⚡ electrical engineering

eCP: Equivariant Conformal Prediction with pre-trained models

यह शोध पत्र eCP का प्रस्ताव करता है, जो प्री-ट्रेन्ड मॉडल्स के ग्रुप-एवरेजिंग के माध्यम से ज्यामितीय समरूपता (geometric symmetry) को एकीकृत करके लॉन्ग-होरिज़न अनसर्टेंटी क्वांटिफिकेशन के लिए कॉन्फॉर्मल प्रेडिक्शन को उन्नत करने की एक विधि है, जिससे गैर-अनुरूपता स्कोर (non-conformity scores) में प्रमाणिक रूप से कमी आती है और विशेष रूप से उच्च विश्वास स्तरों पर अधिक सटीक प्रेडिक्शन सेट्स प्राप्त होते हैं।

मूल लेखक: Nikolaos Bousias, Lars Lindemann, George Pappas

प्रकाशित 2026-04-21

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nikolaos Bousias, Lars Lindemann, George Pappas

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 जो किसी तूफान के रास्ते की भविष्यवाणी करने की कोशिश कर रहे हैं। आप जानते हैं कि तूफान आगे बढ़ रहा है, लेकिन आप इस बारे में 100% निश्चित नहीं हैं कि कल वह ठीक कहाँ जाएगा। सुरक्षित रहने के लिए, आप मानचित्र पर एक विशाल घेरा खींचते हैं और कहते हैं, "तूफान निश्चित रूप से इस बड़े क्षेत्र के भीतर कहीं होगा।"

यह कुछ हद तक कॉन्फॉर्मल प्रेडिक्शन (CP) जैसा है। यह एक गणितीय उपकरण है जिसका उपयोग AI यह कहने के लिए किया जाता है कि, "मुझे 95% यकीन है कि उत्तर इस बॉक्स के भीतर है।" समस्या यह है कि जैसे-जैसे AI भविष्य में और आगे देखने की कोशिश करता है (जैसे 1 दिन के बजाय 5 दिन बाद के तूफान की भविष्यवाणी करना), वह "सुरक्षित बॉक्स" इतना बड़ा हो जाता है कि वह बेकार हो जाता है। वह कह सकता है, "तूफान पूरे देश में कहीं भी हो सकता है!" यह तकनीकी रूप से सही है, लेकिन योजना बनाने के लिए बहुत उपयोगी नहीं है।

यह पेपर एक नई तकनीक पेश करता है जिसे eCP (इक्विवेरिएंट कॉन्फॉर्मल प्रेडिक्शन) कहा जाता है, जो सुरक्षा गारंटी खोए बिना उस बॉक्स को छोटा करने का काम करती है। यह कैसे काम करता है, इसके लिए कुछ रोज़मर्रा के उदाहरणों का उपयोग किया गया है।

समस्या: "भ्रमित" AI

कल्पना कीजिए कि आप एक रोबोट को कुर्सी पहचानना सिखा रहे हैं। आप उसे एक कुर्सी दिखाते हैं, फिर उसी कुर्सी को तिरछा करके दिखाते हैं, फिर उसे उल्टा करके दिखाते हैं।

स्टैंडर्ड AI: यदि आप रोबत से पूछते हैं, "क्या यह एक कुर्सी है?" तो वह सीधी रखी कुर्सी के लिए "हाँ" कह सकता है, लेकिन तिरछी रखी कुर्सी को देखकर भ्रमित हो सकता है और "शायद" कह सकता है, भले ही वह बिल्कुल वही वस्तु हो।
परिणाम: जब रोबोट यह भविष्यवाणी करने की कोशिश करता है कि एक पैदल यात्री (चलते हुए व्यक्ति) कहाँ जाएगा, तो वह कैमरे के कोण या व्यक्ति के किस दिशा में मुड़ने से भ्रमित हो जाता है। यह भ्रम इसकी "सुरक्षा बॉक्स" (अनिश्चितता क्षेत्र) को अनावश्यक रूप से बड़ा बना देता है।

समाधान: "ग्रुप हग" (सममिति/Symmetry)

लेखकों ने महसूस किया कि वास्तविक दुनिया की कई समस्याओं में सममिति (Symmetry) होती है। एक कुर्सी तब भी कुर्सी ही रहती है चाहे उसे 90 डिग्री घुमाया जाए या उल्टा किया जाए। उत्तर की ओर चलता हुआ व्यक्ति वही काम कर रहा है जो दक्षिण की ओर चलता हुआ व्यक्ति कर रहा है, बस दिशा अलग है।

eCP एक चतुर तकनीक का उपयोग करता है जिसे "ग्रुप एवरेजिंग" (Group Averaging) कहा जाता है।

इसे इस तरह सोचें:

पुराना तरीका: AI उत्तर की ओर चलते हुए एक व्यक्ति को देखता है और एक भविष्यवाणी करता है। फिर वह पूर्व की ओर चलते हुए एक व्यक्ति को देखता है और एक अलग भविष्यवाणी करता है। क्योंकि AI कोणों से थोड़ा भ्रमित है, इसलिए ये दो भविष्यवाणियाँ थोड़ी अलग होती हैं, जिससे अनिश्चितता का एक चौड़ा, बिखरा हुआ बादल बन जाता है।
eCP का तरीका: अंतिम भविष्यवाणी करने से पहले, eCP कहता है, "एक मिनट रुकिए। आइए मान लेते हैं कि यह व्यक्ति एक ही समय में हर संभव दिशा में चल रहा है।"
- यह AI की भविष्यवाणी लेता है।
- यह भविष्यवाणी को 90 डिग्री, 180 डिग्री, आदि घुमाता है।
- यह उन सभी घुमाई गई भविष्यवाणियों का औसत (Average) निकालता है।

जादुई उपमा: "धुंधलापन" बनाम "स्पष्टता"

कल्पना कीजिए कि आप एक घूमते हुए पंखे की फोटो खींचने की कोशिश कर रहे हैं।

eCP के बिना: आप एक फोटो लेते हैं, और वह धुंधली होती है क्योंकि पंखा चल रहा है। आप उस धुंधलेपन के चारों ओर एक बड़ा घेरा खींचते हैं ताकि यह कह सकें, "पंखे की पंखुड़ियाँ निश्चित रूप से यहीं कहीं हैं।"
eCP के साथ: आप महसूस करते हैं कि पंखा पूरी तरह से सममित (Symmetrical) है। इसलिए, केवल एक धुंधली तस्वीर देखने के बजाय, आप पंखे के घूमने की 10 तस्वीरें लेते हैं, उन्हें इस तरह घुमाते हैं कि वे एक-दूसरे के ऊपर आ जाएं, और उनका औसत निकालते हैं। इससे धुंधलापन खत्म हो जाता है और आपको पंखे का केंद्र एकदम स्पष्ट दिखाई देता है।

कोणों और दिशाओं के कारण होने वाले भ्रम को "औसत" निकालकर, eCP AI की अनिश्चितता से "शोर" (Noise) को हटा देता है।

यह क्यों महत्वपूर्ण है

पेपर दो अद्भुत बातें सिद्ध करता है:

यह अधिक सुरक्षित है: इसकी भविष्यवाणी बॉक्स अभी भी गारंटी देता है कि वास्तविक उत्तर इसके भीतर ही है (ठीक पुराने तरीके की तरह)।
यह छोटा है: क्योंकि AI कोणों से कम भ्रमित होता है, इसलिए बॉक्स नाटकीय रूप से छोटा हो जाता है। पैदल यात्रियों के चलने के स्थान की भविष्यवाणी करने के प्रयोगों में, इनका "सुरक्षा बॉक्स" उतनी ही सुरक्षा बनाए रखते हुए 28% छोटा हो गया।

मुख्य निष्कर्ष

eCP एक सुपर-स्मार्ट AI को ऐसे चश्मे देने जैसा है जो उसे दुनिया के "आकार" को देखने में मदद करता है, चाहे चीजें किसी भी दिशा में हों। यह एक ऐसे तरीके को सुधारता है जो पहले से ही सुरक्षित होने के लिए बहुत अधिक सतर्क (बहुत बड़े बॉक्स बनाने वाला) था, और इसे सुरक्षा से समझौता किए बिना सटीक बनाता है।

यह एक "पोस्ट-हॉक" (Post-hoc) सुधार है, जिसका अर्थ है कि आपको AI को फिर से प्रशिक्षित करने या नया रोबोट बनाने की आवश्यकता नहीं है। आप बस अपने मौजूदा AI को लें, उसे ये "सिमेट्री वाले चश्मे" दें, और अचानक, इसकी भविष्यवाणियाँ बहुत अधिक सटीक और वास्तविक दुनिया के कार्यों जैसे कि सेल्फ-ड्राइविंग कार या रोबोटिक्स के लिए अधिक उपयोगी हो जाती हैं।

यहाँ शोध पत्र "eCP: Equivariant Conformal Prediction with pre-trained models" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कन्फॉर्मल प्रेडिक्शन (CP) अनिश्चितता मात्रा निर्धारण (uncertainty quantification) के लिए एक व्यापक रूप से उपयोग किया जाने वाला ढांचा है, जो डेटा विनिमयशीलता (data exchangeability) की धारणा के तहत परिमित-नमूना (finite-sample), वितरण-मुक्त कवरेज गारंटी प्रदान करता है। हालाँकि, CP की एक महत्वपूर्ण सीमा दक्षता (efficiency) है: जैसे-जैसे विश्वास स्तर (confidence level) बढ़ता है (उदाहरण के लिए, 99%) या प्रेडिक्शन होराइजन (prediction horizon) विस्तृत होता है (उदाहरण के लिए, दीर्घ-अवधि ट्रैजेक्टरी फोरकास्टिंग), परिणामी प्रेडिक्शन सेट (अनिश्चितता क्षेत्र) अक्सर अत्यधिक बड़े हो जाते हैं, जिससे वे व्यावहारिक रूप से सूचनात्मक नहीं रह जाते।

वर्तमान CP विधियाँ प्रत्येक डेटा नमूने को अलग-थलग मानती हैं। वे उन ज्यामितीय समरूपताओं (geometric symmetries) का लाभ उठाने में विफल रहती हैं (जैसे कि रोटेशन, ट्रांसलेशन, या रिफ्लेक्शन) जो कई वास्तविक दुनिया की समस्याओं (जैसे पैदल यात्री की गति, रोबोटिक्स) में अंतर्निहित होती हैं। फलस्वरूप, समन्वय फ्रेम (coordinate frame) के मनमाने चयन के कारण समरूपता-तुल्य (symmetry-equivalent) इनपुट को भिन्न गैर-अनुरूपता स्कोर (non-conformity scores) प्राप्त हो सकते हैं, जिससे अनिश्चितता का अनुमान बढ़ जाता है।

यह शोध पत्र आधारभूत मॉडल को पुन: प्रशिक्षित (retraining) किए बिना, कवरेज गारंटी से समझौता किए बिना, कन्फॉर्मल प्रेडिक्शन सेट की दक्षता (tightness) में सुधार करने की चुनौती का समाधान करता है।

2. कार्यप्रणाली: इक्विवैरिएंटेड कन्फॉर्मल प्रेडिक्शन (eCP)

लेखक eCP का प्रस्ताव करते हैं, जो समूह समरूपता (group symmetries) का लाभ उठाकर मानक CP में ज्यामितीय जानकारी को समाहित करने वाला एक पोस्ट-हॉक (post-hoc) प्रक्रिया है। इसका मुख्य तंत्र पूर्व-प्रशिक्षित प्रेडिक्टर के गैर-अनुरूपता स्कोर का ग्रुप-एवरेजिंग (group-averaging) करना है।

मुख्य तकनीकी घटक:

ग्रुप सिमेट्री और ऑर्बिट्स (Group Symmetry & Orbits): विधि यह मानती है कि डेटा और प्रेडिक्शन कार्य एक समरूपता समूह $G$ (जैसे, प्लेनर रोटेशन $SO(2) $) के तहत अपरिवर्तनीयता प्रदर्शित करते हैं। एक नमूने$ (x, y) $को एक अलग बिंदु के रूप में नहीं, बल्कि उसके **ऑर्बिट**$ O(x, y) = {(\phi_g(x), \psi_g(y)) \mid g \in G}$ के प्रतिनिधि के रूप में माना जाता है।
सिमेट्राइजेशन ऑपरेटर ( $\Pi_G$ ): कच्चे गैर-अनुरूपता स्कोर $s(f_\theta(x), y)$ का उपयोग करने के बजाय, eCP समूह पर औसत निकालकर एक सिमेट्राइज्ड स्कोर को परिभाषित करता है:
$\Pi_G[s; f](x,y) := \mathbb{E}_{g \sim \mu_G} \left[ s\left( f_\theta(\phi_{g^{-1}}(x)), \psi_{g^{-1}}(y) \right) \right]$
जहाँ $\mu_G$ समूह पर हाइर मेजर (Haar measure) है।
इक्विवैरिएंटेड प्रेडिक्टर (Equivariantized Predictor): यह विधि प्रभावी रूप से समूह ऑर्बिट पर पूर्व-प्रशिक्षित मॉडल के भविष्यवाणियों को औसत करके एक नया प्रेडिक्टर $f^G_\theta$ बनाती है:
$f^G_\theta(x) := \mathbb{E}_{g \sim \mu_G} \left[ \psi_g \circ f_\theta \circ \phi_{g^{-1}}(x) \right]$
यह प्रोजेक्शन प्रेडिक्टर को समरूपता संरचना का सम्मान करने के लिए मजबूर करता है, भले ही मूल मॉडल $f_\theta$ केवल आंशिक रूप से इक्विवैरिएंट हो।
पोस्ट-हॉक अनुप्रयोग (Post-Hoc Application): महत्वपूर्ण रूप से, इस प्रक्रिया के लिए आधारभूत मॉडल के पुनः प्रशिक्षण (retraining) या आर्किटेक्चरल संशोधन की आवश्यकता नहीं होती है। यह पूरी तरह से कैलिब्रेशन सेट और टेस्ट इनपुट पर पूर्व-प्रशिक्षित मॉडल का उपयोग करके कार्य करता है।

3. सैद्धांतिक योगदान (Theoretical Contributions)

यह शोध पत्र कठोर सैद्धांतिक प्रमाण प्रदान करता है जो यह दर्शाते हैं कि eCP वैधता बनाए रखते हुए अधिक सटीक (tighter) प्रेडिक्शन सेट प्रदान करता है।

वैधता (कवरेज गारंटी): $G$ -इनवेरिएंट एक्सचेंजेबिलिटी के अनुमान के तहत, शोध पत्र सिद्ध करता है (Theorem 1) कि इक्विवैरिएंटेड कन्फॉर्मल प्रेडिक्शन सेट मानक परिमित-नमूना कवरेज गारंटी बनाए रखता है:
$P(Y_{test} \in C^{(G)}_{1-\alpha}(X_{test})) \geq 1-\alpha$
स्टोकेस्टिक ऑर्डरिंग (कॉन्ट्रैक्शन): केंद्रीय सैद्धांतिक परिणाम (Theorem 2) स्थापित करता है कि इक्विवैरिएंटेड मॉडल के गैर-अनुरूपता स्कोर मूल मॉडल के सापेक्ष बढ़ते कॉनवेक्स ऑर्डर में संकुचित (contracted in increasing convex order) होते हैं ( $S_{f^G} \preceq_{icx} S_f$ $S_{f^{G}} ⪯_{i c x} S_{f}$ )।
- इसका तात्पर्य है कि किसी भी बढ़ते कॉनवेक्स फंक्शन $\nu$ के लिए, $\mathbb{E}[\nu(S_{f^G})] \leq \mathbb{E}[\nu(S_f)]$ ।
- विशेष रूप से, यह कम वेरिएंस और बेहतर टेल व्यवहार (tail behavior) की ओर ले जाता है।
टेल बाउंड्स और क्वांटाइल कॉन्ट्रैक्शन:
- CVaR कॉन्ट्रैक्शन: इक्विवैरिएंटेड स्कोर का कंडीशनल वैल्यू एट रिस्क (CVaR) स्पष्ट रूप से कम है (Theorem 3), जो चरम क्वांटाइल्स पर कड़े नियंत्रण का संकेत देता है।
- चेरनोफ और होफडिंग बाउंड्स: परिशिष्टों में शोध पत्र प्रदर्शित करता है कि eCP एक्सपोनेंशियल टेल बाउंड्स (Chernoff) और कंसंट्रेशन इनइक्वेलिटीज़ (Hoeffding/Bernstein) में सुधार करता है, जिससे एम्पिरिकल क्वांटाइल्स का अभिसरण (convergence) तेज होता है।
- वॉल्यूम रिडक्शन: यह सिद्ध किया गया है कि अपेक्षित वॉल्यूम (expected volume) कम होता है: $\mathbb{E}[\text{Vol}(C^{(G)}_{1-\alpha})] \leq \mathbb{E}[\text{Vol}(C_{1-\alpha})]$ ।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने पैदल यात्री ट्रैजेक्टरी प्रेडिक्शन (pedestrian trajectory prediction) पर eCP का मूल्यांकन किया, जो एक ऐसा डोमेन है जिसमें मजबूत ज्यामितीय समरूपता और दीर्घ-अवधि अनिश्चितता संचय (long-horizon uncertainty accumulation) की विशेषता है।

डेटासेट्स: ETH–UCY, Stanford Drone Dataset (SDD), और SportVU NBA मूवमेंट डेटा।
बेस मॉडल्स: दो अलग-अलग पूर्व-प्रशिक्षित प्रेडिक्टर्स का उपयोग किया गया:
1. SocialVAE: एक स्टोकेस्टिक, मल्टीमॉडल लेटेंट-वेरिएबल मॉडल।
2. TUTR: एक डिटरमिनिस्टिक ट्रांसफार्मर-आधारित मॉडल।
समूह (Symmetry Groups): प्रयोगों में बढ़ती समृद्धि वाले समूहों का परीक्षण किया गया: $C_4$ (90° रोटेशन), $C_8$ (45° रोटेशन), और $SO(2)$ (निरंतर प्लेनर रोटेशन)।
मुख्य निष्कर्ष:
- महत्वपूर्ण कसाव (Significant Tightening): eCP ने मानक CP की तुलना में कैलिब्रेशन क्वांटाइल ( $Q_{0.05}$ , 95% कन्फॉर्मल रेडियस) को लगातार लगभग 28% कम कर दिया।
- उच्च विश्वास लाभ (High Confidence Gains): सुधार सबसे अधिक उच्च विश्वास स्तरों (जैसे, 99%) पर देखे गए, जहाँ मानक CP आमतौर पर अत्यधिक रूढ़िवादी (conservative) होता है।
- कवरेज संरक्षण (Coverage Preservation): सेट के आकार में महत्वपूर्ण कमी के बावजूद, एम्पिरिकल कवरेज नामित लक्ष्य (जैसे, ~95% या ~99%) के करीब रहा, जो सैद्धांतिक गारंटियों को मान्य करता है।
- ग्रुप रिचनेस (Group Richness): प्रदर्शन समरूपता समूह की समृद्धि के साथ निरंतर सुधरा ( $SO(2) > C_8 > C_4$ ), जो यह पुष्टि करता है कि मजबूत समरूपता का उपयोग अनिश्चितता को कम करने में अधिक प्रभावी है।
- मॉडल एग्नोस्टिसिज्म (Model Agnosticism): यह विधि स्टोकेस्टिक (SocialVAE) और डिटरमिनिस्टिक (TUTR) दोनों मॉडलों के लिए समान रूप से प्रभावी रही।

5. महत्व और निष्कर्ष (Significance and Conclusion)

eCP ज्यामितीय इंडक्टिव बायस (geometric inductive bias) और पोस्ट-हॉक अनिश्चितता मात्रा निर्धारण के बीच के अंतर को पाटता है।

व्यावहारिक प्रभाव: यह रोबोटिक्स और स्वायत्त प्रणालियों में अनिश्चितता अनुमानों को जटिल मॉडलों को पुनः प्रशिक्षित करने की कम्प्यूटेशनल लागत के बिना काफी अधिक क्रियाशील (actionable) बनाने के लिए एक सिद्धांत आधारित तंत्र प्रदान करता है।
सैद्धांतिक अंतर्दृष्टि: यह प्रदर्शित करता है कि पूर्व-प्रशिक्षित मॉडलों में "अनुमानित" या "उभरती हुई" (emergent) समरूपता का औपचारिक रूप से लाभ उठाया जा सकता है, भले ही मॉडल पूरी तरह से इक्विवैरिएंट न हो।
सीमाएँ: इस विधि के लिए प्रासंगिक समरूपता समूह के ज्ञान की आवश्यकता होती है। यदि माना गया समूह डेटा की वास्तविक इनवेरियंस से मेल नहीं खाता है, तो लाभ सीमित हो सकते हैं। इसके अतिरिक्त, निरंतर समूहों (जैसे $SO(2)$) के लिए मोंटे कार्लो सन्निकटन (Monte Carlo approximation) की आवश्यकता होती है, जिससे मामूली कम्प्यूटेशनल ओवरहेड उत्पन्न होता है।

संक्षेप में, eCP मानक CP में मौजूद समरूपता-तुल्य जानकारी की "बर्बादी" को अनिश्चितता क्षेत्रों को छोटा करने के एक संसाधन में बदल देता है, जिससे सुरक्षा-महत्वपूर्ण, दीर्घ-अवधि कार्यों के लिए अधिक सटीक और विश्वसनीय भविष्यवाणियाँ संभव होती हैं।