🤖 AI

A Category-Theoretic Analysis of Conformal Prediction

यह शोध पत्र कॉन्फॉर्मल प्रेडिक्शन (conformal prediction) के लिए एक श्रेणी-सैद्धांतिक (category-theoretic) ढांचा स्थापित करता है जो इसकी संरचना को एक मॉर्फिज्म (morphism) के रूप में औपचारिक रूप देता है, संख्यात्मक अनिश्चितता सारांशों को प्राप्त करने के लिए भविष्यवाणी प्रक्रिया को सिद्धांतपूर्ण चरणों में विभाजित करता है, और बेयज़ियन (Bayesian), फ्रीक्वेंटिस्ट (frequentist), और अपरिपक्व संभाव्य (imprecise probabilistic) दृष्टिकोणों के बीच सेतु बनाता है जबकि मॉड्यूलर गोपनीयता-संरक्षण कार्यान्वयन को सक्षम बनाता है।

मूल लेखक: Michele Caprio

प्रकाशित 2026-05-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Michele Caprio

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 किसी अनुक्रम (sequence) में अगली संख्या का अनुमान लगाने की कोशिश कर रहे हैं, या शायद कल के मौसम का। आप सुनिश्चित होना चाहते हैं कि आपका अनुमान सही हो, लेकिन आप यह भी जानना चाहते हैं कि आपको कितना अनिश्चित होना चाहिए।

यह शोध पत्र कॉन्फॉर्मल प्रेडिक्शन (Conformal Prediction - CP) नामक एक सांख्यिकीय उपकरण (statistical tool) के बारे में है। CP को एक बहुत ही सख्त, नियम मानने वाले रेफरी के रूप में सोचें। इसका काम आपके अनुमान के चारों ओर एक "सुरक्षा जाल" (prediction region) बनाना है। रेफरी यह गारंटी देता है कि, डेटा कैसा भी हो, वास्तविक उत्तर कम से कम 95% बार (यदि आप 95% विश्वास के लिए नियम निर्धारित करते हैं) इस जाल के भीतर ही आएगा।

लेखक, मिशेल कैप्रीओ (Michele Caprio), एक गहरा प्रश्न पूछते हैं: यह रेफरी वास्तव में पर्दे के पीछे क्या कर रहा है? केवल अंतिम जाल को देखने के बजाय, लेखक कैटेगरी थ्योरी (Category Theory) (जिसे आप "आकृतियों और संबंधों का व्याकरण" कह सकते हैं) नामक गणित की एक शाखा का उपयोग करके रेफरी के काम को छोटे, स्पष्ट चरणों में तोड़ते हैं।

यहाँ इस शोध पत्र की सरल उपमाओं (analogies) के माध्यम माध्यम से व्याख्या की गई है:

1. दो-चरणीय रेसिपी (द कम्यूटिंग डायग्राम)

आमतौर पर, हम कॉन्फॉर्मल प्रेडिक्शन को एक एकल, ब्लैक-बॉक्स मशीन के रूप में देखते हैं: आप डेटा डालते हैं, और यह एक सुरक्षा जाल बाहर निकाल देता है।

लेखक दिखाते हैं कि यह मशीन वास्तव में एक दो-चरणीय रेसिपी है जो संयोग से ब्लैक-बॉक्स विधि के समान ही परिणाम देती है।

चरण 1 (द क्रेडियल सेट): पहले, मशीन डेटा लेती है और "संभावित प्रायिकता मॉडलों का एक बादल" (cloud of possible probability models) बनाती है। कल्पना कीजिए कि आपके पास विभिन्न मौसम पूर्वानुमानकर्ताओं का एक थैला है। किसी एक को चुनने के बजाय, आप उन सभी को रखते हैं जो आपके डेटा के साथ सुसंगत हैं। इस थैले को क्रेडियल सेट (Credal Set) कहा जाता है।
चरण 2 (द IHDR): दूसरा, मशीन उन सभी पूर्वानुमानकर्ताओं के थैले को देखती है और सबसे सटीक संभव सुरक्षा जाल खींचती है जो उन सभी के लिए "सबसे संभावित" परिणामों को कवर करता है।

बड़ी खोज: लेखक सिद्ध करते हैं कि यदि आप इस दो-चरणीय रेसिपी का पालन करते हैं, तो आपको बिल्कुल वही सुरक्षा जाल मिलता है जो मूल ब्लैक-बॉक्स विधि से मिलता है। लेकिन अब, क्योंकि हम दोनों चरणों को देख पा रहे हैं, हमें एहसास होता है कि मशीन केवल जाल बनाने से कहीं अधिक कर रही है; यह निर्णय लेने से पहले वास्तविकता के एक पूरे संग्रह (क्रेडियल सेट) को व्यवस्थित कर रही है। यह हमें अनिश्चितता को समृद्ध तरीकों से मापने की अनुमति देता है, न कि केवल यह देखकर कि जाल कितना बड़ा है, बल्कि यह देखकर कि पूर्वानुमानकर्ताओं का "थैला" कितना "फैला हुआ" है।

2. तीन दुनियाओं के बीच का सेतु

यह शोध पत्र अनिश्चितता के बारे में सोचने के तीन अलग-अलग तरीकों के बीच एक पुल बनाता है:

बेयसियन तरीका (The Bayesian Way): "मेरे पास एक पूर्व धारणा (prior belief) है, और मैं इसे डेटा के साथ अपडेट करता हूँ।"
फ्रीक्वेंटिस्ट तरीका (The Frequentist Way): "मैं दीर्घकालिक आवृत्ति गारंटियों (जैसे रेफरी का 95% नियम) पर भरोसा करता हूँ।"
इम्प्रेसिबल तरीका (The Imprecise Way): "मुझे सटीक नियम नहीं पता, इसलिए मैं संभावनाओं की एक पूरी श्रृंखला पर विचार करता हूँ।"

लेखक दिखाते हैं कि यदि आप एक विशिष्ट प्रकार के डेटा (एक मानक बेयसियन मॉडल से) का उपयोग करते हैं और जैसे-जैसे डेटा की मात्रा बहुत अधिक बढ़ती है, ये तीनों दृष्टिकोण एक ही सटीक सुरक्षा जाल बनाना शुरू कर देते हैं। यह ऐसा है जैसे तीन अलग-अलग हाइकर एक पहाड़ के अलग-अलग बिंदुओं से शुरू करते हैं लेकिन अंततः एक ही शिखर पर मिलते हैं। यह सिद्ध करता है कि कॉन्फॉर्मल प्रेडिक्शन एक सार्वभौमिक अनुवादक है जो इन तीनों समूहों की भाषा बोल सकता है।

3. "गोपनीयता-अनुकूल" संदेशवाहक

इस शोध पत्र की एक सबसे व्यावहारिक अंतर्दृष्टि गोपनीयता (privacy) के बारे में है।

कल्पना कीजिए कि अस्पतालों का एक समूह रोगी के परिणामों की भविष्यवाणी करने के लिए एक साझा सुरक्षा जाल बनाना चाहता है, लेकिन वे गोपनीयता कानूनों (privacy laws) के कारण कच्चा रोगी डेटा साझा नहीं कर सकते।

पुराना तरीका: वे मॉडल अपडेट साझा करने का प्रयास कर सकते हैं, जिससे कभी-कभी निजी जानकारी लीक हो सकती है।
शोध पत्र का तरीका: चूंकि लेखक ने दिखाया है कि सुरक्षा जाल केवल एक "फंक्टर" (functor) है (एक गणितीय मशीन जो नियमों के समावेश को बनाए रखते हुए एक आकृति को दूसरी आकृति में बदल देती है), अस्पताल यह कर सकते हैं:
1. प्रत्येक अस्पताल अपने स्थानीय डेटा के आधार पर अपना स्वयं का "पूर्वानुरोधकर्ताओं का बादल" (क्रेडियल सेट) बनाता है।
2. वे विशिष्ट विवरणों को छिपाने के लिए इस बादल को थोड़ा "धुंधला" (fuzz) या विस्तारित करते हैं (गोपनीयता के लिए)।
3. वे इस धुंधले बादल को एक केंद्रीय केंद्र (central hub) को भेजते हैं।
4. केंद्र उन्हें जोड़ता है और अंतिम सुरक्षा जाल खींचता है।

गारंटी: क्योंकि लेखक ने जो गणितीय नियम सिद्ध किए हैं, यदि आप बादलों को बड़ा (गोपनीयता की रक्षा के लिए) बनाते हैं, तो अंतिम सुरक्षा जाल केवल बड़ा या समान होगा। यह कभी छोटा नहीं होगा। इसका मतलब है कि सुरक्षा गारंटी (95% नियम) कभी टूटती नहीं है, भले ही आप डेटा छिपा रहे हों। यह गोपनीयता को एक कमजोरी के बजाय एक विशेषता में बदल देता है जो भविष्यवाणी को अधिक रूढ़िवादी (conservative) बनाता है।

4. स्थिरता और "जंप्स" (Stability and Jumps)

लेखक यह सिद्ध करने के लिए "आकृतियों" की भाषा का उपयोग करते हैं कि सुरक्षा जाल स्थिर (stable) है।
कल्पना कीजिए कि आप डेटा को थोड़ा समायोजित कर रहे हैं (जैसे डेटासेट में एक और मरीज जोड़ना)। कुछ खराब प्रणालियों में, यह छोटा सा बदलाव सुरक्षा जाल को अचानक पूरी तरह से अलग स्थान पर पहुंचा सकता है।
लेखक सिद्ध करते हैं कि कॉन्फॉर्मल प्रेडिक्शन "अपर हेमीकॉन्टिन्यूअस" (upper hemicontinuous) है। सरल शब्दों में, इसका अर्थ है: इनपुट डेटा में छोटे बदलावों से केवल सुरक्षा जाल में छोटे, सुचारू बदलाव ही होंगे। यह बेतरतीब ढंग से इधर-उधर नहीं कूदेगा। यह इसे कंप्यूटर द्वारा कुशलतापूर्वक गणना करने के लिए विश्वसनीय बनाता है।

सारांश

यह शोध पत्र एक नया भविष्यवाणी उपकरण आविष्कार नहीं करता है; यह एक मौजूदा उपकरण (कॉन्फॉर्मल प्रेडिक्शन) को एक नया संरचनात्मक मानचित्र (structural map) प्रदान करता है।

यह प्रकट करता है कि यह उपकरण वास्तव में "संभावनाओं के एक थैले" से जुड़ी एक दो-चरणीय प्रक्रिया है।
यह सिद्ध करता है कि यह उपकरण स्वाभाविक रूप से बेयसियन, फ्रीक्वेंटिस्ट और इम्प्रेसिबल सांख्यिकी को जोड़ता है।
यह दिखाता है कि आप कच्चे डेटा के बजाय "धुंधले सारांश" (fuzzy summaries) साझा करके इस उपकरण का उपयोग गोपनीयता बनाए रखते हुए कर सकते हैं, बिना सुरक्षा गारंटी खोए।

लेखक अनिवार्य रूप से कहते हैं: "हम जानते थे कि यह उपकरण काम करता है। अब हम जानते हैं कि यह क्यों काम करता है, यह अन्य उपकरणों से कैसे जुड़ता है, और हम इसे गोपनीयता के मामले में महत्वपूर्ण दुनिया में सुरक्षित रूप से कैसे उपयोग कर सकते हैं।"

तकनीकी सारांश: कॉन्फॉर्मल प्रेडिक्शन का एक श्रेणी-सिद्धांतिक (Category-Theoretic) विश्लेषण

समस्या विवरण
कॉन्फॉर्मल प्रेडिक्शन (CP) एक व्यापक रूप से उपयोग किया जाने वाला सांख्यिकीय उपकरण है जो परिमित-नमूना (finite-sample), वितरण-मुक्त कवरेज गारंटी के साथ भविष्यवाणी क्षेत्र उत्पन्न करता है। हालाँकि, एक मात्रात्मक अनिश्चितता उपकरण के रूप में इसकी व्याख्या अक्सर निहित (implicit) होती है। जबकि CP एक सेट-वैल्यूड आउटपुट (भविष्यवाणी क्षेत्र) उत्पन्न करता है, इसके अंतर्निहित संरचनात्मक तंत्र और अन्य संभावabilistic ढाँचों (बायेसियन, फ्रीक्वेंटिस्ट और इम्प्रेसिव प्रोबेबिलिटी) के साथ इसके संबंध को हमेशा स्पष्ट रूप से औपचारिक रूप नहीं दिया जाता है। इसके अलावा, अनिश्चितता की "मात्रा" को अक्सर क्षेत्र के ज्यामितीय आकार तक सीमित कर दिया जाता है, जिससे उन समृद्ध संभावabilistic संरचनाओं की अनदेखी होती है जिन्हें CP स्पष्ट रूप से एनकोड कर सकता है।

कार्यप्रणाली
यह शोध पत्र फुल कॉन्फॉर्मल प्रेडिक्शन (FCP) के संरचनात्मक विश्लेषण के लिए कैटेगरी थ्योरी (CT) का उपयोग करता है। लेखक CP को केवल एक एल्गोरिदम के रूप में नहीं, बल्कि सेट-वैल्यूड फलनों (correspondences) की विशिष्ट श्रेणियों के भीतर एक मॉर्फिज्म (एक संरचना-संरक्षण मानचित्र) के रूप में देखते हैं। विश्लेषण तीन मुख्य गणितीय स्तंभों पर आधारित है:

कैटेगरी थ्योरी (CT): श्रेणियों, मॉर्फिज्म, फनक्टर्स और कम्यूटिंग डायग्राम की अवधारणाओं का उपयोग करके सांख्यिकीय प्रक्रियाओं के संयोजन को औपचारिक रूप देना।
सेट-वैल्यूड एनालिसिस: CP का विश्लेषण अपर हेमीकंटिन्यूइटी (स्थिरता) और वीक मेजरेबिलिटी (संभावabilistic सुव्यवस्थितता) के दृष्टिकोण से करना।
इम्प्रेसिव प्रोबेबिलिटी (IP): एकल संभाव्यता वितरणों से परे अनिश्चितता का प्रतिनिधित्व करने के लिए क्रेडल सेट्स (संभाव्यता मापों के उत्तल, बंद सेट) और इम्प्रेसिव हाईएस्ट डेंसिटी रीजन्स (IHDR) का उपयोग करना।

मुख्य कार्यप्रणालीगत नवाचार CP प्रक्रिया को एक कम्यूटिंग डायग्राम में विघटित करना है, जो भविष्यवाणी क्षेत्र के प्रत्यक्ष निर्माण को एक अप्रत्यक्ष दो-चरणीय प्रक्रिया में विभाजित करता है: (1) डेटा से एक क्रेडल सेट निकालना, और (2) उस क्रेडल सेट से एक भविष्यवाणी क्षेत्र प्राप्त करना।

प्रमुख योगदान और परिणाम

1. एक मॉर्फिज्म के रूप में CP और संरचनात्मक गुणनखंड (अनुभाग 3)
लेखक दो श्रेणियाँ परिभाषित करते हैं:

$\mathbf{UHCont}$ : ऑब्जेक्ट्स टोपोलॉजिकल स्पेस हैं; मॉर्फिज्म अपर हेमीकंटिन्यूअस कॉरेस्पोंडेंस हैं (स्थिरता को पकड़ते हैं)।
$\mathbf{WMeasuc}$ : ऑब्जेक्ट्स कॉम्पैक्ट पॉलिश स्पेस हैं; मॉर्फिज्म वीकली मेजरेबल, यूनिफॉर्मली कॉम्पैक्ट-वैल्यूड कॉरेस्पोंडेंस हैं (मापनीयता को पकड़ते हैं)।

थ्योरम 7 यह स्थापित करता है कि सौम्य नियमितता शर्तों (कॉम्पैक्ट हाउज़डॉर्फ आउटकम स्पेस, निरंतर नॉन-कॉन्फॉर्मिटी मेजर्स, और आत्मविश्वास स्तर $\alpha$ पर "नो-टाई" स्थिति) के तहत, फुल कॉन्फॉर्मल प्रेडिक्शन कॉरेस्पोंडेंस दोनों श्रेणियों में एक मॉर्फिज्म है। महत्वपूर्ण रूप से, शोध पत्र एक कम्यूटिंग डायग्राम परिणाम सिद्ध करता है:
$\kappa_\alpha = \text{IHDR}_\alpha \circ \text{CRED}$
जहाँ:

$\kappa_\alpha$ प्रत्यक्ष कॉन्फॉर्मल निर्माण है।
$\text{CRED}$ डेटा से एक क्रेडल सेट (संभाव्यता मापों का एक सेट) निकालता है।
$\text{IHDR}_\alpha$ क्रेडल सेट से $\alpha$ -स्तर का इम्प्रेसिव हाईएस्ट डेंसिटी रीजन निकालता है।

महत्व: यह गुणनखंड दर्शाता है कि CP स्वाभाविक रूप से एक क्रेडल सेट से जुड़ी एक अप्रत्यक्ष प्रक्रिया के समान है। यह प्रकट करता है कि CP में एक निहित "कार्डिनल" अनिश्चितता परत होती है। भविष्यवाणी सेट के आकार के अलावा, प्रेरित क्रेडल सेट से निर्णय-प्रासंगिक सारांश (जैसे, लोअर/अपर प्रोबेबिलिटीज़, रोबस्ट एक्सपेक्टेड लॉसेस) प्राप्त किए जा सकते हैं।

2. बायेसियन, फ्रीक्वेंटिस्ट और इम्प्रेसिव रीजनिंग का एकीकरण (अनुभाग 4)
शोध पत्र बायेसियन प्रेडिक्शन और CP के एसिम्प्टोटिक (asymptotic) संबंध की जांच करता है।
थ्योरम 11 दिखाता है कि यदि नॉन-कॉन्फॉर्मिटी मेजर को बायेसियन पोस्टीरियर प्रेडिक्टिव डेंसिटी से प्राप्त किया गया है, तो कॉन्फॉर्मल प्रेडिक्शन क्षेत्र संबंधित बायेसियन प्रेडिक्टिव डेंसिटी लेवल सेट के हाउज़डॉर्फ डिस्टेंस में अभिसरित (converge) होता है।

परिणाम: एसिम्प्टोटिक रूप से, बायेसियन डेंसिटी लेवल सेट, प्रत्यक्ष कॉन्फॉर्मल क्षेत्र, और अप्रत्यक्ष क्रेडल-IHDR मार्ग न केवल सेट के रूप में, बल्कि प्रेडिक्टिव प्रोसीजर के रूप में भी समकक्ष हो जाते हैं।
मात्रात्मक दरें: प्रपोजिशन 14 लोकल एम्पिरिकल प्रोसेस और बाउंड्री रेगुलैरिटी धारणाओं के तहत $O_P(n^{-1/2})$ के क्रम में मात्रात्मक अभिसरण दर प्रदान करता है।
महत्व: यह इस अंतर्ज्ञान को औपचारिक बनाता है कि CP बायेसियन प्रेडिक्शन के चारों ओर एक परिमित-नमूना वैधता रैपर के रूप में कार्य करता है, जो बायेसियन व्याख्यात्मकता और इम्प्रेसिव प्रोबेबिलिटी सिमेंटिक्स के साथ फ्रीक्वेंटिस्ट कवरेज गारंटी को जोड़ता है।

3. e-Posteriors के साथ संबंध (अनुभाग 4.5)
शोध पत्र उन स्थितियों की पहचान करता है जिनमें अपर पोस्टीरियर कंस्ट्रक्शन्स e-posteriors (ग्रुनवाल्ड [44]) से संबंधित होते हैं। प्रपोजिशन 15 यह स्पष्ट करता है कि कब एक अपर पोस्टीरियर एक e-posterior है, जिससे यह स्पष्ट होता है कि किन परिस्थितियों में e-वैल्यू-आधारित और कॉन्फॉर्मल-इम्प्रेसिव प्रतिनिधित्व मेल खाते हैं। प्रपोजिशन 16 आगे दिखाता है कि यदि अपर पोस्टीरियर प्रेडिक्टिव एक एडिटिव प्रोबेबिलिटी मेजर के समान है, तो सिस्टम एक पॉइंट मास में क्षीण (degenerate) हो जाएगा, जो संभावना-आधारित (कॉन्फॉर्मल) बनाम एडिटिव प्रोबेबिलिटी प्रतिनिधित्व की विशिष्ट प्रकृति को उजागर करता है।

4. फनक्टोरियलिटी और प्राइवेसी-संगत एकत्रीकरण (अनुभाग 5)
शोध पत्र IHDR एक्सट्रैक्टर को क्रेडल सेट्स (इनक्लूजन मॉर्फिज्म के साथ) की श्रेणी से आउटकम स्पेस के सबसेट्स की श्रेणी तक एक कोवेरिएंट फनक्टर के रूप में औपचारिक रूप देता है।

थ्योरम 17: $\text{IHDR}_\alpha$ एक फनक्टर है।
निहितार्थ: यह एक प्राइवेसी-संगत एकत्रीकरण सिद्धांत प्रदान करता है। फेडरेटेड सेटिंग्स में, एजेंट कच्चा डेटा साझा करने के बजाय सारांश ऑब्जेक्ट्स (क्रेडल सेट्स) साझा कर सकते हैं। यदि इन सारांशों को आउटर एप्रोक्सिमेशन (सुपरसेट्स) के माध्यम से निजीकृत किया जाता है, तो फनक्टोरियल गुण यह सुनिश्चित करता है कि परिणामी वैश्विक भविष्यवाणी क्षेत्र कंजर्वेटिव (वे सिकुड़ते नहीं हैं) होंगे, जिससे कच्चा डेटा उजागर किए बिना कवरेज गारंटी सुरक्षित रहती है।

महत्व और दावे
शोध पत्र का दावा है कि इसका प्राथमिक योगदान कॉन्फॉर्मल प्रेडिक्शन का संरचनात्मक एकीकरण है। CP को कॉरेस्पोंडेंस की श्रेणियों में एक मॉर्फिज्म के रूप में फ्रेम करके, यह कार्य:

CP में निहित मात्रात्मक अनिश्चितता को स्पष्ट करता है, जो केवल क्षेत्र के आकार से आगे बढ़कर क्रेडल सेट्स से प्राप्त निर्णय-प्रासंगिक फंक्शनल्स तक जाता है।
बायेसियन, फ्रीक्वेंटिस्ट और इम्प्रेसिव प्रोबेबिलिटी ढाँचों के बीच एक सिद्धांतिक सेतु प्रदान करता है, जो नियमितता शर्तों के तहत प्रेडिक्टिव प्रोसीजर के रूप में उनकी एसिम्प्टोटिक समानता को दर्शाता है।
फेडरेटेड लर्निंग के लिए एक मॉड्यूलर, प्राइवेसी-संगत परिप्रेक्ष्य प्रदान करता है, जहाँ अनिश्चितता का परिमाण कच्चे डेटा के आदान-प्रदान के बजाय सारांश ऑब्जेक्ट्स के फनक्टोरियल गुणों के माध्यम से संरक्षित रहता है।

लेखक नोट करते हैं कि हालांकि यह ढांचा फुल कॉन्फॉर्मल प्रेडिक्शन (कैटेगोरिकल फैक्टरइजेशन के लिए सबसे स्वच्छ सेटिंग) के लिए विकसित किया गया है, लेकिन लेखकों को उम्मीद है कि ये अंतर्दृष्टि स्प्लिट/इंडक्टिव कॉन्फॉर्मल प्रेडिक्शन में भी विस्तारित होंगी, हालांकि एक व्यवस्थित उपचार भविष्य के कार्य के लिए छोड़ दिया गया है। शोध पत्र निष्कर्ष निकालता है कि यह कैटेगरी-थ्योरिटिक दृष्टिकोण सेट-वैल्यूड सांख्यिकीय फंक्शनल्स के स्थिरता, सन्निकटन (approximation) और संयोजन के अध्ययन के लिए नए मार्ग खोलता है।

1. दो-चरणीय रेसिपी (द कम्यूटिंग डायग्राम)

2. तीन दुनियाओं के बीच का सेतु

3. "गोपनीयता-अनुकूल" संदेशवाहक

4. स्थिरता और "जंप्स" (Stability and Jumps)

सारांश

इसी तरह के और पेपर