📊 statistics

Fine-Grained Uncertainty Quantification via Collisions

यह शोध पत्र "कोलिजन मैट्रिक्स" (collision matrix) को एलीएटोरिक अनिश्चितता मात्रात्मकता (aleatoric uncertainty quantification) के लिए एक नवीन, सूक्ष्म-स्तरीय मीट्रिक के रूप में प्रस्तुत करता है जो वर्ग विशिष्टता (class distinguishability) को अभिलक्षणित करता है, और एक PAC-लर्न करने योग्य पेयरवाइज कंट्रास्टिव मॉडल का उपयोग करके वन-हॉट लेबल वाले डेटा से इस मैट्रिक्स और पोस्टीरियर संभावनाओं का अनुमान लगाने की एक विधि प्रस्तावित करता है।

मूल लेखक: Jesse Friedbaum, Sudarshan Adiga, Ravi Tandon

प्रकाशित 2026-03-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jesse Friedbaum, Sudarshan Adiga, Ravi Tandon

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 डॉक्टर हैं जो किसी मरीज का निदान (diagnose) करने की कोशिश कर रहे हैं। आप उनके लक्षणों को देखते हैं, उनके टेस्ट करते हैं, और यह पता लगाने की कोशिश करते हैं कि क्या गलत है। कभी-कभी, उत्तर स्पष्ट होता है: एक टूटी हुई हड्डी टूटी हुई हड्डी जैसी ही दिखती है। लेकिन अक्सर, लक्षण धुंधले होते हैं। सिरदर्द, थकान और चकत्ते (rash) एक वायरस, एलर्जी या कुछ अधिक गंभीर चीज़ हो सकते हैं।

आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, इस धुंधलेपन को अनिश्चितता (uncertainty) कहा जाता है। अधिकांश AI सिस्टम यह कहने में बहुत अच्छे होते हैं कि, "मुझे 90% यकीन है कि यह एक बिल्ली है।" लेकिन वे अक्सर यह समझाने में बहुत खराब होते हैं कि वे क्यों अनिश्चित हैं या और क्या हो सकता है। वे सभी अनिश्चितताओं को एक एकल संख्या के रूप में देखते हैं, जैसे कि एक धुंधली खिड़की।

यह पेपर एक नया, बहुत ही सटीक उपकरण पेश करता है जिसे कोलिजन मैट्रिक्स (Collision Matrix) कहा जाता है। केवल यह कहने के बजाय कि "यह धुंधला है," यह टूल सटीक रूप से मैप करता है कि धुंध कहाँ सबसे घनी है और कौन सी चीजें आपस में मिल रही हैं।

यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. मूल विचार: "क्लास कोलिजन" (Class Collisions)

कल्पना कीजिए कि आप डाक का एक ढेर छाँट रहे हैं।

क्लास 1: "Smith" को संबोधित पत्र।
क्लास 2: "Smythe" को संबोधित पत्र।
क्लास 3: "Jones" को संबोधित पत्र।

आमतौर पर, आप "Smith" को "Jones" से आसानी से पहचान सकते हैं। लेकिन "Smith" और "Smythe" बहुत समान दिखते हैं। यदि आप एक पत्र देखते हैं जिस पर "Smi..." लिखा है, तो आप सिक्का उछालकर निर्णय ले सकते हैं।

लेखक "कोलिजन" (Collision) को एक ऐसी स्थिति के रूप में परिभाषित करते हैं जहाँ बिल्कुल एक ही इनपुट (पत्र) तार्किक रूप से दो अलग-अलग क्लासेस (Smith या Smythe) से संबंधित हो सकता है।

कोलिजन मैट्रिक्स (Collision Matrix) एक विशाल स्कोरबोर्ड (एक ग्रिड) है जो ट्रैक करता है कि हर जोड़ी के बीच यह भ्रम कितनी बार होता है।
यदि "Smith बनाम Smythe" का स्कोर उच्च है, तो मैट्रिक्स हमें बताता है: "हे, ये दोनों जुड़वां हैं; यहाँ पूर्ण सटीकता की उम्मीद न करें।"
यदि "Smith बनाम Jones" का स्कोर शून्य है, तो मैट्रिक्स हमें बताता है: "ये पूरी तरह से अलग हैं; यदि आप इसमें गलत होते हैं, तो यह आपकी गलती है, डेटा की नहीं।"

यह बेहतर क्यों है?
पुराने तरीके (जैसे "बेयस एरर रेट") केवल पूरे सिस्टम के लिए एक संख्या देते हैं, जैसे यह कहना कि "डाकघर 10% भ्रमित है।" कोलिजन मैट्रिक्स कहता है, "डाकघर 10% भ्रमित है, लेकिन विशेष रूप से, यह इसलिए है क्योंकि Smith और Smythe एक जैसे दिखते हैं। Jones ठीक है।"

2. समस्या: हमारे पास उत्तर नहीं हैं

इस स्कोरबोर्ड को बनाने के लिए, आपको आमतौर पर हर एक डेटा के लिए "सही" उत्तर जानने की आवश्यकता होती है। लेकिन वास्तविक दुनिया में, हमारे पास अक्सर केवल वन-हॉट लेबल्स (One-Hot Labels) होते हैं।

उदाहरण: एक डॉक्टर चार्ट पर "डायबिटीज" लिखता है। वे यह नहीं लिखते कि "80% डायबिटीज, 20% थायराइड समस्या।" वे बस उस एक चीज़ को चुनते हैं जो उन्हें सही लगती है।
क्योंकि हमारे पास केवल "विजेता" (लेबल) है, हम आसानी से "हारने वालों" (अन्य संभावनाओं) को नहीं देख सकते ताकि भ्रम (confusion) की गणना की जा सके।

3. समाधान: "ट्विन डिटेक्टर" (कॉन्ट्रास्टिव मॉडल)

लेखकों ने इस स्कोरबोर्ड को बनाने के लिए एक चतुर तरीका निकाला, जिसके लिए उन्हें गुप्त उत्तरों की आवश्यकता नहीं है। वे एक पेयर-वाइज कॉन्ट्रास्टिव मॉडल (Pair-Wise Contrastive Model) का उपयोग करते हैं।

इस मॉडल को एक "ट्विन डिटेक्टर" के रूप में सोचें।

प्रशिक्षण खेल (The Training Game): AI से यह पूछने के बजाय कि "यह क्या है?" (जिससे वन-हॉट लेबल की समस्या होती है), वे उससे पूछते हैं: "क्या ये दो तस्वीरें एक ही व्यक्ति की हैं?"
- वे दो तस्वीरें लेते हैं।
- यदि दोनों तस्वीरें "क्लास A" (जैसे, एक बिल्ली) की हैं, तो उत्तर "हाँ" है।
- यदि एक बिल्ली है और एक कुत्ता है, तो उत्तर "नहीं" है।
जादू: जोड़ों (pairs) के बीच समानता को पहचानने के लिए AI को प्रशिक्षित करके, यह भ्रम के आकार को सीख लेता है। यह सीख जाता है कि "बिल्ली A", "बिल्ली B" के बहुत करीब दिखती है, लेकिन "बिल्ली A", "कुत्ता A" से बिल्कुल अलग है।
गणितीय ट्रिक: एक बार जब AI इन समानता स्कोर को सीख लेता है, तो लेखक एक विशेष गणितीय सूत्र (जिसे "ग्रैमियन मैट्रिक्स" कहा जाता है) का उपयोग करके कोलिजन मैट्रिक्स को रिवर्स-इंजीनियर करते हैं। यह वस्तुओं के साये को देखकर यह पता लगाने जैसा है कि वस्तुएं वास्तव में कैसी दिखती हैं।

4. हम इससे क्या कर सकते हैं?

एक बार जब हमारे पास भ्रम का यह विस्तृत मानचित्र होता है, तो हम कुछ अद्भुत चीजें कर सकते हैं:

"क्या होगा अगर" की भविष्यवाणी करना: यदि आप AI को एक नई, धुंधली छवि दिखाते हैं, तो कोलिजन मैट्रिक्स इसे कहने में मदद करता है: "मुझे लगता है कि यह 4 है, लेकिन 20% संभावना है कि यह 9 है क्योंकि हस्तलेखन में ये दोनों नंबर अक्सर टकराते हैं।" यह आपको केवल एक अनुमान नहीं, बल्कि पूर्ण संभाव्यता वितरण (probability distribution) देता है।
खराब डेटा को ठीक करना: यदि मैट्रिक्स दिखाता है कि "क्लास A" और "क्लास B" लगातार टकरा रहे हैं, तो शायद हमें उन्हें अलग करने की कोशिश नहीं करनी चाहिए। हम उन्हें एक नई श्रेणी ("A या B") में मिला सकते हैं और AI को बहुत अधिक सटीक बना सकते हैं।
अपनी सीमाओं को जानना: स्वास्थ्य सेवा या वित्त में, यह अत्यंत महत्वपूर्ण है। यदि कोलिजन मैट्रिक्स कहता है कि, "हम इन परीक्षणों के साथ बीमारी X और बीमारी Y के बीच अंतर कभी नहीं कर सकते," तो एक डॉक्टर को पता चल जाता है कि उन्हें और परीक्षणों की आवश्यकता है। वे उस डेटा पर एक स्मार्ट AI को प्रशिक्षित करने में समय बर्बाद नहीं करते हैं जिसमें उत्तर ही नहीं हैं।

सारांश

यह पेपर AI में अनिश्चितता को मापने का एक नया तरीका प्रस्तावित करता है। एक एकल, अस्पष्ट "कॉन्फिडेंस स्कोर" के बजाय, उन्होंने एक कोलिजन मैट्रिक्स बनाया है—जो एक विस्तृत मानचित्र है जो दिखाता है कि कौन सी श्रेणियां एक-दूसरे के साथ भ्रमित होती हैं।

उन्होंने यह पता लगाया है कि कैसे इस मानचित्र को एक चतुर "ट्विन डिटेक्टर" AI का उपयोग करके बनाया जाए जो वस्तुओं के जोड़ों की तुलना करके सीखता है, भले ही हमारे पास केवल सरल लेबल हों। यह हमें अनिश्चितता की प्रकृति को समझने, विभिन्न परिणामों की संभावनाओं की भविष्यवाणी करने और चिकित्सा एवं वित्त जैसे उच्च-दांव वाले क्षेत्रों में स्मार्ट और सुरक्षित निर्णय लेने में सक्षम बनाता है।

यहाँ जेसी फ्रीडबौम, सुदर्शन अडिगा और रवि टंडन के शोध पत्र "Fine-Grained Uncertainty Quantification via Collisions" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मशीन लर्निंग क्लासिफायर तेजी से उच्च-जोखिम वाले क्षेत्रों (स्वास्थ्य सेवा, वित्त, भर्ती) में तैनात किए जा रहे हैं जहाँ एलेयोटरिक अनिश्चितता (aleatoric uncertainty) (डेटा वितरण में अंतर्निहित शोर) महत्वपूर्ण है। मौजूदा अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ) विधियाँ अक्सर सीमाओं से ग्रस्त होती हैं:

सूक्ष्मता की कमी (Lack of Granularity): बेयस एरर रेट (BER) जैसे मेट्रिक्स एक एकल स्केलर मान प्रदान करते हैं जो पूरे डेटासेट की कुल अनिश्चितता को दर्शाता है, लेकिन यह विफल रहते हैं कि कौन से विशिष्ट वर्ग (classes) पहचान करने में कठिन हैं।
क्लासिफायर पर निर्भरता (Classifier Dependence): कई विधियाँ (जैसे, क्रॉस-वैलिडेशन सटीकता, कन्फ्यूजन मैट्रिक्स) एक विशिष्ट क्लासिफायर के प्रदर्शन को मापती हैं, न कि स्वयं डेटा वितरण की अंतर्निहित अनिश्चितता को।
पोस्टीरियर अनुमान की कठिनाई (Posterior Estimation Difficulty): वास्तविक पोस्टीरियर क्लास प्रोबेबिलिटी डिस्ट्रीब्यूशन $P(c|x)$ का अनुमान लगाना चुनौतीपूर्ण है क्योंकि प्रशिक्षण डेटा आमतौर पर "वन-हॉट" लेबल वाला होता है (जो केवल देखे गए वर्ग को इंगित करता है), जिसमें वैकल्पिक संभावित वर्गों के बारे में जानकारी का अभाव होता है।

लेखक एक नया ढांचा प्रस्तावित करते हैं जो बारीक स्तर पर, युग्मवार (pairwise) स्तर पर एलेयोटरिक अनिश्चितता को मापने के लिए है और इसका उपयोग बिना ग्राउंड-ट्रुथ पोस्टीरियर्स की आवश्यकता के पोस्टीरियर वितरणों का अनुमान लगाने के लिए करते हैं।

2. मुख्य कार्यप्रणाली (Core Methodology)

A. कोलिजन मैट्रिक्स ( $S$ )

मुख्य योगदान क्लास कोलिजन (Class Collisions) और कोलिजन मैट्रिक्स की परिभाषा है।

परिभाषा: एक क्लास कोलिजन तब होता है जब एक ही इनपुट फीचर वेक्टर $x$ को कई बार देखा जाता है लेकिन वह अलग-अलग वर्गों ( $c \neq \tilde{c}$ ) से संबंधित होता है।
मैट्रिक्स: $K$ -क्लास समस्या के लिए, कोलिजन मैट्रिक्स $S$ एक $K \times K$ रो-स्टोकेस्टिक मैट्रिक्स है जहाँ प्रविष्टि (entry) $S_{i,j}$ उस प्रायिकता को दर्शाती है कि क्लास $i$ के वितरण से लिए गए इनपुट को क्लास $j$ के रूप में देखा जाएगा।
$S_{i,j} = \mathbb{E}_{x \sim D_i} [P(c=j|x)]$
व्याख्या:
- $S_{i,j}$ क्लास $i$ को क्लास $j$ से अलग करने की अंतर्निहित कठिनाई को मापता है।
- विकर्ण (diagonal) $S_{i,i}$ क्लास $i$ के लिए सही वर्गीकरण की प्रायिकता को दर्शाता है।
- ऑफ-डायगोनल तत्व विशिष्ट वर्गों के बीच "समानता" या भ्रम (confusion) को मात्रात्मक रूप से दर्शाते हैं।
BER के साथ संबंध: कोलिजन मैट्रिक्स बेयस एरर रेट का सामान्यीकरण करता है। प्रोबेबिलिस्टिक बेयस एरर रेट (PBER) को सीधे $S$ और क्लास प्रायर्स $\pi$ से प्राप्त किया जा सकता है: $PBER = 1 - \sum \pi_k S_{k,k}$ ।

B. कोलिजन मैट्रिक्स का अनुमान लगाना (दो-चरणीय दृष्टिकोण)

चूँकि मानक वन-हॉट लेबल वाले डेटा में वास्तविक पोस्टीरियर्स $P(c|x)$ अज्ञात होते हैं, लेखक एक नवीन अनुमान विधि प्रस्तावित करते हैं जो प्रत्यक्ष पोस्टीरियर अनुमान से बचती है:

चरण 1: रो ग्रामियन ( $G$ ) का अनुमान लगाना
- लेखक रो ग्रामियन मैट्रिक्स $G = S S^T$ को परिभाषित करते हैं।
- वे सिद्ध करते हैं कि उचित मान्यताओं (गैर-ऋणात्मकता, समान प्रायर्स के लिए समरूपता, और सख्त डायगोनल डोमिनेंस) के तहत, $S$ को $G$ से अद्वितीय रूप से रिकवर (uniquely recoverable) किया जा सकता है।
- $G$ का अनुमान लगाने के लिए, वे एक पेयर-वाइज कॉन्ट्रास्टिव मॉडल ( $V$ ) पेश करते हैं। यह मॉडल दो इनपुट्स $(x, \tilde{x})$ लेता है और आउटपुट देता है कि उनके एक ही क्लास के होने की प्रायिकता क्या है: $V(x, \tilde{x}) \approx P(c = \tilde{c} | x, \tilde{x})$ ।
- $G$ की प्रविष्टियों का अनुमान विभिन्न वर्गों के डेटा पॉइंट्स के जोड़ों पर $V$ के आउटपुट का औसत लेकर लगाया जाता है:
  $\hat{G}_{i,j} \approx \frac{1}{|T_i||T_j|} \sum_{x \in T_i} \sum_{\tilde{x} \in T_j} V(x, \tilde{x})$
चरण 2: $G$ से $S$ को रिकवर करना
- अद्वितीयता की सैद्धांतिक गारंटी का उपयोग करते हुए, लेखक एक अनुकूलन समस्या (optimization problem) को हल करते हैं ताकि $\hat{S}$ को पाया जा सके जो बाधाओं (स्टोकेस्टिसिटी, गैर-ऋणात्मकता, डायगोनल डोमिनेंस) के अधीन $\|\hat{S}\hat{S}^T - \hat{G}\|_F$ को कम करता है।

C. पोस्टीरियर वितरणों का अनुमान लगाना

एक बार $S$ का अनुमान लग जाने के बाद, लेखक दिखाते हैं कि किसी भी नए इनपुट $x$ के लिए पोस्टीरियर वितरण $y(x)$ को कैसे रिकवर किया जाए:

एक्सपेक्टेड सिमिलरिटी स्कोर वेक्टर $q(x)$ की गणना करें, जहाँ $q_i(x)$ क्लास $i$ के नमूनों के बीच $x$ की अपेक्षित समानता है (उसी कॉन्ट्रास्टिव मॉडल $V$ का उपयोग करके अनुमानित)।
रैखिक संबंध स्थापित करें: $q(x) = S y(x)$ ।
पोस्टीरियर के लिए हल करें: $y(x) = S^{-1} q(x)$ ।

यह केवल वन-हॉट लेबल वाले प्रशिक्षण डेटा का उपयोग करके सिमिलरिटी स्कोर को कैलिब्रेटेड प्रोबेबिलिटी डिस्ट्रीब्यूशन में बदलने की अनुमति देता है।

3. प्रमुख योगदान (Key Contributions)

नया मेट्रिक (कोलिजन मैट्रिक्स): एक बारीक-स्तर का, डिस्ट्रीब्यूशन-स्तरीय मेट्रिक पेश किया गया जो हर क्लास के जोड़े के बीच अनिश्चितता को मात्रात्मक रूप से मापता है, जो BER जैसे स्केलर मेट्रिक्स की तुलना में अधिक विवरण प्रदान करता है।
सैद्धांतिक अद्वितीयता (Theoretical Uniqueness): सिद्ध किया कि सख्त रूप से डायगोनल डोमिनेंट, गैर-ऋणात्मक और सममित मैट्रिसेस के लिए, कोलिजन मैट्रिक्स $S$ अपने रो ग्रामियन $G$ द्वारा अद्वितीय रूप से निर्धारित होता है। यह मैट्रिक्स थ्योरी में एक नवीन परिणाम है।
नवीन अनुमान एल्गोरिदम: बिना ग्राउंड-ट्रुथ पोस्टीरियर्स की आवश्यकता के $S$ का अनुमान लगाने के लिए एक पेयर-वाइज कॉन्ट्रास्टिव मॉडल का उपयोग करते हुए एक दो-चरणीय एल्गोरिदम विकसित किया गया। यह मानक क्लासिफायर की "ओवरकॉन्फिडेंस" समस्याओं को दरकिनार करता है।
पोस्टीरियर रिकवरी: प्रस्तावित विधि का उपयोग करके वन-हॉट डेटा से व्यक्तिगत इनपुट्स के लिए पूर्ण पोस्टीरियर क्लास प्रोबेबिलिटी डिस्ट्रीब्यूशन $P(c|x)$ का अनुमान लगाने का तरीका प्रदर्शित किया गया।
व्यावहारिक अनुप्रयोग: क्लास कंसोलिडेशन (भ्रमित वर्गों को मिलाना), एडाप्टिव सैंपलिंग, डेटा-ड्रिवन लेबल स्मूथिंग, और उच्च-जोखिम वाले निर्णयों में रिस्क असेसमेंट जैसे अनुप्रयोगों की पहचान की गई।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने सिंथेटिक गौसियन मिक्सचर डेटासेट्स और वास्तविक दुनिया के डेटासेट्स (MNIST, Adult Income, Law School Success, Diabetes Prediction, German Credit) दोनों पर अपने तरीकों को सत्यापित किया।

$S$ का अनुमान लगाना:
- प्रस्तावित ग्रामियन-आधारित विधि (एल्गोरिदम 1) ने ग्राउंड-ट्रुथ कोलिजन मैट्रिक्स के टोटल वेरिएशन डिस्टेंस (TVD) के संदर्भ में बेसलाइन (कैलिब्रेटेड क्लासिफायर, MC Dropout, बेयसियन न्यूरल नेटवर्क) को लगातार पछाड़ दिया।
- यह अलग-अलग क्लास ओवरलैप और क्लास की संख्या वाले परिदृश्यों में विशेष रूप से मजबूत था।
- MNIST सत्यापन: अनुमानित कोलिजन मैट्रिक्स ने दृष्टिगत रूप से समान अंकों (जैसे, 3 बनाम 5, 4 बनाम 9) के बीच उच्च अनिश्चितता की सही पहचान की, जो मानवीय अंतर्ज्ञान से मेल खाता है।
पोस्टीरियर का अनुमान लगाना:
- सिंथेटिक डेटा पर, प्रस्तावित विधि ने बेसलाइन की तुलना में कम औसत TVD और रन के बीच काफी कम वेरिएंस के साथ पोस्टीरियर अनुमान उत्पन्न किए।
- MNIST पर, विधि ने अस्पष्ट अंकों (जैसे, धुंधली छवि के लिए '0' और '8' के बीच प्रायिकता को विभाजित करना) के लिए सबसे संभावित वैकल्पिक वर्गों को प्रायिकता देने में सफलता प्राप्त की, जबकि मानक क्लासिफायर अक्सर एक ही क्लास के प्रति अत्यधिक आत्मविश्वासी (overconfident) रहते हैं।
वास्तविक दुनिया के अंतर्दृष्टि:
- टैबुलर डेटा पर लागू होने पर, कोलिजन मैट्रिक्स ने डेटासेट्स में विशिष्ट, अपरिहार्य सीमाओं को प्रकट किया। उदाहरण के लिए, डायबिटीज डेटासेट में, मैट्रिक्स ने दिखाया कि जबकि रिकॉल उच्च हो सकता है (जोखिम की पहचान करना), डेटा अस्पष्टता के कारण प्रिसिजन स्वाभाविक रूप से कम होगा, जो यह सुझाव देता है कि बेहतर मॉडलों के बजाय बेहतर फीचर्स की आवश्यकता है।

5. महत्व और प्रभाव (Significance and Impact)

परिप्रेक्ष्य में बदलाव: UQ को एक "ब्लैक बॉक्स" स्केलर मेट्रिक से एक संरचित, व्याख्या योग्य मैट्रिक्स में बदल देता है जो क्लास कन्फ्यूजन के विशिष्ट ज्यामिति (geometry) को प्रकट करता है।
डेटा-सेंट्रिक अनिश्चितता: अनिश्चितता को डेटा वितरण के गुण के रूप में परिभाषित करके, यह एक "गोल्ड स्टैंडर्ड" प्रदान करता है कि एक डेटासेट सैद्धांतिक रूप से वर्गीकरण कार्य का कितना समर्थन कर सकता है।
व्यावहारिक उपयोगिता: जटिल बेयसियन एन्सेम्बल या कैलिब्रेशन तकनीकों की आवश्यकता के बिना वन-हॉट डेटा से पोस्टीरियर्स का अनुमान लगाने की क्षमता उन्नत अनिश्चितता मात्रा निर्धारण को अधिक सुलभ और कम्प्यूटेशनल रूप से कुशल बनाती है।
निर्णय समर्थन (Decision Support): $S$ की बारीक प्रकृति हितधारकों को यह समझने में सक्षम बनाती है कि भविष्यवाणी क्यों अनिश्चित है (जैसे, "क्लास A को क्लास B से अलग करना कठिन है, लेकिन क्लास C से नहीं"), जिससे महत्वपूर्ण क्षेत्रों में बेहतर जोखिम प्रबंधन संभव होता है।