🤖 machine learning

CONSIGN: Conformal Segmentation Informed by Spatial Groupings via Decomposition

यह शोध पत्र CONSIGN को प्रस्तुत करता है, जो एक कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क है जो मेडिकल और सामान्य डेटासेट्स में इमेज सेगमेंटेशन के लिए हीयुरिस्टिक पिक्सेल-वाइज स्कोर को सांख्यिकीय रूप से वैध, कम रूढ़िवादी और अधिक व्याख्या योग्य अनिश्चितता अनुमानों में बदलने के लिए स्थानिक समूहों (spatial groupings) का लाभ उठाता है।

मूल लेखक: Bruno Viti, Elias Karabelas, Martin Holler

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bruno Viti, Elias Karabelas, Martin Holler

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 मेडिकल स्कैन देख रहे हैं, जैसे कि हृदय का एमआरआई (MRI), और एक एआई (AI) यह बताने की कोशिश कर रहा है कि हृदय की मांसपेशी ठीक कहाँ समाप्त होती है और रक्त कहाँ से शुरू होता है। एआई आमतौर पर बहुत आत्मविश्वासी होता है, वह हर एक पिक्सेल की ओर इशारा करते हुए कहता है, "यह हृदय है," या "यह रक्त है।"

लेकिन क्या होगा अगर एआई गलत हो? चिकित्सा जैसे उच्च-जोखिम वाले क्षेत्रों में, एआई कितना आश्वस्त है, यह जानना उतना ही महत्वपूर्ण है जितना कि उसका अनुमान स्वयं।

यह शोध पत्र एक नई विधि पेश करता है जिसे CONSIGN (कन्फॉर्मल सेगमेंटेशन इन्फॉर्म्ड बाय स्पेशियल ग्रुपिंग्स वाया डिकंपोजिशन) कहा जाता है। यह कैसे काम करता है, इसे सरल उपमाओं के माध्यम से समझाया गया है।

समस्या: "अकेले पिक्सेल" की गलती

अधिकांश वर्तमान एआई सिस्टम छवि के प्रत्येक पिक्सेल के साथ ऐसे व्यवहार करते हैं जैसे वह भीड़ में खड़ा एक अकेला व्यक्ति हो, जो पूरी तरह से अलग-थलग होकर निर्णय लेता है।

पुराना तरीका: यदि एआई किसी विशिष्ट पिक्सेल के बारे में अनिश्चित है, तो वह कह सकता है, "मुझे लगता है कि यह हृदय है, लेकिन मैं 50% निश्चित हूँ कि यह रक्त है।" सुरक्षित रहने के लिए, वह एक "प्रेडिक्शन सेट" (संभावनाओं की सूची) बनाता है जिसमें उस पिक्सेल के लिए हृदय और रक्त दोनों शामिल होते हैं।
दोष: क्योंकि एआई प्रत्येक पिक्सेल को स्वतंत्र रूप से देखता है, वह इस तथ्य को नजरअंदाज कर देता है कि पिक्सेल पड़ोसी होते हैं। एक वास्तविक छवि में, पिक्सेल यादृच्छिक रूप से लेबल नहीं बदलते; वे चिकनी आकृतियाँ बनाते हैं। यदि एआई एक पिक्सेल के बारे में अनिश्चित है, तो इसकी संभावना है कि वह उसके बगल वाले पिक्सेल के बारे में भी अनिश्चित होगा।
परिणाम: पुराना तरीका एक बहुत बड़ा और अस्त-व्यस्त "प्रेडिक्शन सेट" बनाता है। यह ऐसा है जैसे कहना, "इस पूरी छवि के लिए, उत्तर हृदय और रक्त के पिक्सेल का कोई भी संयोजन हो सकता है।" यह सांख्यिकीय रूप से सुरक्षित है, लेकिन यह इतना व्यापक है कि उपयोगी नहीं है। यह मौसम के पूर्वानुमान जैसा है जो कहता है, "कल, या तो बारिश होगी, बर्फबारी होगी, धूप निकलेगी, या बवंडर आएगा," जो तकनीकी रूप से सही है लेकिन आपको अपने दिन की योजना बनाने में मदद नहीं करता है।

समाधान: "ग्रुप हग" (सामूहिक आलिंगन) दृष्टिकोण (CONSIGN)

लेखकों, ब्रूनो विटी, एलियास कराबेलस और मार्टिन हॉलर ने महसूस किया कि एक छवि में पिक्सेल एक समूह की तरह होते हैं। वे यादृच्छिक स्वर नहीं गाते; वे सामंजस्य में एक साथ गाते हैं। यदि एक गायक सुर से भटक जाता है, तो उसके पड़ोसी भी सुर से भटके हुए होने की संभावना होती है।

CONSIGN गेम बदल देता है क्योंकि यह छवि को अकेले पिक्सेल के संग्रह के बजाय एक पूरे समूह के रूप में देखता है।

कोरस को सुनना (SVD): यह विधि सिंगुलर वैल्यू डिकंपोजिशन (SVD) नामक एक गणितीय उपकरण का उपयोग करती है। इसे कोरस को सुनने और अनिश्चितता के मुख्य "थीम" या "पैटर्न" की पहचान करने के रूप में समझें। यह पूछने के बजाय कि, "क्या पिक्सेल #1 अनिश्चित है?" यह पूछता है, "पूरी छवि गलत होने के मुख्य तरीके क्या हैं?"
- उपमा: कल्पना कीजिए कि एक भेड़ और एक गाय एक दूसरे के बगल में खड़ी हैं। यदि एआई भ्रमित है, तो वह उनके बीच की सीमा को भ्रमित कर सकता है। अनिश्चितता का "मुख्य विषय" केवल एक पिक्सेल नहीं है; यह उन दोनों जानवरों को अलग करने वाली पूरी लहरदार रेखा है।
एक स्मार्ट सुरक्षा जाल बनाना: हर संभव पिक्सेल संयोजन को सूचीबद्ध करने के बजाय, CONSIGN इन मुख्य "थीम" के आधार पर एक प्रेडिक्शन सेट बनाता है।
- यह कहता है, "एआई भेड़ और गाय के बीच की सीमा के बारे में गलत हो सकता है, इसलिए आइए उस विशिष्ट सीमा के कुछ बदलावों को शामिल करें।"
- यह असंभव परिदृश्यों को अनदेखा करता है, जैसे कि भेड़ का एक पिक्सेल अचानक गाय का पिक्सेल बन जाना बिना बाकी भेड़ के बदले।
"गारंटी" का वादा: यह शोध पत्र कन्फॉर्मल प्रेडिक्शन नामक एक सांख्यिकीय ढांचे का उपयोग करता है। इसे एआई के आत्मविश्वास के लिए "मनी-बैक गारंटी" के रूप में समझें।
- उपयोगकर्ता एक नियम निर्धारित करता है: "मैं 95% सुनिश्चित होना चाहता हूँ कि वास्तविक उत्तर हमारी सूची की संभावनाओं में है।"
- CONSIGN अपने "सुरक्षा जाल" के आकार को तब तक समायोजित करता है जब तक कि यह गणितीय रूप से गारंटी न दे दे कि 95% समय, वास्तविक उत्तर उस सूची के भीतर है।
- क्योंकि यह पिक्सेल की "समूह" प्रकृति को समझता है, यह पुराने "अकेले पिक्सेल" वाले तरीकों की तुलना में अपने सुरक्षा जाल को बहुत छोटा और अधिक सटीक बना सकता है, जबकि वही 95% गारंटी बनाए रखता है।

परिणाम: सटीक और स्मार्ट भविष्यवाणियाँ

लेखकों ने चिकित्सा छवियों (हृदय और फेफड़े) और सामान्य वस्तु छवियों (जानवर और वाहन) पर CONSIGN का परीक्षण किया।

छोटी सूचियाँ: CONSIGN द्वारा उत्पन्न "प्रेडिक्शन सेट" (संभावित उत्तरों की सूची) पिछले तरीकों की तुलना में काफी छोटे और केंद्रित थे।
बेहतर तर्क: जब उन्होंने परिणामों को विज़ुअलाइज़ किया, तो CONSIN ने चिकनी, यथार्थवादी आकृतियाँ (जैसे भेड़ और गाय के बीच एक साफ रेखा) बनाईं। पुराने तरीकों में अक्सर यादृच्छिक, बिखरे हुए पिक्सेल के साथ "शोर" वाले परिणाम मिलते थे जो दृश्य रूप से समझ में नहीं आते थे।
दक्षता: भले ही गणित जटिल है, यह तरीका व्यावहारिक होने के लिए पर्याप्त तेज़ है। इसे हर एक संभावना की जाँच करने की आवश्यकता नहीं है; यह केवल अनिश्चितता के मुख्य "थीम" की जाँच करता है।

संक्षेप में

कल्पना कीजिए कि आप एक बादल के आकार का अनुमान लगाने की कोशिश कर रहे हैं।

पुराना तरीका पानी की हर बूंद को व्यक्तिगत रूप से देखता है। यदि वह एक बूंद के बारे में अनिश्चित है, तो वह कहता है, "यह बूंद पानी या हवा हो सकती है।" वह प्रत्येक बूंद के लिए ऐसा करता है, जिससे संभावनाओं का एक विशाल, अस्त-व्यस्त बादल बनता है जो पूरे आकाश को कवर कर लेता है।
CONSIGN बादल को एक संपूर्ण इकाई के रूप में देखता है। वह महसूस करता है, "आह, बादल का किनारा धुंधला है।" फिर वह कहता है, "बादल निश्चित रूप से यहाँ है, लेकिन किनारा थोड़ा हिल सकता है।" यह आपको बादल के आकार की बहुत स्पष्ट, अधिक सटीक तस्वीर देता है, जिसमें यह गणितीय गारंटी भी है कि यह सही है।

शोध पत्र का दावा है कि पिक्सेल पड़ोसी हैं (स्थानिक समूहों) इस तथ्य का सम्मान करके, हम एआई इमेज सेगमेंटेशन के लिए बहुत अधिक उपयोगी और विश्वसनीय अनिश्चितता अनुमान प्राप्त कर सकते हैं, विशेष रूप से चिकित्सा जैसे महत्वपूर्ण क्षेत्रों में।

तकनीकी सारांश: CONSIGN - डिकम्पोज़िशन के माध्यम से स्थानिक समूहों द्वारा सूचित अनुरूप विभाजन (Conformal Segmentation Informed by Spatial Groupings via Decomposition)

1. समस्या की परिभाषा

मशीन लर्निंग-आधारित इमेज सेगमेंटेशन मॉडल आमतौर पर पिक्सेल-वार कॉन्फिडेंस स्कोर (जैसे, सॉफ्टमैक्स प्रोबेबिलिटीज़) आउटपुट करते हैं जो अनिश्चितता के ह्यूरिस्टिक संकेतक के रूप में कार्य करते हैं। हालांकि मेडिकल इमेजिंग जैसे उच्च-दांव वाले डोमेन में ये मूल्यवान हैं, लेकिन इन स्कोर्स में कठोर सांख्यिकीय गारंटी का अभाव होता है। अनुरूप भविष्यवाणी (Conformal Prediction - CP) एक ऐसा ढांचा प्रदान करता है जो इन ह्यूरिस्टिक्स को उपयोगकर्ता-निर्धारित त्रुटि गारंटी (Conformal Risk Control) के साथ सांख्यिकीय रूप से वैध अनिश्चितता अनुमानों में बदलने के लिए है।

हालांकि, सेगमेंटेशन में मौजूदा CP अनुप्रयोगों की एक महत्वपूर्ण सीमा पिक्सेल-वार स्वतंत्रता की धारणा (pixel-wise independence assumption) है। मानक विधियाँ प्रत्येक पिक्सेल के लिए अलग-अलग प्रेडिक्शन सेट बनाती हैं, जो इमेज डेटा में अंतर्निहित मौलिक स्थानिक सहसंबंधों (spatial correlations) की अनदेखी करती हैं। स्थानिक संरचना की यह उपेक्षा निम्नलिखित कारणों से होती है:

अत्यधिक रूढ़वादी अनुमान (Overly conservative estimates): परिणामी प्रेडिक्शन सेट्स (संभावित सेगमेंटेशन मास्क के सेट) अनावश्यक रूप से बड़े होते हैं।
असंगत भविष्यवाणियाँ (Incoherent predictions): सेट उन संयोजी लेबल विन्यासों (combinatorial label configurations) को शामिल कर सकते हैं जो स्थानिक रूप से असंगत या अवास्तविक होते हैं (जैसे, शोर युक्त, खंडित मास्क)।
कम व्याख्यात्मकता (Reduced interpretability): संरचनात्मक बाधाओं की कमी अनिश्चितता अनुमानों को निर्णय लेने के लिए कम सार्थक बनाती है।

2. कार्यप्रणाली: CONSIGN

लेखक CONSIGN (Conformal Segmentation Informed by Spatial Groupings via Decomposition) का प्रस्ताव करते हैं, जो एक विधि है जो स्थानिक सहसंबंधों को अनुरूप भविष्यवाणी ढांचे में एकीकृत करती है। यह दृष्टिकोण किसी भी पूर्व-प्रशिक्षित सेगमेंटेशन मॉडल के साथ संगत होने के लिए डिज़ाइन किया गया है जो कई सैंपल आउटपुट उत्पन्न करने में सक्षम है (जैसे, मोंटे कार्लो ड्रॉपआउट, बेयसियन मॉडलिंग, या एन्सेम्बल्स के माध्यम से)।

यह विधि दो प्राथमिक चरणों से मिलकर बनी है:

A. स्थानिक-जागरूक सेटों का निर्माण (Construction of Spatially-Aware Sets)

पिक्सेल को स्वतंत्र रूप से मानने के बजाय, CONSIGN इमेज में अनिश्चितता के संयुक्त परिवर्तनों को कैप्चर करने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) के माध्यम से सिंगुलर वैल्यू डिकम्पोज़िशन (SVD) का लाभ उठाता है।

सैंपल जनरेशन: एक पूर्व-प्रशिक्षित मॉडल $f$ को देखते हुए, विधि एक दिए गए इनपुट इमेज $X$ के लिए $N_s$ सैंपल आउटपुट्स $\hat{s}_1, \dots, \hat{s}_{N_s}$ उत्पन्न करती है।
SVD डिकम्पोज़िशन: नमूनों को उनके माध्य $\mu(X)$ के चारों ओर केंद्रित किया जाता है और डिकम्पोज़ किया जाता है:
$\hat{S} - \mu(X) \cdot \mathbf{1}^T = U \Sigma V^T$
$U$ के कॉलम (जिन्हें $u_k$ कहा जाता है) अनिश्चितता की प्रमुख दिशाओं का प्रतिनिधित्व करते हैं। लेखक नोट करते हैं कि एक पूर्ण आधार की तुलना में एक छोटा संख्या में घटकों ( $K \in \{2, 5\}$ ) का उपयोग करके ट्रंकेटेड SVD करना पर्याप्त है, जो कम्प्यूटेशनल जटिलता को काफी कम कर देता है।
गुणांक सीमाएँ (Coefficient Bounds): प्रत्येक प्रिंसिपल कंपोनेंट $k$ के लिए, विधि कैलिब्रेशन नमूनों पर प्रोजेक्शन कोएफिशिएंट्स के अनुभवजन्य क्वांटाइल्स ( $a_k, b_k$ ) की गणना करती है। ये एक बेसलाइन इंटरवल को परिभाषित करते हैं।
प्रेडिक्शन सेट की परिभाषा: प्रेडिक्शन सेट $C^*_\lambda(X)$ उन सभी लेबल मैप्स $Y$ का सेट है जिन्हें पहले $K$ प्रिंसिपल कंपोनेंट्स के लीनियर कॉम्बिनेशन द्वारा पुनर्गठित किया जा सकता है, जहाँ गुणांक $c_k$ एक पैरामीटर $\lambda$ द्वारा स्केल की गई सीमाओं के भीतर होते हैं:
$c_k \in \left[ \frac{a_k+b_k}{2} - \lambda \Sigma_{k,k} \frac{b_k-a_k}{2}, \quad \frac{a_k+b_k}{2} + \lambda \Sigma_{k,k} \frac{b_k-a_k}{2} \right]$
अंतिम लेबल मैप पुनर्गठित स्कोर वेक्टर पर एक नॉन-लीनियर प्रोजेक्शन $P(\cdot)$ (argmax) लागू करके प्राप्त किया जाता है। यह नॉन-लिनैरिटी विधि को लेबल-वार सटीकता बाधाओं ( $\beta$ ) को लागू करने की अनुमति देती है जबकि एक लो-डायमेंशनल प्रतिनिधित्व बनाए रखती है।

B. कैलिब्रेशन (Calibration)

विधि अनुकूल $\hat{\lambda}$ निर्धारित करने के लिए एक कैलिब्रेशन प्रक्रिया का उपयोग करती है जो Conformal Risk Control गारंटी को संतुष्ट करता है:
$\mathbb{E}[\ell(C(X_{test}), Y_{test})] \leq \alpha$
जहाँ $\ell$ एक बाउंडेड लॉस फंक्शन है जो वास्तविक लेबल के प्रेडिक्शन सेट में होने की विफलता को मापता है।

अनुकूलन चुनौती (Optimization Challenge): पिक्सेल-वाइज विधियों के विपरीत जहाँ प्रेडिक्शन सेट में ग्राउंड ट्रुथ की उपस्थिति की जाँच करना सरल है, CONSIGN में यह जाँचने के लिए कि क्या $Y \in C^*_\lambda(X)$ है, यह देखना आवश्यक है कि क्या कोई गुणांक वेक्टर $c$ मौजूद है जिससे पुनर्गठित मास्क $Y$ (सटीकता $\beta$ तक) से मेल खाता है।
समाधान: लेखक इसे अनुकूल गुणांकों $c^*$ को खोजने के लिए एक कंस्ट्रेंड मिनिमाइजेशन समस्या के रूप में तैयार करते हैं जो ग्राउंड ट्रुथ और पुनर्गठित मास्क के बीच के लॉस को कम करता है। यदि न्यूमेरिकल सॉल्वर सीमाओं के भीतर एक समाधान पाता है, तो ग्राउंड ट्रुथ को कवर माना जाता है।
गारंटी: भले ही सॉल्वर ग्लोबल ऑप्टिमम खोजने में विफल रहता है (जो अधिक रूढ़वादी $\lambda$ की ओर ले जा सकता है), सांख्यिकीय कवरेज गारंटी वैध रहती है।

3. मुख्य योगदान

स्थानिक-जागरूक अनुरूप भविष्यवाणी (Spatial-Aware Conformal Prediction): यह पेपर एक नया फ्रेमवर्क पेश करता है जो इमेज सेगमेंटेशन के लिए स्थानिक सहसंबंधों को स्पष्ट रूप से शामिल करता है, जो पिक्सेल-वाइज इंडिपेंडेंस धारणा से आगे बढ़ता है।
SVD-आधारित डिकम्पोज़िशन: अनिश्चितता की प्रमुख दिशाओं को निकालने के लिए SVD का उपयोग करके, विधि ऐसे प्रेडिक्शन सेट्स बनाती है जो संरचनात्मक रूप से सुसंगत हैं और पिक्सेल-वाइज बेसलाइन्स की तुलना में काफी छोटे (कम अनिश्चितता वॉल्यूम) हैं।
ट्रंकेशन के साथ दक्षता: लेखक प्रदर्शित करते हैं कि बहुत कम प्रिंसिपल कंपोनेंट्स ( $K=2$ या $5$) के साथ सार्थक प्रेडिक्शन सेट्स प्राप्त किए जा सकते हैं, जो इस दृष्टिकोण को नॉन-लीनियर प्रोजेक्शन स्टेप के बावजूद कम्प्यूटेशनल रूप से व्यवहार्य बनाता है।
सामान्य प्रयोज्यता: यह विधि मॉडल-अज्ञेयवादी (model-agnostic) है, जिसके लिए केवल एक पूर्व-प्रशिक्षित मॉडल से कई सैंपल उत्पन्न करने की क्षमता की आवश्यकता होती है, और यह मेडिकल और नेचुरल इमेज डेटासेट दोनों के लिए लागू है।

4. प्रयोगात्मक परिणाम

लेखकों ने CONSIGN का मूल्यांकन दो बेसलाइन्स के विरुद्ध किया:

पिक्सेल-वाइज RAPS: एक मानक अनुरूप जोखिम नियंत्रण विधि जो पिक्सेल को स्वतंत्र रूप से मानती है।
SACP (Spatial-Aware Conformal Prediction): एक विधि जो स्थानीय पड़ोस (local neighborhoods) पर सॉफ्टमैक्स स्कोर्स को एकत्रित करती है।

डेटासेट्स: तीन मेडिकल इमेजिंग डेटासेट्स (M&Ms-2, MS-CMR19, LIDC) और दो COCO सबसेट्स (जानवर, वाहन)।
मेट्रिक्स:

चाओ एस्टीमेटर (Chao Estimator): प्रेडिक्शन सेट में अद्वितीय सेगमेंटेशन की संख्या का अनुमान लगाता है (अनिश्चितता वॉल्यूम)।
सैंपल-आधारित अनुमानित कवरेज (sEC): यह मापता है कि अनुभवजन्य कवरेज कितनी तेज़ी से लक्षित $1-\alpha$ की ओर अभिसरित होता है।
सहसंबंध (Correlation): सैंपल किए गए सेगमेंटेशन के आंतरिक सहसंबंध को मापता है।

निष्कर्ष:

कम अनिश्चितता वॉल्यूम: CONSIGN ने लगातार RAPS और SACP दोनों की तुलना में काफी कम अनिश्चितता वॉल्यूम (कम अद्वितीय सेगमेंटेशन) वाले प्रेडिक्शन सेट्स बनाए। LIDC डेटासेट में, अंतर कई ऑर्डर्स ऑफ मैग्नीट्यूड का था।
बेहतर दक्षता: CONSIGN ने बेसलाइन्स की तुलना में कम सैंपल के साथ आवश्यक कवरेज गारंटी प्राप्त की, जो यह दर्शाता है कि प्रेडिक्शन सेट्स एक लो-डायमेंशनल सबस्पेस में स्थित हैं।
संरचनात्मक सुसंगतता: CONSIGN द्वारा उत्पन्न नमूनों में उच्च आंतरिक सहसंबंध और क्षेत्रों के बीच सुचारू संक्रमण देखा गया, जो पिक्सेल-वाइज दृष्टिकोणों में अक्सर देखे जाने वाले "शोर युक्त" या संयोजी रूप से असंगत मास्क से बचता है।
बेसलाइन की सीमाएं: SACP विधि, जो पोस्ट-हॉक स्कोर को एकत्रित करती है, पिक्सेल-वाइज RAPS के समान प्रदर्शन करती है, जो यह सुझाव देता है कि सरल एकत्रीकरण प्रभावी रूप से उन वास्तविक स्थानिक निर्भरताओं को कैप्चर नहीं करता है जो टाइट अनिश्चितता बाउंड्स के लिए आवश्यक हैं।

5. महत्व और सीमाएं

महत्व:
पेपर का दावा है कि CONSIGN इमेज सेगमेंटेशन में "सार्थक" और "व्याख्या योग्य" अनिश्चितता अनुमान उत्पन्न करने के लिए एक मजबूत उपकरण प्रदान करता है। स्थानिक सहसंबंधों को स्वीकार करके, यह टाइट प्रेडिक्शन सेट्स बनाता है जो महत्वपूर्ण निर्णय लेने के लिए अधिक उपयोगी हैं, विशेष रूप से मेडिकल इमेजिंग में जहाँ फॉल्स पॉजिटिव/नेगेटिव की लागत अधिक होती है। यह विधि बिना किसी मूल सेगमेंटेशन मॉडल को फिर से प्रशिक्षित किए, ह्यूरिस्टिक कॉन्फिडेंस स्कोर को सांख्यिकीय रूप से वैध बाउंड्स में बदल देती है।

सीमाएं:

एक्सचेंजेबिलिटी धारणा (Exchangeability Assumption): सभी मानक अनुरूप भविष्यवाणी विधियों की तरह, गारंटी केवल इस धारणा के तहत मान्य है कि कैलिब्रेशन और टेस्ट डेटा विनिमेय (exchangeable) हैं (जैसे, i.i.d.)। यह वर्तमान में डिस्ट्रीब्यूशन शिफ्ट या आउट-ऑफ-डिस्ट्रीब्यूशन डेटा को संबोधित नहीं करता है।
कम्प्यूटेशनल लागत: प्रेडिक्शन सेट का अंतर्निहित रूप के लिए कैलिब्रेशन के दौरान एक न्यूमेरिकल ऑप्टिमाइज़ेशन समस्या को हल करने की आवश्यकता होती है, जो पिक्सेल-वाइज विधियों की तुलना में ऑफलाइन कम्प्यूटेशनल समय को बढ़ाता है। हालांकि, लेखक नोट करते हैं कि ऑनलाइन सैंपलिंग तेज़ बनी रहती है।
सॉल्वर इष्टतमता (Solver Optimality): कवरेज गारंटी इस बात पर निर्भर करती है कि न्यूमेरिकल सॉल्वर एक उपयुक्त गुणांक वेक्टर खोजता है या नहीं। हालांकि सांख्यिकीय गारंटी तब भी मान्य रहती है जब सॉल्वर अधिक रूढ़वादी (बढ़ा हुआ $\lambda$ ) हो, लेकिन यह पैथोलॉजिकल मामलों में सैद्धांतिक रूप से आवश्यक से अधिक व्यापक बाउंड्स की ओर ले जा सकता है।