$ से लिया गया है। महत्वपूर्ण बात यह है कि प्रशिक्षण चरण के दौरान प्रेक्षित डेटा $X_0$ का उपयोग नहीं किया जाता है; इसका उपयोग केवल जेनरेटर को कंडीशन करने के लिए सिमुलेशन चरण में किया जाता है।

रिफाइनमेंट रणनीतियाँ (Refinement Strategies)

विशिष्ट प्रेक्षित डेटा $X_0$ के लिए सटीकता में सुधार करने के लिए, लेखक दो पोस्ट-प्रोसेसिंग/लोकल रिफाइनमेंट रणनीतियाँ प्रस्तावित करते हैं:

टू-स्टेप रिफाइनमेंट (B-GAN-2S / रिइन्फोर्समेंट लर्निंग):
- चरण 1: पोस्टीरियर का एक मोटा अनुमान प्राप्त करने के लिए मूल प्रायर पर एक "पायलट" B-GAN को प्रशिक्षित करें।
- चरण 2: पायलट जेनरेटर का उपयोग करके एक नया, अधिक सूचनात्मक प्रपोजल डिस्ट्रीब्यूशन (एक एम्पिरिकल बेयस प्रायर) बनाएँ जो $X_0$ के पास केंद्रित हो।
- सुधार (Correction): इस प्रपोजल का उपयोग करके एक नई संदर्भ तालिका का सिमुलेशन करें और जेनरेटर को फिर से प्रशिक्षित करें। परिणामी नमूने इम्पॉर्टेंस री-वेटेड (importance re-weighted) होते हैं ताकि प्रायर में बदलाव को ठीक किया जा सके, जिससे वास्तविक पोस्टीरियर से नमूने प्राप्त होते हैं।
एडवरसेरियल वेरिएशनल बेयस (B-GAN-VB):
- यह दृष्टिकोण प्रेक्षित डेटा $X_0$ को सीधे प्रशिक्षण उद्देश्य में एकीकृत करता है।
- यह जेनरेटर के लॉस फंक्शन को संशोधित करता है ताकि इसमें $X_0$ के लिए एविडेंस लोअर बाउंड (ELBO) को अधिकतम करने वाला एक पद शामिल हो।
- चूंकि लाइकलहुड अस्पष्ट है, इसलिए ELBO को डेंसिटी रेशियो का अनुमान लगाने के लिए एक कॉन्ट्रास्टिव लर्निंग दृष्टिकोण (एक सीखा हुआ क्रिटिक) का उपयोग करके ELBO को अनुमानित किया जाता है, जो प्रभावी रूप से समस्या को एक एडवरसेरियल लॉस द्वारा नियमित किए गए वेरिएशनल ऑप्टिमाइज़ेशन में बदल देता है।

उच्च-आयामी डेटा को संभालना (Handling High-Dimensional Data)

यह शोध पत्र बड़े डेटासेट (बड़े $n$ ) के लिए "कर्स ऑफ डायमेंशनलिटी" को संबोधित करने हेतु निम्नलिखित प्रस्तावित करता है:

अनुक्रमिक अपडेट (Sequential Updates): डेटा को बैचों में प्रोसेस करना, जहाँ एक बैच का पोस्टीरियर अगले बैच के लिए प्रायर के रूप में कार्य करता है।
डीप सेट आर्किटेक्चर (Deep Set Architecture): एक्सचेंज योग्य i.i.d. डेटा को कुशलतापूर्वक संभालने के लिए परम्यूटेशन-इनवेरिएंट न्यूरल नेटवर्क (Deep Sets) का उपयोग करना, जिससे बड़े डेटा वेक्टर्स को विशाल इनपुट आयामों में फ़्लैटन करने की आवश्यकता से बचा जा सके।

3. मुख्य योगदान (Key Contributions)

नया ढांचा (B-GAN): लाइकलहुड-मुक्त बेयसियन अनुमान को स्पष्ट रूप से एक कंडीशनल GAN समस्या के रूप में फ्रेम करने वाला पहला तरीका, जो शोर से पोस्टीरियर का एक नियत मैपिंग (deterministic mapping) सीखता है।
सैद्धांतिक गारंटी: लेखक फ्रीक्वेंटिस्ट-बेयसियन सैद्धांतिक परिणाम प्रदान करते हैं। वे सिद्ध करते हैं कि जैसे-जैसे सैंपल साइज $n \to \infty$ होता है, वास्तविक पोस्टीरियर और B-GAN सन्निकटन के बीच अपेक्षित स्क्वेर्ड टोटल वेरिएशन (TV) दूरी शून्य की ओर अभिसरित (converge) होती है, बशर्ते कि न्यूरल नेटवर्क पर्याप्त रूप से अभिव्यंजक हों और ABC संदर्भ तालिका पर्याप्त बड़ी हो।
दक्षता में सुधार: टू-स्टेप और वेरिएशनल रिफाइनमेंट का परिचय वैनिला B-GAN की तुलना में एप्रोक्सिमेशन गैप को काफी कम कर देता है, जिससे मानक ABC की तुलना में कम नमूनों के साथ उच्च-गुणवत्ता वाला पोस्टीरियर पुनर्निर्माण संभव होता है।
स्केलेबिलिटी: डीप सेट आर्किटेक्चर और अनुक्रमिक अपडेट के माध्यम से जटिल, उच्च-आयामी और गैर-i.i.d. डेटा संरचनाओं (जैसे टाइम सीरीज़) को संभालने की क्षमता प्रदर्शित की गई है, जो पिछले लाइकलहुड-मुक्त तरीकों की सीमाओं को पार करती है।

4. परिणाम और प्रदर्शन (Results and Performance)

इन विधियों का मूल्यांकन कई सिमुलेटेड उदाहरणों और एक वास्तविक दुनिया के अनुप्रयोग पर किया गया:

टोय गौसियन उदाहरण (Toy Gaussian Example): B-GAN ने सफलतापूर्वक मल्टीमॉडल पोस्टीरियर्स को कैप्चर किया जहाँ मानक ABC विफल रहा। टू-स्टेप रिफाइनमेंट (B-GAN-2S) ने सत्य (truth) की तुलना में सबसे कम मैक्सिमम मीन डिस्क्रिपेंसी (MMD) प्राप्त की।
लोटका-वोल्टेरा मॉडल (पारिस्थितिकी): एक क्लासिक ODE-आधारित मॉडल जिसमें अस्पष्ट लाइकलहुड है। B-GAN-2S और B-GAN-VB ने बायस (bias), क्रेडिबल इंटरवल की चौड़ाई और पोस्टीरियर मास कंसंट्रेशन के मामले में SNL और मानक ABC को पछाड़ दिया।
बूम-एंड-बस्ट मॉडल (Boom-and-Bust Model): एक चुनौतीपूर्ण डिस्क्रीट स्टोकेस्टिक प्रक्रिया। B-GAN वेरिएंट्स ने प्रतिस्पर्धियों की तुलना में बेहतर पैरामीटर रिकवरी और टाइट क्रेडिबल इंटरवल प्रदान किए, जो सांख्यिकी की नॉन-नॉर्मलिटी के कारण संघर्ष कर रहे थे।
SIR एपिडेमिक मॉडल (वास्तविक डेटा): 1967 ट्रिस्टन दा कुन्हा कॉमन कोल्ड आउटब्रेक पर लागू किया गया। अन्य विधियों की तुलना में B-GAN-VB ने सबसे सटीक क्रेडिबल इंटरवल और प्रेक्षित संक्रमण/रिकवरी डेटा के लिए सबसे अच्छा फिट प्रदान किया।
कम्प्यूटेशनल लागत: हालांकि प्रशिक्षण के लिए महत्वपूर्ण GPU संसाधनों की आवश्यकता होती है, लेकिन सैंपलिंग लागत नगण्य है एक बार जब जेनरेटर प्रशिक्षित हो जाता है। ये विधियाँ उच्च-आयामी डेटा के लिए Wasserstein ABC (W2) और मानक ABC (SS) की तुलना में बेहतर स्केल करती हैं।

5. महत्व (Significance)

यह शोध पत्र सिमुलेशन-आधारित अनुमान (SBI) में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।

समुदायों को जोड़ना: यह सफलतापूर्वक एप्रोक्सिमेट बेयसियन कम्प्यूटेशन और जेनेरेटिव एडवरसेरियल नेटवर्क को एकीकृत करता है, यह दिखाते हुए कि GANs को केवल इमेज जनरेशन के बजाय सांख्यिकीय अनुमान के लिए भी पुन: उपयोग किया जा सकता है।
व्यावहारिक उपयोगिता: यह उन अभ्यासकर्ताओं के लिए एक व्यावहारिक समाधान प्रदान करता है जो जटिल सिम्युलेटर मॉडल के साथ काम कर रहे हैं जहाँ लाइकलहुड उपलब्ध नहीं है, जो कि SNL जैसे अत्याधुनिक तरीकों के साथ सैद्धांतिक रूप से समर्थित और अनुभवजन्य रूप से प्रतिस्पर्धी उपकरण प्रदान करता है।
सैद्धांतिक कठोरता: न्यूरल नेटवर्क-आधारित पोस्टीरियर सैंपलर के लिए कन्वर्जेंस रेट और एरर बाउंड स्थापित करके, यह शोध पत्र सांख्यिकी में डीप लर्निंग के केवल ह्यूरिस्टिक अनुप्रयोगों से आगे बढ़कर, भविष्य के अनुसंधान के लिए एक ठोस आधार प्रदान करता है।

संक्षेप में, वांग और रोचकोवा एक मजबूत, सैद्धांतिक रूप से समर्थित और अत्यधिक प्रतिस्पर्धी ढांचा प्रस्तुत करते हैं, जो पारंपरिक सिमुलेशन-आधारित विधियों की अक्षमताओं को दूर करने के लिए डीप जेनेरेटिव मॉडल की अभिव्यंजक शक्ति का लाभ उठाता है।