⚡ electrical engineering

QUTCC: Quantile Uncertainty Training and Conformal Calibration for Imaging Inverse Problems

यह शोध पत्र QUTCC को प्रस्तुत करता है, जो एक नवीन ढांचा है जो क्वांटाइल अनिश्चितता प्रशिक्षण (quantile uncertainty training) को स्थानिक रूप से अनुकूलित कॉन्फॉर्मल अंशांकन (spatially-adaptive conformal calibration) के साथ जोड़ता है ताकि उच्च-आयामी इमेजिंग व्युत्क्रम समस्याओं (high-dimensional imaging inverse problems) के लिए कड़े, सांख्यिकीय रूप से वैध अनिश्चितता अंतराल उत्पन्न किए जा सकें और मॉडल मतिभ्रम (model hallucinations) की प्रभावी ढंग से पहचान की जा सके।

मूल लेखक: Cassandra Tong Ye, Shamus Li, Tyler King, Kristina Monakhova

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Cassandra Tong Ye, Shamus Li, Tyler King, Kristina Monakhova

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 मेडिकल स्कैन को देख रहे हैं, या एक वैज्ञानिक हैं जो एक सूक्ष्मदर्शी (microscopic) छवि की जांच कर रहे हैं। आपके पास एक शक्तिशाली AI सहायक है जो धुंधली तस्वीरों को साफ कर सकता है या छवि के गायब हिस्सों को फिर से बना सकता है। AI अद्भुत है; यह स्पष्ट, तीखी तस्वीरें बनाता है। लेकिन यहाँ एक पेंच है: AI कभी-कभी "हैलुसिनेट" (hallucinate) कर सकता है। यह ऐसी ट्यूमर की कल्पना कर सकता है जो वहां नहीं है या उस दरार को मिटा सकता है जो वास्तव में मौजूद है। यह अपने उत्तर को लेकर आश्वस्त तो होता है, लेकिन गलत होता है।

समस्या यह है कि आप कैसे जानेंगे कि AI पर कब भरोसा करना है और कब संदेह करना है?

यह पेपर एक नए टूल पेश करता है जिसे QUTCC (उच्चारण "क्यूट-सी") कहा जाता है, जो इन AI छवियों के लिए एक स्मार्ट, समायोज्य सुरक्षा जाल (adjustable safety net) की तरह काम करता है। केवल आपको एक तस्वीर देने के बजाय, यह आपको ठीक-ठीक बताता है कि AI कहाँ अनुमान लगा रहा है और उसकी "त्रुटि की सीमा" (margin of error) कितनी चौड़ी है।

यह कैसे काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. पुराना तरीका: "एक ही आकार का" रेनकोट (The "One-Size-Fits-All" Raincoat)

पिछले तरीकों ने पूरी छवि पर एक विशाल, एकसमान रेनकोट डालकर अनिश्चितता को मापने की कोशिश की।

समस्या: यदि रसोई में हल्की बूंदाबांदी हो रही है लेकिन लिविंग रूम में मूसलाधार बारिश हो रही है, तो एक ही आकार का रेनकोट अच्छी तरह काम नहीं करता। आप लिविंग रूम में बहुत ज्यादा भीग सकते हैं या किचन में बहुत ज्यादा ढके हुए हो सकते हैं।
AI के संदर्भ में: पुराने तरीकों ने छवि के हर पिक्सेल पर एक ही जैसा "एरर बार" लागू किया। वे यह नहीं समझ पाए कि छवि के कुछ हिस्से (जैसे एक खाली दीवार) भविष्यवाणी करना आसान होते हैं, जबकि अन्य (जैसे एक जटिल, धुंधली बनावट) कठिन होते हैं। इसके परिणामस्वरूप अनिश्चितता अंतराल (uncertainty intervals) या तो बहुत चौड़े थे (जगह बर्बाद करना) या बहुत संकीले (गलतियों को छोड़ देना)।

2. नया तरीका: QUTCC का "स्मार्ट, लचीला सूट" (QUTCC's "Smart, Stretchy Suit")

QUTCC अलग है। एक स्थिर रेनकोट के बजाय, यह एक कस्टम-फिट, लचीला सूट पहनना सीखता है जो इलाके के अनुसार अपना आकार बदल लेता है।

यह कैसे सीखता है: कल्पना कीजिए कि एक दर्जी को प्रशिक्षित कर रहे हैं जो केवल एक "मीडियम" शर्ट बनाना नहीं सीखता। इसके बजाय, वह दर्जी हर संभव आकार के लिए, छोटे से लेकर बड़े तक, एक साथ शर्ट बनाना सीखता है। पेपर में, इसे Simultaneous Quantile Regression कहा गया है। AI को न केवल "औसत" छवि की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है, बल्कि संभावनाओं के पूरे स्पेक्ट्रम ("क्वांटाइल्स") के लिए भी।
"कॉन्फॉर्मल" कैलिब्रेशन (The "Conformal" Calibration): एक बार जब दर्जी सूट बना लेता है, तो वे इसे उन लोगों के समूह पर टेस्ट करते हैं जिन्हें उन्होंने पहले नहीं देखा है (कैलिब्रेशन डेटासेट)। वे सूट की कसावट को तब तक एडजस्ट करते हैं जब तक कि वह 90% समय बिल्कुल सही न फिट हो जाए।
जादू: क्योंकि यह सूट "लचीला" है और डेटा से सीखा गया है, QUTCC अनिश्चितता अंतराल को वहां बहुत छोटा कर सकता है जहां छवि स्पष्ट है और वहां चौड़ा कर सकता है जहां छवि धुंधली या शोर वाली (noisy) है। यह छवि की विशिष्ट विशेषताओं के अनुसार, पिक्सेल-दर-पिक्सेल अनुकूलित होता है।

3. यह वास्तव में आपको क्या दिखाता है?

जब आप QUTCC का उपयोग करते हैं, तो आपको तीन चीजें मिलती हैं:

छवि (The Image): AI का वह सबसे सटीक अनुमान कि तस्वीर कैसी दिखनी चाहिए।
"विगल रूम" मैप (The "Wiggle Room" Map): एक दृश्य मानचित्र जो दिखाता है कि AI कहाँ अनिश्चित है। यदि AI किसी नकली विशेषता (जैसे कोई काल्पनिक वस्तु) को बना देता है, तो QUTCC उस विशिष्ट स्थान को "उच्च अनिश्चितता" की चेतावनी के साथ रोशन कर देता है। यह एक रडार की तरह है जो जोर से बीप करता है जब AI मनगढ़ंत चीजें बना रहा होता है।
"संभावनाओं का बादल" (The "Possibility Cloud"): अन्य तरीकों के विपरीत जो केवल यह कहते हैं कि "मान मान लीजिए X और Y के बीच है," QUTCC आपको संभावना का आकार दिखा सकता है। यह बता सकता है कि, "इस विशिष्ट पिक्सेल के लिए, AI को लगता है कि इसके गहरे रंग का होना संभावित है, लेकिन इसकी एक छोटी संभावना है कि यह चमकीला हो सकता है।" यह यह सब बिना यह माने कि डेटा एक साधारण बेल कर्व (Gaussian distribution) का पालन करता है, जिससे यह अजीब, वास्तविक दुनिया के शोर को संभालने में सक्षम होता है।

4. यह बेहतर क्यों है?

लेखकों ने पांच अलग-अलग इमेजिंग चुनौतियों पर QUTCC का परीक्षण किया, जिसमें शामिल हैं:

डिनोइजिंग (Denoising): दानेदार तस्वीरों को साफ करना।
MRI: तेज़, धुंधले मैग्नेटिक रेजोनेंस स्कैन को फिर से बनाना।
माइक्रोस्कोपी (Microscopy): सूक्ष्म कोशिकाओं को स्पष्ट रूप से देखना।

परिणाम:

टाइट इंटरवल्स (Tighter Intervals): QUTCC ने पिछले तरीकों की तुलना में अधिक सटीक और छोटे अनिश्चितता अंतराल दिए। इसका मतलब है कि यह आपको स्पष्ट रूप से बताता है कि AI कहां आश्वस्त है और कहां नहीं, बिना सुरक्षा से समझौता किए।
हैलुसिनेशन को पकड़ना: परीक्षणों में, जब AI ने एक नकली विशेषता बनाई, तो QUTCC ने उस विशिष्ट क्षेत्र को "उच्च अनिश्चितता" के रूप में सही ढंग से चिह्नित किया, जिससे मनुष्यों को गलती पकड़ने में मदद मिली।
गति (Speed): यह अन्य उन्नत तरीकों की तुलना में बहुत तेज़ी से इस उच्च स्तर की सटीकता प्राप्त करता है, जिन्हें AI मॉडल को दर्जनों बार चलाने की आवश्यकता होती है।

सारांश

QUTCC को AI छवियों के लिए एक सुपर-स्मार्ट, स्व-समायोज्य रूलर (पैमाने) के रूप में समझें। यह केवल उत्तर नहीं देता; यह आपको ठीक-ठीक बताता है कि आप उस उत्तर पर कितना भरोसा कर सकते हैं, पिक्सेल-दर-पिक्सेल। यह स्पष्ट छवि वाले स्थानों पर "एरर बार" को सिकोड़ने और कठिन स्थानों पर उन्हें फैलाने के बारे में सीखता है, यह सुनिश्चित करता है कि वैज्ञानिक और डॉक्टर यह पहचान सकें कि AI कब भ्रमित (hallucinate) हो रहा है और गंभीर गलतियों से बच सकें।

तकनीकी सारांश: QUTCC – इमेजिंग इनवर्स समस्याओं के लिए क्वांटाइल अनिश्चितता प्रशिक्षण और कॉन्फॉर्मल कैलिब्रेशन

समस्या विवरण

डीप लर्निंग ने स्पार्स (sparse), नॉइजी (noisy) और अंडरडिटरम्ड (underdetermined) मापों (जैसे, फ्लोरेसेंस माइक्रोस्कोपी, एक्सीलरेटेड एमआरआई, और ब्लैक होल रिकवरी) से सार्थक संकेतों को निकालने में सक्षम बनाकर वैज्ञानिक और चिकित्सा इमेजिंग में क्रांति ला दी है। हालांकि, ये मॉडल अक्सर "हलुसिनेशन" (hallucinations) उत्पन्न करते हैं—ऐसे अनुमान जो प्रभावशाली और उच्च-रिज़ॉल्यूशन वाले दिखाई देते हैं लेकिन वास्तविकता से मेल नहीं खाते। इन विफलताओं की पहचान करना कठिन है, जो डाउनस्ट्रीम वैज्ञानिक और नैदानिक अनुप्रयोगों के लिए महत्वपूर्ण जोखिम पैदा करता है।

अनिश्चितता अनुमान तकनीकें जैसे कि कॉन्फॉर्मल प्रेडिक्शन (conformal prediction), जो परिमित-नमूना कवरेज गारंटी (finite-sample coverage guarantees) के साथ सांख्यिकीय रूप से वैध एरर बार (error bars) उत्पन्न करती हैं, एक समाधान प्रदान करती हैं। फिर भी, मौजूदा विधियाँ उच्च-आयामी इमेज-वैल्यूड (image-valued) समस्याओं के लिए अनुपयुक्त हैं। वर्तमान दृष्टिकोण (जैसे, Im2Im, K-RCPS) आमतौर पर एक छवि पर समान रूप से लागू होने वाले रैखिक, स्थिर या समूह-वार स्केलिंग कारकों (scaling factors) पर निर्भर करते हैं। ये विधियाँ स्थानिक सहसंबंधों (spatial correlations) और स्थानीय छवि सामग्री का लेखा-जोखा रखने में विफल रहती हैं, जिसके परिणामस्वरूप अनिश्चितता अंतराल (uncertainty intervals) कवरेज आवश्यकताओं को पूरा करने के लिए आवश्यक से अधिक बड़े हो जाते हैं।

कार्यप्रणाली (Methodology)

लेखक QUTCC (क्वांटाइल अनसर्टेन्टी ट्रेनिंग एंड कॉन्फॉर्मल कैलिब्रेशन) का प्रस्ताव करते हैं, जो इमेजिंग इनवर्स समस्याओं के लिए टाइट (tighter) और स्थानिक रूप से अनुकूलित (spatially-adaptive) अनिश्चितता अंतराल उत्पन्न करने के लिए डिज़ाइन किया गया एक फ्रेमवर्क है। यह विधि तीन मुख्य घटकों से मिलकर बनी है:

1. क्वांटाइल एम्बेडिंग्स के साथ समवर्ती क्वांटाइल रिग्रेशन (Simultaneous Quantile Regression with Quantile Embeddings)

अलग-अलग क्वांटाइल के लिए अलग मॉडल प्रशिक्षित करने या केवल माध्य (mean) की भविष्यवाणी करने के बजाय, QUTCC एक एकल न्यूरल नेटवर्क (एक अटेंशन U-Net) का उपयोग करता है जो एक क्वांटाइल पैरामीटर $q \in (0, 1)$ पर आधारित होता है।

आर्किटेक्चर: नेटवर्क $f_\theta(y, q)$ एक माप $y$ और एक क्वांटाइल एम्बेडिंग $q$ को इनपुट के रूप में लेता है। क्वांटाइल को एक निरंतर स्केलर (जैसे डिफ्यूजन मॉडल में टाइम एम्बेडिंग्स) के रूप में एम्बेड किया जाता है और सेल्फ-अटेंशन लेयर्स के माध्यम से प्रसारित किया जाता है।
प्रशिक्षण: मॉडल को पिनबॉल लॉस (asymmetric loss) का उपयोग करके प्रशिक्षित किया जाता है, जहाँ प्रत्येक स्टेप पर क्वांटाइल पैरामीटर $q$ को यूनिफॉर्म डिस्ट्रीब्यूशन $U(0, 1)$ से रैंडमली सैंपल किया जाता है। यह नेटवर्क को एक निश्चित पॉइंट एस्टीमेट के बजाय पूर्ण कंडीशनल क्वांटाइल डिस्ट्रीब्यूशन $f_\theta(y, q)$ सीखने की अनुमति देता है।
आउटपुट: मीडियन इमेज को $q=0.5$ पर क्वेरी करके प्राप्त किया जाता है।

2. स्थानिक रूप से अनुकूलित कॉन्फॉर्मल कैलिब्रेशन (Spatially-Adaptive Conformal Calibration)

पूर्ववर्ती विधियों के विपरीत, जो एक ग्लोबल स्केलर $\lambda$ या $K$ समूह-वार स्केलर को कैलिब्रेट करती हैं, QUTCC न्यूरल नेटवर्क के इनपुट क्वांटाइल पैरामीटर्स ( $q_{lo}, q_{hi}$ ) को कैलिब्रेट करता है।

प्रक्रिया: एक होल्ड-आउट कैलिब्रेशन डेटासेट का उपयोग करके, यह विधि वांछित मिसकवरेज लेवल $\alpha$ (प्रत्येक टेल के लिए $\alpha/2$ के रूप में विभाजित) को संतुष्ट करने के लिए इष्टतम लोअर ( $\hat{q}_{lo}$ ) और अपर ( $\hat{q}_{hi}$ ) क्वांटाइल बाउंड्स खोजने के लिए बाइनरी सर्च करती है।
तंत्र: क्योंकि नेटवर्क नॉन-लीनियर है और $q$ पर आधारित है, इनपुट क्वांटाइल्स को एडजस्ट करने से भविष्यवाणियों के अंतराल का एक निरंतर, नॉन-लीनियर और स्थानिक रूप से अनुकूलित स्केलिंग परिणाम स्वरूप मिलता है। प्रभावी स्केलिंग फैक्टर Im2Im के यूनिफॉर्म स्केलिंग या K-RCPS के फिक्स्ड पार्टीशन स्केलिंग के विपरीत, स्थानीय छवि विशेषताओं के आधार पर प्रति पिक्सेल बदलता रहता है।
गारंटी: यह प्रक्रिया सुनिश्चित करती है कि बिना किसी विशिष्ट वितरण (distribution) की धारणा के, पिक्सेल-मार्जिनल कवरेज गारंटी (सत्य मान $1-\alpha$ प्रायिकता के साथ अंतराल के भीतर होता है) प्राप्त हो।

3. कंडीशनल प्रोबेबिलिटी डेंसिटी एस्टीमेशन (Conditional Probability Density Estimation)

QUTCC की एक अनूठी क्षमता प्रत्येक पिक्सेल के लिए पूर्ण कंडीशनल प्रोबेबिलिटी डेंसिटी फंक्शन (PDF), $p(x|y)$ का अनुमान लगाने की क्षमता है, जो बिना किसी वितरण संबंधी धारणा (जैसे गाऊसी/Gaussian) के काम करता है।

पुनर्निर्माण (Reconstruction): कई क्वांटाइल स्तरों $\{q_j\}$ पर नेटवर्क को क्वेरी करके, लेखक क्वांटाइल फंक्शन को पुनर्गठित करते हैं।
PDF अनुमान: कंडीशनल PDF को क्वांटाइल फंक्शन के व्युत्पन्न (derivative) के व्युत्क्रम (inverse) के माध्यम से अनुमानित किया जाता है: $\hat{p}(x|y) \approx (\frac{\partial \hat{f}}{\partial q})^{-1}$ । इसे आस-पास के क्वांटाइल प्रेडिक्शन्स के बीच फाइनाइट डिफरेंस (finite differences) का उपयोग करके कंप्यूट किया जाता है।
कैलिब्रेशन: PDF को कई क्वांटाइल पेयर्स को कैलिब्रेट करके "कॉन्फॉर्मलाइज" किया जा सकता है ताकि यह सुनिश्चित हो सके कि पुनर्गठित वितरण सांख्यिकीय कवरेज गारंटी बनाए रखता है।

मुख्य योगदान (Key Contributions)

इमेजिंग इनवर्स समस्याओं के लिए समवर्ती क्वांटाइल रिग्रेशन: उच्च-आयामी इमेजिंग इनवर्स समस्याओं के लिए पूर्ण कंडीशनल क्वांटाइल डिस्ट्रीब्यूशन सीखने के लिए क्वांटाइल कंडीशनिंग के साथ एक U-Net का उपयोग करने वाली एक व्यावहारिक विधि का परिचय।
स्थानिक रूप से अनुकूलित कैलिब्रेशन: एक नवीन कैलिब्रेशन रणनीति जो नॉन-लीनियर फंक्शन का लाभ उठाकर पिक्सेल-वाइज एडेप्टिव स्केलिंग उत्पन्न करती है, जिससे ग्लोबल या ग्रुप-वाइज स्केलिंग विधियों की तुलना में काफी टाइट अनिश्चितता अंतराल प्राप्त होते हैं।
डिस्ट्रीबशन-फ्री कंडीशनल PDFs: बिना गाऊसी धारणाओं के पिक्सेल-वाइज कंडीशनल प्रोबेबिलिटी डेंसिटी फंक्शन को अनुमानित और कैलिब्रेट करने के लिए एक विधि, जो जटिल, अज्ञात अनिश्चितता संरचनाओं को विज़ुअलाइज़ करने की अनुमति देती है।
व्यापक मूल्यांकन: पांच इमेजिंग इनवर्स समस्याओं (सिंथेटिक गाऊशियन/पॉइसन डिनोइजिंग, रियल-नॉइज़ डिनोइजिंग, एक्सीलरेटेड एमआरआई, और क्वांटिटेटिव फेज इमेजिंग) में सत्यापन, जो इंटरवल टाइटनेस में स्टेट-ऑफ-द-आर्ट प्रदर्शन प्रदर्शित करता है।

परिणाम (Results)

लेखकों ने पांच कार्यों के लिए पोस्टीरियर-सैंपलिंग बेसलाइन्स (MC-Dropout, Deep Ensembles) और कॉन्फॉर्मल बेसलाइन्स (Im2Im, Im2Im-Asymm, K-RCPS) के विरुद्ध QUTCC का मूल्यांकन किया।

इंटरवल टाइटनेस (Interval Tightness): QUTCC ने सभी कॉन्फॉर्मल विधियों में लगातार सबसे छोटे मीन अनिश्चितता अंतराल की लंबाई (mean uncertainty interval lengths) उत्पन्न की। हाई-इंटेंसिटी क्षेत्रों (सिग्नल-रिच क्षेत्रों) में, QUTCC के अंतराल बेसलाइन्स की तुलना में काफी टाइट थे, जबकि लो-इंटेंसिटी बैकग्राउंड क्षेत्रों में भी तुलनीय प्रदर्शन बनाए रखा।
कंप्यूटेशनल दक्षता (Computational Efficiency): जबकि पोस्टीरियर-सैंपलिंग विधियों (MC-Dropout, Deep Ensembles) ने प्रतिस्पर्धी अंतराल लंबाई प्रदान की, वे भारी कंप्यूटेशनल लागत (जैसे, MC-Dropout के लिए 28–47 $\times$ धीमा इन्फरेंस, Deep Ensembles के लिए 10 $\times$ अधिक ट्रेनिंग टाइम) वहन करती हैं। QUTCC एक ही मॉडल और केवल दो फॉरवर्ड पास (बाउंड्स के लिए) या कुछ पास (PDFs के लिए) का उपयोग करके समान या बेहतर टाइटनेस प्राप्त करता है।
हलुसिनेशन डिटेक्शन (Hallucination Detection): एमआरआई और माइक्रोस्कोपी डेटा पर विज़ुअलाइज़ेशन ने दिखाया कि QUTCC द्वारा अनुमानित उच्च-अनिश्चितता वाले क्षेत्र पुनर्निर्माण त्रुटियों और मॉडल हलुसिनेशन (वे फीचर्स जो प्रेडिक्शन में मौजूद हैं लेकिन ग्राउंड ट्रुथ में अनुपस्थित हैं) के साथ मजबूती से सह-संबंधित (correlate) थे। QUTCC ने Im2Im की तुलना में अधिक लोकलाइज्ड अनिश्चितता मैप्स प्रदान किए।
PDF सटीकता: अनुमानित कंडीशनल PDFs ने शोर की विशेषताओं (जैसे पॉइसन नॉइज़ में स्क्यूनेस और गाऊशियन नॉइज़ में सिमेट्री) को सही ढंग से दर्शाया और शोर के स्तर बढ़ने के साथ उपयुक्त रूप से विस्तृत हुआ।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि QUTCC सांख्यिकीय वैधता से समझौता किए बिना टाइट, स्थानिक रूप से अनुकूलित अनिश्चितता अंतराल प्रदान करके वैज्ञानिक इमेजिंग के लिए भरोसेमंद AI के एक महत्वपूर्ण अंतर को संबोधित करता है।

व्यावहारिकता: विधि तेज़ और व्यावहारिक है, जिसमें केवल एक प्रशिक्षित मॉडल और न्यूनतम फॉरवर्ड पास की आवश्यकता होती है, जिससे यह उन वास्तविक दुनिया के अनुप्रयोगों के लिए उपयुक्त हो जाता है जहाँ कंप्यूटेशनल संसाधन सीमित हैं।
विश्वसनीयता (Trustworthiness): उच्च अनिश्चितता वाले क्षेत्रों की पहचान करके, जो हलुसिनेशन के साथ मेल खाते हैं, यह विधि वैज्ञानिकों और डॉक्टरों को यह पहचानने में मदद करती है कि कब एक मॉडल का प्रेडिक्शन गलत हो सकता है।
लचीलापन: डिस्ट्रीब्यूशन-फ्री कंडीशनल PDFs उत्पन्न करने की क्षमता, केवल एरर बार से आगे बढ़कर, संभावित समाधानों के पूरे स्पेक्ट्रम को विज़ुअलाइज़ करने के लिए एक नया टूल प्रदान करती है।

लेखक सीमाओं को स्वीकार करते हुए कहते हैं कि QUTCC के लिए पेयर्ड (paired) ट्रेनिंग/कैलिब्रेशन डेटा की आवश्यकता होती है और वर्तमान में यह केवल पिक्सेल-मार्जिनल कवरेज (न कि जॉइंट स्पेशियल गारंटी) प्रदान करता है। वे यह भी नोट करते हैं कि यह विधि दुर्लभ घटनाओं या आउट-ऑफ-डिस्ट्रीब्यूशन डेटा के साथ संघर्ष कर सकती है जहाँ मॉडल उच्च त्रुटि के बावजूद कम अनिश्चितता का अनुमान लगाता है। हालांकि, वे तर्क देते हैं कि QUTCC जैसे अनिश्चितता मात्रा निर्धारण (uncertainty quantification) में प्रगति महत्वपूर्ण वैज्ञानिक और चिकित्सा डोमेन में डीप लर्निंग को तैनात करने के जोखिमों को कम करने की दिशा में आवश्यक कदम हैं।