📊 statistics

Simulation-Based Inference via Regression Projection and Batched Discrepancies

यह शोध पत्र एक हल्के, समानांतर करने योग्य (parallelizable) सिमुलेशन-आधारित अनुमान पद्धति को प्रस्तुत करता है जो एक सुसंगत छद्म-पश्च (pseudo-posterior) का निर्माण करने के लिए एक एकल फिट किए गए प्रतिगमन प्रक्षेप (regression projection) और बैच किए गए विचलनों (discrepancies) का उपयोग करता है, जबकि यह इसके स्पर्शोन्मुखी व्यवहार (asymptotic behavior) को सैद्धांतिक रूप से अभिलक्षणिक बनाता है और गैररेखीय एवं ब्रह्मांडीय मॉडलों पर इसकी कम्प्यूटेशनल दक्षता और पहचान क्षमता (identifiability) के बीच के समझौतों को प्रदर्शित करता है।

मूल लेखक: Arya Farahi, Jonah Rose, Paul Torrey

प्रकाशित 2026-02-04

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Arya Farahi, Jonah Rose, Paul Torrey

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास अपराध स्थल की तस्वीरें नहीं हैं। इसके बजाय, आपके पास एक बहुत ही शक्तिशाली, जटिल कंप्यूटर सिम्युलेटर है जो शून्य से अपराध स्थल को फिर से बना सकता है। हालाँकि, यह सिम्युलेटर एक "ब्लैक बॉक्स" है: आप इसके अंदर के गणित को नहीं देख सकते, और आप किसी विशिष्ट संदिग्ध के अपराधी होने की संभावना की आसानी से गणना नहीं कर सकते।

यह शोध पत्र सिमुलेशन-बेस्ड इन्फरेंस वाया रिग्रेशन प्रोजेक्शन (Simulation-Based Inference via Regression Projection) नामक एक चतुर, हल्का तरीका पेश करता है। यह कैसे काम करता है, इसे सरल अवधारणाओं और उपमाओं में यहाँ समझाया गया है।

समस्या: "ब्लैक बॉक्स" सिम्युलेटर

कॉस्मोलॉजी (ब्रह्मांड का अध्ययन) या जलवायु विज्ञान जैसे क्षेत्रों में, वैज्ञानिक दुनिया कैसे काम करती है, इसका मॉडल बनाने के लिए विशाल सिम्युलेटर का उपयोग करते हैं। ये सिम्युलेटर छिपे हुए "नॉब्स" (पैरामीटर्स, जैसे डार्क मैटर का घनत्व या सुपरनोवा की गति) के एक सेट को लेते हैं और एक सिमुलेशन निकालते हैं कि हमें क्या देखना चाहिए।

समस्या यह है कि हमारे पास वास्तविक दुनिया का डेटा (वास्तविक अपराध स्थल) है, लेकिन हम सिम्युलेटर के आउटपुट के साथ आसानी से तुलना नहीं कर सकते क्योंकि गणित बहुत जटिल है। पारंपरिक तरीकों के लिए अक्सर भारी कंप्यूटिंग शक्ति या जटिल न्यूरल नेटवर्क की आवश्यकता होती है।

समाधान: "रफ ड्राफ्ट" की जाँच

सिमुलेशन के हर एक विवरण को वास्तविकता से मिलाने की कोशिश करने के बजाय (जो कि समुद्र तट पर रेत के हर एक कण को मिलाने जैसा है), यह विधि एक सरोगेट लीनियर रिग्रेशन (surrogate linear regression) का उपयोग करती है।

इसे डेटा बिंदुओं के बिखरे हुए बादल के माध्यम से एक सीधी रेखा खींचने के रूप में समझें।

पहला चरण (प्रॉक्सी): शोधकर्ता वास्तविक दुनिया के डेटा को देखते हैं और उसके माध्यम से एक साधारण सीधी रेखा फिट करते हैं। उन्हें जटिल वक्रों या शोर (noise) की परवाह नहीं है; वे बस "सर्वश्रेष्ठ फिट" ढलान (slope) और इंटरसेप्ट (intercept) चाहते हैं। आइए इसे "रफ ड्राफ्ट" कहें।
दूसरा चरण (सिमुलेशन): वे अपने सिम्युलेटर के नॉब्स को अलग-अलग सेटिंग्स पर घुमाते हैं। प्रत्येक सेटिंग के लिए, वे सिमुलेशन का एक छोटा बैच चलाते हैं।
तीसरा चरण (विसंगति की जाँच): प्रत्येक सिमुलेशन बैच के लिए, वे अपने स्वयं के "रफ ड्राफ्ट" रेखा को सिम्युलेटेड डेटा के माध्यम से खींचते हैं। फिर, वे जाँचते हैं: इस सिम्युलेटेड रेखा का औसत, वास्तविक डेटा की "रफ ड्राफ्ट" रेखा से कितनी दूर है?
- यदि सिम्युलेटेड रेखा वास्तविक रेखा के करीब है, तो सिमुलेशन को उच्च स्कोर मिलता है (यह एक अच्छा उम्मीदवार है)।
- यदि सिम्युलेटेड रेखा बहुत दूर है, तो सिमुलेशन को कम स्कोर मिलता है (यह एक खराब उम्मीदवार है)।

जादू: यह तेज़ और सुरक्षित क्यों है

यह विधि दो कारणों से विशेष है:

यह एक "बैच" प्रक्रिया है: यह एक बार में एक सिमुलेशन की जाँच करने के बजाय, समूहों (बैच) की जाँच करती है। यह इसे अविश्वसनीय रूप से तेज़ बनाता है और इसे एक साथ कई कंप्यूटरों पर चलाना आसान बनाता है (पैरलेलाइज़ेबल)।
यह गोपनीयता-अनुकूल है: एक बार जब शोधकर्ता वास्तविक डेटा से "रफ ड्राफ्ट" रेखा (ढलान और इंटरसेप्ट) की गणना कर लेते हैं, तो वे कच्चा डेटा (raw data) फेंक देते हैं। उन्हें फिर कभी संवेदनशील, कच्चे अवलोकन साझा करने की आवश्यकता नहीं होती है। उन्हें केवल उन सरल संख्याओं (गुणांकों/coefficients) को साझा करने की आवश्यकता होती है जो रेखा को परिभाषित करती हैं। यह गोपनीयता या जब डेटा मालिकाना (proprietary) हो, तो बहुत उपयोगी है।

कमी: "धुंधला लेंस"

यह शोध पत्र अपनी सीमाओं के बारे में बहुत ईमानदार है। क्योंकि यह केवल एक सरल सीधी रेखा (एक निम्न-आयामी सारांश) को देखता है न कि पूरी जटिल तस्वीर को, इसलिए यह हमेशा सिम्युलेटर के नॉब्स के लिए सटीक सही सेटिंग का पता नहीं लगा सकता है।

सिलुएट (परछाईं) की उपमा:
कल्पना कीजिए कि आप केवल दीवार पर एक व्यक्ति की छाया देखकर उसकी पहचान करने की कोशिश कर रहे हैं।

यदि छाया बहुत विशिष्ट है, तो आप जान सकते हैं कि वह कौन है।
लेकिन अक्सर, कई लोग एक ही तरह की छाया बना सकते हैं।

इस शोध पत्र में, "छाया" लीनियर रिग्रेशन रेखा है। यह विधि बता सकती है कि कौन सी सेटिंग्स सही छाया बनाती हैं, लेकिन यह यह नहीं बता पाएगी कि किस विशिष्ट व्यक्ति (पैरामीटर सेट) ने वह छाया बनाई यदि कई लोग उस कोण से एक जैसे दिखते हैं।

पॉइंट आइडेंटिफिकेशन (बिंदु पहचान): एक एकमात्र सही उत्तर खोजना। (इस विधि के साथ कठिन है)।
सेट आइडेंटिफिकेशन (सेट पहचान): उत्तरों के एक समूह को खोजना जो सभी सही दिखते हैं। (यह विधि अच्छी तरह से करती है)।

यह शोध पत्र गणितीय रूप से सिद्ध करता है कि जैसे-जैसे आप अधिक सिमुलेशन चलाते हैं और "बैच" का आकार बड़ा होता जाता है, यह विधि बेहतर और अधिक स्थिर होती जाती है। यह गारंटी देता है कि विधि अंततः सही "छाया" पर स्थिर हो जाएगी, भले ही वह छाया एक एकल बिंदु के बजाय सेटिंग्स की एक पूरी श्रृंखला से संबंधित हो।

शोध पत्र के वास्तविक उदाहरण

शोधकर्ताओं ने इसे दो तरह से परखा:

एक गणितीय पहेली: उन्होंने एक नकली समस्या बनाई जहाँ वास्तविक उत्तर एक जटिल वक्र (curve) था, लेकिन उन्होंने विधि को एक सीधी रेखा का उपयोग करने के लिए मजबूर किया। जैसा कि अनुमानित था, विधि ने संभावित उत्तरों के एक वक्र "लाइन" को खोजा जो डेटा में फिट बैठता था, न कि एक एकल बिंदु को। इसने साबित किया कि यह काम करता है लेकिन एकल अद्वितीय उत्तर खोजने में इसकी सीमा को भी दिखाया।
कॉस्मोलॉजी (ब्रह्मांड): उन्होंने आकाशगंगाओं के निर्माण के एक विशाल सिमुलेशन का उपयोग किया। वे यह पता लगाना चाहते थे कि "सुपरनोवा विंड स्पीड" और "ब्लैक होल फीडबैक" जैसी चीजों के लिए सही सेटिंग्स क्या हैं।
- विधि ने उन सेटिंग्स को सफलतापूर्वक फ़िल्टर कर दिया जो आकाशगंगाओं को वास्तविक ब्रह्मांड जैसा बिल्कुल नहीं दिखने देती थीं।
- इसने संभावनाओं को "तर्कसंगत" सेटिंग्स के एक विशिष्ट क्षेत्र तक सीमित कर दिया।
- इसने दिखाया कि विभिन्न प्रकार के गैलेक्सी डेटा (जैसे आकाशगंगाएँ कितनी भारी हैं बनाम वे कितनी तेज़ी से घूमती हैं) को जोड़कर, वे कुछ "छायाओं" को तोड़ सकते हैं और ब्रह्मांड के भौतिकी की अधिक स्पष्ट तस्वीर प्राप्त कर सकते हैं।

निष्कर्ष

यह शोध पत्र जटिल वैज्ञानिक सिम्युलेटर को कैलिब्रेट करने का एक तेज़, सरल और गोपनीयता-सुरक्षित तरीका प्रस्तावित करता है। यह एक एकल, पूर्ण उत्तर खोजने की क्षमता के बदले में, बिना संवेदनशील कच्चा डेटा साझा किए, उत्तरों की एक तर्कसंगत रेंज को जल्दी से खोजने की क्षमता का व्यापार करता है। यह हर उंगली के निशान का हफ्तों तक विश्लेषण करने के बजाय गलत संदिग्धों को खारिज करने के लिए एक त्वरित स्केच का उपयोग करने जैसा है।

तकनीकी सारांश: रिग्रेशन प्रोजेक्शन और बैच विसंगतियों के माध्यम से सिमुलेशन-आधारित अनुमान (Simulation-Based Inference)

समस्या विवरण
कॉस्मोलॉजी, जलवायु विज्ञान और सिस्टम्स बायोलॉजी जैसे क्षेत्रों में जटिल वैज्ञानिक सिमुलेटर अक्सर स्टोकेस्टिक जेनेरेटिव मॉडल के माध्यम से यांत्रिक ज्ञान को संहिताबद्ध करते हैं, जहाँ संभावना फलन (likelihood function) $p(y | \theta)$ विश्लेषणात्मक रूप से अव्यवहार्य या अत्यधिक महंगा होता है। इसके लिए 'सिमुलेशन-आधारित अनुमान' (SBI) या 'लाइकलीहुड-फ्री' विधियों की आवश्यकता होती है। जबकि शास्त्रीय एप्रोक्सिमेट बेयसियन कम्प्यूटेशन (ABC) और आधुनिक एमोर्टाइज्ड न्यूरल विधियाँ मौजूद हैं, वे महत्वपूर्ण चुनौतियों का सामना करती हैं:

शास्त्रीय ABC: यह सावधानीपूर्वक इंजीनियर किए गए समरी स्टैटिस्टिक्स (summary statistics) पर निर्भर करता है, विसंगति स्पेस (discrepancy spaces) में आयामीता के अभिशाप (curse of dimensionality) से ग्रस्त है, और टॉलरेंस पैरामीटर्स के ट्यूनिंग की आवश्यकता होती है।
एमोर्टाइज्ड न्यूरल विधियाँ: इन्हें बड़े सिमुलेशन वॉल्यूम पर व्यापक प्रशिक्षण की आवश्यकता होती है, ये नेटवर्क आर्किटेक्चर के माध्यम से मॉडलिंग धारणाएँ पेश करती हैं, और इनसे ओवरकॉन्फिडेंट या खराब तरीके से कैलिब्रेटेड पोस्टीरियर्स प्राप्त हो सकते हैं।
डेटा संबंधी बाधाएं: कई वैज्ञानिक संदर्भों में, कच्चा अवलोकन संबंधी डेटा (raw observational data) मालिकाना, संवेदनशील या सख्त शासन के अधीन होता है, जो मानक SBI वर्कफ़्लो के लिए आवश्यक प्रत्यक्ष साझाकरण या भंडारण को रोकता है।

मौजूदा दृष्टिकोण जो लॉस फंक्शन को परिभाषित करने के लिए सरोगेट मॉडल का उपयोग करते हैं, वे सीमित डेटा से अनुमानित सरोगेट के संबंध में पहचान क्षमता (identifiability), निरंतरता (consistency) और स्थिरता (stability) के बारे में औपचारिक सैद्धांतिक गारंटी की कमी रखते हैं।

कार्यप्रणाली (Methodology)
यह शोधपत्र एक हल्का (lightweight) SBI तरीका प्रस्तावित करता है जो केवल देखे गए डेटा के रिग्रेशन-आधारित प्रोजेक्शन का उपयोग करके सिम्युलेटर पैरामीटर $\theta$ का अनुमान लगाता है। यह प्रक्रिया इस प्रकार कार्य करती है:

सरोगेट लीनियर रिग्रेशन: देखे गए डेटा $D_{obs} = \{(x_i, y_i)\}_{i=1}^n$ पर एक लीनियर सरोगेट मॉडल फिट किया जाता है। मॉडल मानता है कि $y \approx \beta^\top x$ , जहाँ $\hat{\beta}$ लीस्ट-स्क्वायर्स एस्टीमेटर है। यह गुणांक $\hat{\beta}$ डेटा के एक लो-डायमेंशनल सारांश के रूप में कार्य करता है।
बैच्ड सिमुलेशन: प्रस्तावित पैरामीटर ड्रॉ $\theta_j \sim p(\theta)$ के एक सेट के लिए, सिमुलेटर डेटा के स्वतंत्र बैच $\{(X_{j,m}, Y_{j,m})\}_{m=1}^M$ उत्पन्न करता है।
बैच विसंगति (Batch Discrepancy): प्रत्येक बैच के लिए, निश्चित सरोगेट गुणांकों का उपयोग करके माध्य अवशेष (mean residual) की गणना की जाती है:
$R_{\theta_j} = \frac{1}{M} \sum_{m=1}^M (Y_{j,m} - \hat{\beta}^\top X_{j,m})$
कर्नेल वेटिंग (Kernel Weighting): एक सेल्फ-नॉर्मलाइज्ड स्यूडो-पोस्टीरियर का निर्माण किया जाता है, जिसमें प्रत्येक पैरामीटर ड्रॉ को बैच अवशेष के परिमाण के आधार पर भार (weight) दिया जाता है:
$w_j \propto \exp\left(-\frac{R_{\theta_j}^2}{2\tau^2}\right)$
जहाँ $\tau$ एक बैंडविड्थ पैरामीटर है। परिणामी माप $\Pi_{n_\theta}$ , पैरामीटर स्पेस पर डिराक मासों (Dirac masses) का एक भारित योग है।

महत्वपूर्ण रूप से, एक बार $\hat{\beta}$ की गणना हो जाने के बाद, अनुमान चरण (inference step) के लिए कच्चे अवलोकन संबंधी डेटा की अब आवश्यकता नहीं होती है, जो गोपनीयता-संरक्षण (privacy-preserving) कैलिब्रेशन को सक्षम बनाता है।

प्रमुख सैद्धांतिक योगदान
लेखक इस पद्धति को एक जनसंख्या लक्ष्य (population target) के इम्पोर्टेंस-सैंपलिंग सन्निकटन (approximation) के रूप में औपचारिक रूप देते हैं और इसके कई सैद्धांतिक गुणों को स्थापित करते हैं:

निरंतरता और अभिसरण (Consistency and Convergence): यह दिखाया गया है कि एम्पिरिकल स्यूडो-पोस्टीरियर $n_\theta \to \infty$ होने पर एक जनसंख्या लक्ष्य $\pi_{M,\tau}$ का एक सुसंगत एस्टीमेटर है। इसके अलावा, जैसे-जैसे बैच आकार $M \to \infty$ और बैंडविड्थ $\tau \to 0$ (साथ ही $M\tau^2 \to \infty$ ) होता है, जनसंख्या लक्ष्य एक पहचाने गए सेट (identified set) के आसपास केंद्रित होता है।
स्थिरता (Stability): विधि को सरोगेट गुणांकों की एस्टीमेशन एरर के प्रति स्थिर सिद्ध किया गया है। यदि $\hat{\beta}$ अपने जनसंख्या सीमा $\beta^\circ$ की ओर संभाव्यता में अभिसरित होता है, तो परिणामी स्यूडो-पोस्टीरियर उसी सीमा की ओर अभिसरित होता है जैसा कि $\beta^\circ$ ज्ञात होने पर होता।
पहचान क्षमता और एकाग्रता (Identifiability and Concentration): शोधपत्र स्यूडो-पोस्टीरियर के एसिम्प्टोटिक कंसंट्रेशन (asymptotic concentration) को स्पष्ट करता है। यह सेट $\Theta^\dagger = \arg\min_{\theta} \mu^\circ(\theta)^2$ $Θ^{†} = ar g min_{θ} μ^{\circ} (θ)^{2}$ पर केंद्रित होता है, जहाँ $\mu^\circ(\theta)$ $μ^{\circ} (θ)$ वास्तविक डेटा-जेनरेटिंग लॉ और सर्वोत्तम लीनियर प्रोजेक्शन के तहत अपेक्षित अवशेष है।
- लेखक स्पष्ट करते हैं कि यह विधि आमतौर पर पॉइंट आइडेंटिफिकेशन के बजाय सेट आइडेंटिफिकेशन प्रदान करती है। यदि लीनियर प्रोजेक्शन विभिन्न पैरामीटर मानों के बीच अंतर करने के लिए अपर्याप्त है (अर्थात, कई $\theta$ समान अपेक्षित अवशेष उत्पन्न करते हैं), तो पोस्टीरियर उन पैरामीटर्स वाले एक लो-डायमेंशनल मैनिफोल्ड पर केंद्रित होता है।
- वास्तविक पैरामीटर सेट $\Theta^\star$ , पहचाने गए सेट $\Theta^\dagger$ का एक उपसमुच्चय है, लेकिन $\Theta^\dagger$ सख्ती से $\Theta^\star$ से बड़ा हो सकता है यदि समरी स्टैटिस्टिक पूरी तरह से सूचनात्मक नहीं है।

प्रायोगिक परिणाम
शोधपत्र दो प्रयोगों के माध्यम से पद्धति को मान्य करता है:

ट्रैक्टेबल नॉनलीन मॉडल: एक 2D समस्या जहाँ वास्तविक डेटा जेनरेशन नॉनलीन है ( $Y \sim \theta_1 \log X + \theta_0 X$ $Y \sim θ_{1} lo g X + θ_{0} X$ ) लेकिन सरोगेट एक मिसस्पेसिफाइड लीनियर रिग्रेशन है।
- परिणाम: स्यूडो-पोस्टीरियर सफलतापूर्वक पैरामीटर स्पेस में एक घुमावदार एक-आयामी मैनिफोल्ड पर केंद्रित होता है जो देखे गए लीनियर ट्रेंड को पुनरुत्पादित करता है। यह वास्तविक पोस्टीरियर मास को कवर करता है लेकिन पॉइंट आइडेंटिफिकेशन प्राप्त करने में विफल रहता है, जो कि सैद्धांतिक भविष्यवाणी की पुष्टि करता है कि यह विधि पूर्ण लाइकलीहुड के बजाय प्रोजेक्शन के अनुरूप पैरामीटर्स को पहचानती है।
कॉस्मोलॉजिकल कैलिब्रेशन (DREAMS): गैलेक्सी स्केलिंग संबंधों (स्टेलर मास-हेलो मास और ब्लैक होल मास-स्टेलर वेलोसिटी डिस्पर्शन) से एस्ट्रोफिजिकल पैरामीटर्स (सुपरनोवा फीडबैक एनर्जी, विंड स्पीड, AGN कपलिंग) को इन्फर करने के लिए DREAMS सिमुलेशन सूट का अनुप्रयोग।
- परिणाम: विधि विभिन्न रेडशिफ्ट्स ( $z=0$ और $z=1$ ) और स्केलिंग संबंधों को जोड़कर पैरामीटर्स के बीच की डिजेनरेसी (degeneracy) को सफलतापूर्वक तोड़ देती है (जैसे, सुपरनोवा फीडबैक एनर्जी और विंड स्पीड के बीच)। भारित वितरण देखे गए डेटा की ओर महत्वपूर्ण रूप से शिफ्ट होते हैं, जो पूर्ण लाइकलीहुड-आधारित दृष्टिकोणों की तुलना में कम कम्प्यूटेशनल प्रयास के साथ भौतिक रूप से प्रशंसनीय क्षेत्रों को पहचानने की क्षमता प्रदर्शित करते हैं।

महत्व और दावे
शोधपत्र प्रस्तावित पद्धति को 'लाइकलीहुड-फ्री इन्फरेंस' टूलकिट में एक "सरल और सिद्धांत आधारित जुड़ाव" के रूप में प्रस्तुत करता है, इसके तीन मुख्य लाभों पर जोर देता है:

कम्प्यूटेशनल दक्षता और स्केलेबिलिटी: यह विधि बैचों की संख्या के रैखिक (linear) है, आसानी से समानांतर (parallelizable) की जा सकती है, और न्यूरल SBI विधियों की भारी ट्रेनिंग लागतों से बचती है।
गोपनीयता और डेटा गवर्नेंस: चूंकि इसे कच्चे डेटा के बजाय केवल फिट किए गए रिग्रेशन गुणांकों $\hat{\beta}$ की आवश्यकता होती है, यह उन सेटिंग्स में अनुमान लगाना सुगम बनाता है जहाँ डेटा साझाकरण प्रतिबंधित है।
व्याख्यात्मकता (Interpretability): यह विधि पहचान क्षमता (identifiability) का एक पारदर्शी दृश्य प्रदान करती है। परिणामी स्यूडो-पोस्टीरियर की ज्यामिति समरी स्टैटिस्टिक (लीनियर प्रोजेक्शन) की सीमाओं को सीधे प्रकट करती है।

सीमाएं और दायरा
लेखक स्पष्ट रूप से कहते हैं कि स्यूडो-पोस्टीरियर को सटीक बेयसियन पोस्टीरियर के रूप में नहीं समझा जाना चाहिए।

पहचान क्षमता की सीमाएं: यह विधि समरी स्टैटिस्टिक्स में निहित "आयामीता के अभिशाप" (curse of dimensionality) के अधीन है; यदि लीनियर प्रोजेक्शन पॉइंट आइडेंटिफिकेशन के लिए आवश्यक जानकारी को हटा देता है, तो विधि केवल उन पैरामीटर्स के सेट को रिकवर करेगी जो अविभेद्य (indistinguishable) हैं।
वर्कफ़्लो में भूमिका: शोधपत्र सुझाव देता है कि यह पद्धति एक्सप्लोरेटरी एनालिसिस, मॉडल चेकिंग और प्रारंभिक कैलिब्रेशन के लिए सबसे उपयुक्त है। यह एक तेज़, स्थिर प्रथम परत के रूप में कार्य करती जिसे समृद्ध सारांशों या अधिक अभिव्यंजक SBI तकनीकों के साथ एकीकृत किया जा सकता है जब उच्च फिडेलिटी या पूर्ण पोस्टीरियर सटीकता की आवश्यकता हो।

संक्षेप में, यह शोधपत्र रिग्रेशन-प्रोजेक्शन-आधारित SBI के लिए पहला औपचारिक सैद्धांतिक औचित्य प्रदान करता है, इसके अभिसरण गुणों और उन विशिष्ट स्थितियों को स्पष्ट करता है जिनके तहत यह पॉइंट बनाम सेट आइडेंटिफिकेशन प्रदान करता है, साथ ही जटिल कॉस्मोलॉजिकल कैलिब्रेशन कार्यों में इसकी व्यावहारिक उपयोगिता को भी प्रदर्शित करता है।