📊 statistics

Conformal and kNN Predictive Uncertainty Quantification Algorithms in Metric Spaces

यह शोध पत्र मेट्रिक स्पेस पर रिग्रेशन मॉडल में अनिश्चितता मात्रा निर्धारण (अनसर्टेन्टी क्वांटिफिकेशन) के लिए एक ढांचे का प्रस्ताव करता है, जिसमें होमोसेडैस्टिक सेटिंग्स के लिए परिमित-नमूना गारंटी के साथ एक कॉन्फॉर्मल एल्गोरिदम और हेटरोसेडैस्टिक मामलों के लिए एक स्थानीय रूप से अनुकूलित kNN प्रक्रिया पेश की गई है, जो दोनों ही स्केलेबल, मॉडल-अज्ञेय (मॉडल-अग्नोस्टिक) हैं और जटिल यादृच्छिक वस्तुओं से जुड़े व्यक्तिगत चिकित्सा के अनुप्रयोगों के माध्यम से मान्य किए गए हैं।

मूल लेखक: Gábor Lugosi, Marcos Matabuena

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gábor Lugosi, Marcos Matabuena

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 मौसम विज्ञानी हैं। आमतौर पर, आप केवल एक संख्या देते हैं: "कल तापमान 75°F होगा।" लेकिन यदि आप पिकनिक की योजना बना रहे हैं, तो यह बहुत उपयोगी नहीं है। आपको यह भी जानने की आवश्यकता है: आप कितने आश्वस्त हैं? क्या इसकी संभावना है कि यह 70°F और 80°F के बीच रहेगा, या यह 50°F से 100°F तक कहीं भी बदल सकता है?

डेटा साइंस की दुनिया में, इस "आप कितने आश्वस्त हैं?" वाले प्रश्न को अनिश्चितता परिमाणीकरण (Uncertainty Quantification) कहा जाता है। वर्तमान के अधिकांश तरीके एक संख्या (औसत) देने में बहुत अच्छे हैं, लेकिन वे उस संख्या के चारों ओर एक विश्वसनीय "सुरक्षा क्षेत्र" (safety zone) बनाने में संघर्ष करते हैं, खासकर जब डेटा जटिल या अव्यवस्थित हो।

लुगोसी और मटाबुएना का यह शोध पत्र उन "सुरक्षा क्षेत्रों" को खींचने के लिए एक नया टूलकिट पेश करता है, विशेष रूप से ऐसे डेटा के लिए जो एक मानक स्प्रेडशीट में फिट नहीं बैठता (जैसे आकार, ग्राफ, या प्रायिकता वितरण)। वे इन जटिल डेटा बिंदुओं को "रैंडम ऑब्जेक्ट्स" (random objects) कहते हैं जो "मेट्रिक स्पेस" (metric spaces) में रहते हैं (यह कहने का एक शानदार तरीका कि यह एक ऐसी दुनिया है जहाँ हम चीजों के बीच की दूरी माप सकते हैं, भले ही वे केवल संख्याएँ न हों)।

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

1. मौसम के दो प्रकार (होमोसेडास्टिक बनाम हेटरोसेडास्टिक)

लेखक समझते हैं कि अनिश्चितता स्थिति के आधार पर अलग-अलग व्यवहार करती है। उन्होंने समस्या को दो परिदृश्यों में विभाजित किया है:

"लगातार बारिश" वाला परिदृश्य (होमोसेडास्टिक - Homoscedastic):
एक ऐसे दिन की कल्पना करें जहाँ बारिश निरंतर होती है। यह भारी हो सकती है, लेकिन इसकी परिवर्तनीयता (कि यह मिनट-दर-मिनट कितना बदलती है) हर जगह एक समान है।
- शोध पत्र का समाधान: वे कॉन्फ़ॉर्मल प्रेडिक्शन (Conformal Prediction) नामक एक विधि का उपयोग करते हैं। इसे अतीत के वर्षा मापों की एक बाल्टी लेने, "सामान्य" मात्रा खोजने और उसके चारों ओर एक घेरा बनाने के रूप में सोचें जो यह गारंटी देता है कि वह 95% समय बारिश को पकड़ लेगा।
- लाभ: यह विधि छोटे डेटासेट के लिए गणितीय रूप से "बुलेटप्रूफ" है। यह गारंटी देती है कि आपका सुरक्षा क्षेत्र सही है, बिना इस जटिल धारणा के कि बारिश कैसे व्यवहार करती है। यह तेज़ और विश्वसनीय है।
"तूफानी दिन" वाला परिदृश्य (हेटरोसेडास्टिक - Heteroscedastic):
अब एक ऐसे दिन की कल्पना करें जहाँ मौसम अराजक है। सुबह, सब शांत है (कम अनिश्चितता), लेकिन दोपहर में, एक बवंडर आता है (उच्च अनिश्चितता)। आपको कितनी "हिलने-डुलने की गुंजाइश" (wiggle room) की आवश्यकता है, यह इस पर निर्भर करता है कि आप कहाँ हैं या क्या समय है।
- समस्या: "लगातार बारिश" वाली विधि यहाँ विफल हो जाती है क्योंकि यह पूरे दिन के लिए एक विशाल घेरा खींचती है। यह शांत सुबह के लिए बहुत बड़ी है और तूफानी दोपहर के लिए बहुत छोटी है।
- शोध पत्र का समाधान: वे एक k-निकटतम पड़ोसी (k-Nearest Neighbors - kNN) दृष्टिकोण पेश करते हैं। कल्पना करें कि आप एक विशिष्ट पड़ोस के लिए मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। पूरे शहर के इतिहास को देखने के बजाय, आप केवल उन 5 निकटतम पड़ोसों को देखते हैं जिनका मौसम के पैटर्न समान थे।
- जादू: यह सुरक्षा क्षेत्र को शांत होने पर छोटा करने और जंगली होने पर विस्तारित करने की अनुमति देता है। यह स्थानीय स्तर पर अनुकूलित होता है। हालांकि इसमें बहुत छोटे डेटासेट के लिए पहले तरीके जैसा "बुलेटप्रूफ" आश्वासन नहीं है, लेकिन यह जटिल, बदलते डेटा के लिए बहुत अधिक स्मार्ट है।

2. "अजीब" आकारों को संभालना (मेट्रिक स्पेस)

अधिकांश सांख्यिकी मानती है कि डेटा केवल संख्याओं की एक सूची है (जैसे ऊँचाई और वजन)। लेकिन आधुनिक चिकित्सा में, डेटा अजीब आकार का हो सकता है:

प्रायिकता वितरण (Probability Distributions): केवल यह कहने के बजाय कि "औसत ग्लूकोज स्तर 100 है," हम कह सकते हैं "यहाँ पूरे दिन ग्लूकोज के उतार-चढ़ाव की पूरी वक्र (curve) है।"
ग्राफ (Graphs): डेटा केवल एक संख्या नहीं है, बल्कि कनेक्शन का एक नेटवर्क है (जैसे मस्तिष्क का स्कैन या सामाजिक नेटवर्क)।

लेखकों का टूलकिट इन "अजीब आकार" वाली दुनियाओं में काम करता है। वे इन आकारों को किसी बॉक्स में जबरन नहीं डालते; वे आकारों के बीच की दूरी मापते हैं और उनके चारों ओर सुरक्षा क्षेत्र (बॉल्स) खींचते हैं।

3. वास्तविक दुनिया के परीक्षण (शोध पत्र ने वास्तव में क्या दिखाया)

लेखकों ने केवल सिद्धांत की बात नहीं की; उन्होंने अपने उपकरणों को वास्तविक चिकित्सा डेटा पर टेस्ट किया ताकि साबित हो सके कि वे काम करते हैं:

पार्किंसंस रोग की लिखावट: उन्होंने पार्किंसंस वाले लोगों और स्वस्थ लोगों द्वारा बनाई गई डिजिटल सर्पिल (spirals) आकृतियों का अध्ययन किया। उन्होंने स्वस्थ लोगों के आधार पर एक "सामान्य" क्षेत्र खींचने के लिए अपने "लगातार बारिश" वाले तरीके का उपयोग किया। उन्होंने पाया कि कई पार्किंसंस रोगियों के चित्र इस क्षेत्र से बाहर थे, जिससे पता चलता है कि यह विधि जटिल आकारों में अंतर को पहचान सकती है।
ग्लूकोज मॉनिटरिंग: उन्होंने मधुमेह रहित लोगों के निरंतर ग्लूकोज डेटा का विश्लेषण किया। केवल औसत शुगर लेवल को देखने के बजाय, उन्होंने दैनिक पैटर्न को एक एकल वस्तु (object) के रूप में माना। उन्होंने एक सुरक्षा क्षेत्र बनाया जो आयु के आधार पर बदलता है। उन्होंने पाया कि जैसे-जैसे लोग बूढ़े होते हैं, ग्लूकोज स्तर के लिए उनका "सुरक्षा क्षेत्र" चौड़ा होता जाता है, जिसका अर्थ है कि उम्रदराज वयस्कों में दिन भर शुगर के स्तर में अधिक परिवर्तनशीलता होती है।

4. यह क्यों मायने रखता है (मुख्य निष्कर्ष)

गति: उनके तरीके तेज़ हैं। वे सेकंडों में लाखों डेटा बिंदुओं को प्रोसेस कर सकते हैं, जबकि जटिल आकारों के लिए पुराने तरीकों को घंटों लग जाते हैं।
लचीलापन: आप किसी भी प्रेडिक्शन मॉडल (जैसे रैंडम फॉरेस्ट या न्यूरल नेटवर्क) का उपयोग कर सकते हैं और उनके अनिश्चितता टूल को उसके चारों ओर लपेट सकते हैं।
"स्मूथनेस" की आवश्यकता नहीं: कई पुराने तरीकों के लिए डेटा का पूरी तरह से स्मूथ और अनुमानित होना आवश्यक है। ये नए तरीके तब भी काम करते हैं जब डेटा टेढ़ा-मेढ़ा, असतत (discrete), या अव्यवस्थित हो।

संक्षेप में: यह शोध पत्र वैज्ञानिकों को यह कहने का एक नया तरीका देता है कि, "मैं X की भविष्यवाणी करता हूँ, और मैं 95% आश्वस्त हूँ कि वास्तविक उत्तर इस विशिष्ट आकार के भीतर है।" यह सरल संख्याओं के लिए काम करता है, लेकिन इससे भी महत्वपूर्ण बात यह है कि यह जटिल, वास्तविक दुनिया की वस्तुओं जैसे मेडिकल ग्राफ और टाइम-सीरीज डिस्ट्रीब्यूशन के लिए भी काम करता है, और डेटा की अराजकता के अनुसार अपने आत्मविश्वास के स्तर को अनुकूलित करता है।

तकनीकी सारांश: मेट्रिक स्पेस में कॉन्फॉर्मल और kNN प्रेडिक्टिव अनसर्टेन्टी क्वांटिफिकेशन एल्गोरिदम

1. समस्या की परिभाषा और प्रेरणा

यह शोध पत्र एक ऐसी रिग्रसन मॉडल के लिए प्रेडिक्टिव अनसर्टेन्टी क्वांटिफिकेशन (भविबंध अनिश्चितता परिमाणीकरण) की चुनौती को संबोधित करता है जहाँ रिस्पॉन्स वेरिएबल $Y$ एक सामान्य सेपरेबल मेट्रिक स्पेस $(\mathcal{Y}, d_1)$ में रहता है, और प्रेडिक्टर $X$ , $\mathbb{R}^p$ में है। लक्ष्य एक प्रेडिक्शन रीजन (भविष्यवाणी क्षेत्र) $C_\alpha(x) \subset \mathcal{Y}$ का निर्माण करना है ताकि $X=x$ दिए जाने पर, वास्तविक रिस्पॉन्स $Y$ कम से कम $1-\alpha$ प्रायिकता के साथ इस क्षेत्र के भीतर रहे।

लेखक मौजूदा विधियों, विशेष रूप से कॉन्फॉर्मल इन्फरेंस (Conformal Inference) में विशिष्ट सीमाओं की पहचान करते हैं:

रूढ़िवादिता (Conservatism): मानक कॉन्फॉर्मल विधियाँ अक्सर अत्यधिक रूढ़िवादी अंतराल (intervals) उत्पन्न करती हैं, विशेष रूप से हेटेरोसेडास्टिक (heteroscedastic) सेटिंग्स या उच्च-आयामी स्थानों में, जिससे सांख्यिकीय दक्षता में कमी आती है।
स्मूथनेस धारणाएँ (Smoothness Assumptions): मौजूदा मेट्रिक-स्पेस दृष्टिकोण (जैसे, झोउ और मुलर [2025]) कर्नल स्मूथिंग और विभेदन (differentiability) धारणाओं पर निर्भर करते हैं, जो डिस्क्रीट डेटा या जटिल गैर-यूक्लिडियन संरचनाओं के लिए प्रतिबंधात्मक हैं।
स्केलेबिलिटी (Scalability): फुल कॉन्फॉर्मल विधियाँ और डेप्थ-प्रोफाइल दृष्टिकोण बड़े डेटासेट के लिए कम्प्यूटेशनल रूप से महंगे हैं।
व्यापकता (Applicability): कई विधियाँ स्केलर रिस्पॉन्स या यूक्लिडियन प्रेडिक्टर्स तक सीमित हैं, जो डिजिटल हेल्थ में सामान्य "रैंडम ऑब्जेक्ट्स" जैसे कि प्रोबेबिलिटी डिस्ट्रीब्यूशन या ग्राफ को संभालने में विफल रहती हैं।

इस शोध पत्र का लक्ष्य एक ऐसा ढांचा विकसित करना है जो फाइनाइट-सैंपल मार्जिनल कवरेज गारंटी (होमोसेडास्टिक मामलों में) और लोकलली एडेप्टिव प्रेडिक्शन रेडियस (हेटेरोसेडास्टिक मामलों में) प्रदान करे, बिना किसी कठोर स्मूथनेस धारणा को थोपे, और कम्प्यूटेशनल रूप से स्केलेबल बना रहे।

2. कार्यप्रणाली (Methodology)

यह ढांचा रिग्रेशन फंक्शन $m(x)$ को कंडीशनल फ्रैचेट मीन (Conditional Fréchet Mean) के रूप में परिभाषित करता है:
$m(x) = \arg\min_{y \in \mathcal{Y}} \mathbb{E}[d_1^2(Y, y) \mid X = x]$
प्रेडिक्शन रीजन को एक मेट्रिक बॉल $C_\alpha(x) = B(m(x), r(x))$ के रूप में परिभाषित किया गया है, जहाँ रेडियस $r(x)$ , $d_2(Y, m(x))$ के कंडीशनल क्वांटाइल द्वारा निर्धारित होता है। लेखक दो अलग-अलग मेट्रिक्स के बीच अंतर करते हैं: $d_1$ (लॉस/रिग्रेशन के लिए उपयोग किया जाता है) और $d_2$ (प्रेडिक्शन रीजन को परिभाषित करने के लिए उपयोग किया जाता है), जो मॉडलिंग लचीलेपन की अनुमति देता है।

कार्यप्रणाली को तीन मुख्य घटकों में विभाजित किया गया है:

2.1 होमोसेडास्टिक केस: स्प्लिट कॉन्फॉर्मल प्रेडिक्शन

लेखक मेट्रिक स्पेस में होमोसेडास्टिकिटी की एक अवधारणा पेश करते हैं: $d_2(Y, m(x))$ की डिस्ट्रीब्यूशन $x$ से स्वतंत्र है।

एल्गोरिदम: डेटा को एक ट्रेनिंग सेट ( $D_{train}$ ) में सेंटर $\hat{m}(x)$ का अनुमान लगाने के लिए और एक कैलिब्रेशन सेट ( $D_{test}$ ) में ग्लोबल रेडियस का अनुमान लगाने के लिए विभाजित किया जाता है।
रेडियस एस्टीमेशन: रेडियस को कैलिब्रेशन स्कोर $\{d_2(Y_i, \hat{m}(X_i))\}_{i \in D_{test}}$ के एम्पिरिकल क्वांटाइल के रूप में सेट किया जाता है।
गारंटी: यह फाइनाइट-सैंपल मार्जिनल कवरेज गारंटी प्रदान करता है: $P(Y \in \hat{C}_\alpha(X)) \geq 1-\alpha$ ।
कनवर्जेंस (अभिसरण): लेखक हल्के नियमों के तहत कंसिस्टेंसी और फास्ट कन्वर्जेंस रेट्स सिद्ध करते हैं, जो विशेष रूप से फ्रैचेट मीन एस्टिमेटर और क्वांटाइल की कंसिस्टेंसी की आवश्यकता रखते हैं।

2.2 हेटेरोसेडास्टिक केस: लोकल kNN प्रोसीजर

उन सेटिंग्स के लिए जहाँ एरर्स का कंडीशनल डिस्ट्रीब्यूशन $x$ पर निर्भर करता है (हेटेरोसेडेस्टिसिटी), एक ग्लोबल रेडियस अक्षम होता है।

एल्गोरिदम: एक k-Nearest Neighbors (kNN) दृष्टिकोण प्रस्तावित किया गया है। एक नए बिंदु $x$ के लिए, प्रेडिक्शन रेडियस का अनुमान केवल $x$ के $k$ -निकटतम पड़ोस के कैलिब्रेशन पॉइंट्स का उपयोग करके लगाया जाता है।
डेटा-ड्रिवन सिलेक्शन ऑफ $k$ : नेबरहुड साइज $k$ को चुनने के लिए एक नया मानदंड पेश किया गया है। यह ग्लोबल एम्पिरिकल कवरेज (यह सुनिश्चित करना कि समग्र कवरेज $1-\alpha$ के करीब है) और लोकल एम्पिरिकल कवरेज (यह सुनिश्चित करना कि स्थानीय विचलन न्यूनतम हैं) के बीच संतुलन बनाता है। एल्गोरिदम इन बाधाओं को पूरा करने वाले सबसे छोटे $k$ का चयन करता है।
गारंटी: हालांकि यह विधि फाइनाइट-सैंपल कॉन्फॉर्मल गारंटी प्रदान नहीं करती है, लेखक एसिम्प्टोटिक कंसिस्टेंसी स्थापित करते हैं और अपेक्षित त्रुटि (expected error) पर फाइनाइट-सैंपल अपर बाउंड्स प्राप्त करते हैं। यह विधि स्मूथनेस धारणाओं से बचती है और प्रेडिक्टर स्पेस की स्थानीय ज्यामितीय संरचना के अनुकूल होती है।

2.3 टाइम सीरीज़ के लिए अनुक्रमिक विस्तार (Sequential Extension)

इस ढांचे को स्टेशनैरिटी और एर्गोडिसिटी मान्यताओं के तहत मेट्रिक-स्पेस-वैल्यूड टाइम सीरीज़ के लिए विस्तारित किया गया है।

विधि: ऐतिहासिक लैग ब्लॉक्स की वर्तमान स्थिति के साथ तुलना करने के लिए एक नियरेस्ट-नेबर एक्सपर्ट एग्रीगेशन विधि का उपयोग किया जाता है।
एग्रीगेशन: डेटा-एडेप्टिव रेडियस उत्पन्न करने के लिए पिनबॉल लॉस के आधार पर एक्सपोनेंशियल वेट्स का उपयोग करके लोकल क्वांटाइल एक्सपर्ट्स को संयोजित किया जाता है।
गारंटी: यह विधि एसिम्प्टोटिक टाइम-एवरेज कैलिब्रेशन गारंटी ( $\frac{1}{n}\sum P(Y_{t+1} \in \hat{C}_t) \to 1-\alpha$ ) प्रदान करती है, न कि फाइनाइट-सैंपल गारंटी।

3. प्रमुख योगदान

नया होमोसेडेस्टिसिटी डेफिनिशन: मेट्रिक स्पेस के लिए विशेष रूप से तैयार की गई होमोसेडेस्टिसिटी की एक परिभाषा, जो कुशल कॉन्फॉर्मल एल्गोरिदम के साथ फास्ट कन्वर्जेंस रेट्स को सक्षम बनाती है।
तीन एल्गोरिथमिक फ्रेमवर्क:
- होमोसेडास्टिक मेट्रिक स्पेस के लिए एक स्प्लिट-कॉन्फॉर्मल एल्गोरिदम जो फाइनाइट-सैंपल मार्जिनल गारंटी देता है।
- हेटेरोसेडास्टिक सेटिंग्स के लिए एक लोकल kNN एल्गोरिदम जो स्मूथनेस धारणाओं के बिना अच्छा कंडीशनल कैलिब्रेशन प्राप्त करता है।
- मेट्रिक स्पेस में टाइम सीरीज़ के लिए एक सीक्वेंशियल एक्सपर्ट-एग्रीगेशन मेथड।
सैद्धांतिक कंसिस्टेंसी: न्यूनतम शर्तों के तहत प्रस्तावित एस्टिमेटर्स के लिए कंसिस्टेंसी के प्रमाण (जो यूक्लिडियन साहित्य में आवश्यक शर्तों से भी कमजोर हैं)।
कम्प्यूटेशनल एफिशिएंसी: प्रस्तावित विधियाँ कम्प्यूटेशनल रूप से स्केलेबल हैं, जो सेकंडों में लाखों ऑब्जर्वेशन को प्रोसेस कर सकती हैं, जो डेप्थ-प्रोफाइल विधियों के विपरीत है जिन्हें छोटे डेटासेट के लिए भी घंटों लग जाते हैं।
लचीलापन (Flexibility): यह ढांचा किसी भी रिग्रेशन एल्गोरिदम (जैसे, रैंडम फॉरेस्ट, ग्लोबल फ्रैचेट रिग्रेशन, kNN) के साथ संगत है और नॉन-यूक्लिडियन रिस्पॉन्स (डिस्ट्रीब्यूशन, ग्राफ) और प्रेडिक्टर्स को हैंडल करता है।

4. परिणाम

4.1 सिमुलेशन स्टडी

लेखकों ने स्केलर-ऑन-स्केलर रिग्रेशन और मेट्रिक-स्पेस-वैल्यूड आउटकम्स पर इस ढांचे का मूल्यांकन किया।

प्रदर्शन: हेटेरोसेडास्टिक सेटिंग्स (लीनियर और नॉन-लीनियर) में, प्रस्तावित एडेप्टिव kNN विधि ने CQR और झोउ और मुलर [2025] के डेप्थ-प्रोफाइल मेथड जैसे प्रतिस्पर्धियों की तुलना में सबसे कम इंटीग्रेटेड स्क्वेर्ड कंडीशनल एरर (ISCE) और उच्चतम वर्स्ट-स्लाइस कवरेज (WSC) प्राप्त किया।
होमोसेडास्टिक सेटिंग्स: ग्लोबल कॉन्फॉर्मल मेथड ने CQR के साथ प्रतिस्पर्धी प्रदर्शन किया, जो पुष्टि करता है कि जब होमोसेडास्टिक धारणा लागू होती है तो यह कुशल है।
दक्षता: प्रस्तावित विधियाँ डेप्थ-प्रोफाइल दृष्टिकोण ( $n=3000$ के लिए 50 मिनट बनाम सेकंडों में) की तुलना में काफी तेज़ थीं।
मजबूती (Robustness): हेटेरोसेडास्टिक विधि ने कॉन्फॉर्मली कैलिब्रेटेड न होने पर भी अच्छा मार्जिनल कैलिब्रेशन बनाए रखा, हालांकि वर्स्ट-स्लाइस कवरेज के लिए छोटे-सैंपल स्थिरता को एक सीमा के रूप में नोट किया गया।

4.2 वास्तविक दुनिया के अनुप्रयोग

इस ढांचे को दो बायोमेडिकल डेटासेट्स पर लागू किया गया:

शेप एनालिसिस (पार्किंसंस रोग): हैंडराइटिंग ट्रेजेक्टरीज को रैंडम ऑब्जेक्ट्स के रूप में माना गया। विधि ने स्वस्थ नियंत्रणों (healthy controls) के लिए फ्रैचेट-सेंटर्ड रेफरेंस रीजन का निर्माण किया। पार्किंसंस के रोगियों की ट्रेजेक्टरीज अक्सर इन क्षेत्रों से बाहर गिर गईं, जो शेप-आधारित डिजिटल बायोमार्कर की क्षमता को दर्शाती हैं।
डिस्ट्रीब्यूशन-वैल्यूड ग्लूकोज मॉनिटरिंग: कंटीन्यूअस ग्लूकोज मॉनिटरिंग (CGM) डेटा को 2-वासरस्टीन स्पेस में प्रोबेबिलिटी डिस्ट्रीब्यूशन के रूप में दर्शाया गया। ग्लोबल फ्रैचेट रिग्रेशन और kNN रेडियस एस्टिमेटर का उपयोग करके, लेखकों ने आयु-विशिष्ट प्रेडिक्शन रीजन का निर्माण किया। परिणामों ने दिखाया कि प्रेडिक्शन रीजन (वेरिएबिलिटी) उम्र के साथ चौड़े होते जाते हैं, जो उन वितरण परिवर्तनों को कैप्चर करते हैं जो स्केलर सारांशों में दिखाई नहीं देते हैं।

5. महत्व और दावे

यह शोध पत्र मेट्रिक स्पेस में अनसर्टेन्टी क्वांटिफिकेशन के लिए एक सामान्य, लचीला और कम्प्यूटेशनल रूप से कुशल ढांचा प्रदान करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

अंतराल को पाटना: यह मौजूदा मेट्रिक-स्पेस विधियों की प्रतिबंधात्मक स्मूथनेस धारणाओं पर निर्भर किए बिना कॉन्फॉर्मल प्रेडिक्शन और लोकल कैलिब्रेशन तकनीकों को नॉन-यूक्लिडियन सेटिंग्स तक विस्तारित करता है।
व्यावहारिक उपयोगिता: जटिल रैंडम ऑब्जेक्ट्स (डिस्ट्रीब्यूशन, ग्राफ) को तेज़ कम्प्यूटेशन के साथ संभालने की क्षमता इस ढांचे को आधुनिक डिजिटल हेल्थ और पर्सनलाइज्ड मेडिसिन अनुप्रयोगों के लिए उपयुक्त बनाती है।
सैद्धांतिक कठोरता: यह न्यूनतम धारणाओं के तहत कंसिस्टेंसी और कन्वर्जेंस रेट्स स्थापित करता है, जो केवल एसिम्प्टोटिक-आधारित विधियों के लिए एक मजबूत विकल्प प्रदान करता है।
अनुकूलन क्षमता: नेबरहुड साइज का डेटा-ड्रिवन चयन विधि को स्थानीय हेटेरोसेडेस्टिसिटी के अनुकूल होने की अनुमति देता है, जिससे वहां बेहतर कंडीशनल कैलिब्रेशन प्राप्त होता है जहां ग्लोबल विधियां विफल हो जाती हैं।

लेखक विनम्रतापूर्वक नोट करते हैं कि जबकि यह विधि होमोसेडास्टिक मामलों में मजबूत मार्जिनल गारंटी और हेटेरोसेडास्टिक मामलों में अच्छा कंडीशनल कैलिब्रेशन प्रदान करती है, अत्यधिक नॉन-स्फेरिकल डिस्ट्रीब्यूशन के लिए मेट्रिक बॉल्स का उपयोग रूढ़िवादी हो सकता है। भविष्य के कार्य के रूप में मेट्रिक बॉल्स से परे अधिक लचीले प्रेडिक्शन रीजन तलाशने का सुझाव दिया गया है।