🤖 machine learning

Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds

यह शोध पत्र एडेप्टिव जियोडेसिक कॉन्फॉर्मल प्रेडिक्शन (adaptive geodesic conformal prediction) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो रिमानियन मैनिफोल्ड्स (Riemannian manifolds) पर रिग्रेशन के लिए परिमित-नमूना कवरेज गारंटी प्रदान करने के लिए जियोडेसिक दूरियों और स्थानीय भविष्यवाणी कठिनाई का लाभ उठाता है, जिससे यह सिंथेटिक और वास्तविक दुनिया के भू-चुंबकीय पूर्वानुमान कार्यों में यूक्लिडियन-आधारित बेसलाइन की तुलना में बेहतर प्रदर्शन करता है।

मूल लेखक: Marzieh Amiri Shahbazi, Ali Baheri

प्रकाशित 2026-06-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marzieh Amiri Shahbazi, Ali Baheri

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 हवा की दिशा, किसी उपग्रह की स्थिति, या पृथ्वी के चुंबकीय क्षेत्र के प्रवाह की भविष्यवाणी करने की कोशिश कर रहे हैं। ये केवल "5 डिग्री" या "10 डिग्री" जैसे साधारण नंबर नहीं हैं। ये एक गोले पर दिशाएं हैं, जैसे कि ग्लोब पर स्थित बिंदु।

यह शोध पत्र एक नया तरीका पेश करता है यह कहने का कि, "मुझे काफी यकीन है कि उत्तर यहाँ है, लेकिन यह इस घेरे के भीतर कहीं भी हो सकता है।" इसे अनिश्चितता परिमाणीकरण (Uncertainty Quantification) कहा जाता है। लेखक यह सुनिश्चित करना चाहते हैं कि उनका "सुरक्षा घेरा" सही आकार का हो: न तो बहुत बड़ा (अपव्ययी) और न ही बहुत छोटा (खतरनाक)।

यहाँ उनके विचार का सरल उपमाओं के माध्यम से विवरण दिया गया है:

1. समस्या: सपाट मानचित्र बनाम गोल ग्लोब

अधिकांश कंप्यूटर मॉडल को सीधी रेखाओं और सपाट ग्रिडों (जैसे ग्राफ पेपर का एक टुकड़ा) में सोचने के लिए प्रशिक्षित किया जाता है। लेकिन वे डेटा जिसकी वे भविष्यवाणी कर रहे हैं, एक वक्र सतह (जैसे पृथ्वी) पर रहता है।

"नादान" गलती: कल्पना कीजिए कि आप किसी शहर को कवर करने के लिए मानचित्र पर एक वर्ग (square) बनाने की कोशिश कर रहे हैं। यदि आप भूमध्य रेखा के पास और उत्तरी ध्रुव के पास एक ही आकार का वर्ग बनाते हैं, तो ध्रुव के पास वाला वर्ग वास्तव में बहुत कम वास्तविक भूमि को कवर करेगा क्योंकि मानचित्र ध्रुवों को खींच देता है।
शोध पत्र का समाधान: लेखक कहते हैं, "सपाट वर्गों का उपयोग न करें।" इसके बजाय, जियोडेसिक कैप्स (geodesic caps) का उपयोग करें। इन्हें एक गोले की सतह पर तैरते हुए पूर्ण, गोल बुलबुलों के रूप में सोचें। आप बुलबुले को कहीं भी रखें (उत्तरी ध्रुव, भूमध्य रेखा, या कहीं भी), यह सतह के ठीक समान "वास्तविक" क्षेत्रफल को कवर करता है। यह दुनिया के वास्तविक आकार का सम्मान करता है।

2. दूसरी समस्या: एक ही आकार सबके लिए सही नहीं होता

भले ही आप सही आकार (एक बुलबुला) का उपयोग कर रहे हों, फिर भी आपको यह तय करना होगा कि बुलबुला कितना बड़ा होना चाहिए।

"स्थिर" गलती: कल्पना कीजिए कि एक मौसम विज्ञानी हमेशा "प्लस या माइनस 10 मील" की भविष्यवाणी सीमा देता है।
- एक शांत, आसानी से अनुमान लगाने योग्य शहर में, 10 मील की सीमा बहुत बड़ी और अपव्ययी है। वे अधिक सटीक (1 मील की सीमा) हो सकते थे।
- एक अराजक, तूफानी शहर में, 10 मील की सीमा बहुत छोटी हो सकती है, और वे वास्तविक तूफान को मिस कर सकते हैं।
शोध पत्र का समाधान: लेखकों ने एक ऐसा सिस्टम बनाया है जो एक स्मार्ट, समायोज्य टॉर्च (adjustable flashlight) की तरह काम करता है।
- जब भविष्यवाणी आसान होती है (डेटा शांत होता है), तो टॉर्च की बीम सिकुड़ जाती है, जिससे एक तंग, सटीक घेरा मिलता है।
- जब भविष्यवाणी कठिन होती है (डेटा अराजक होता है), तो टॉर्च की बीम फैल जाती है, जिससे एक व्यापक सुरक्षा जाल मिलता है।
- महत्वपूर्ण रूप से, यह सिस्टम उन उत्तरों को देखने की धोखाधड़ी किए बिना जिन्हें उसे भविष्यवाणी करनी है, पिछले डेटा को देखकर यह सीख लेता है कि भविष्यवाणी करना कहाँ कठिन है।

3. उन्होंने इसका परीक्षण कैसे किया

लेखकों ने अपने "स्मार्ट, समायोज्य बुलबुला" तरीके का परीक्षण दो तरीकों से किया:

एक नकली गोला: उन्होंने एक कंप्यूटर सिमुलेशन बनाया जहाँ कुछ क्षेत्र भविष्यवाणी करने में आसान थे और कुछ बहुत कठिन।
- परिणाम: उनकी विधि बहुत निष्पक्ष थी। इसने आसान क्षेत्रों पर जगह बर्बाद नहीं की, और न ही कठिन क्षेत्रों पर विफल हुई। पुराने तरीकों की तुलना में इनका "सबसे खराब मामला" (worst-case scenario) बहुत बेहतर था।
वास्तविक पृथ्वी डेटा: उन्होंने पृथ्वी के चुंबकीय क्षेत्र (IGRF-14) के बारे में वास्तविक डेटा का उपयोग किया। चुंबकीय क्षेत्र कुछ स्थानों पर (जैसे दक्षिण अटलांटिक के पास) बहुत तेज़ी से बदलता है और कुछ स्थानों पर (ध्रुवों के पास) बहुत धीरे।
- परिणाम: पुराने तरीके अक्सर भूमध्य रेखा के पास तेजी से बदलने वाले चुंबकीय क्षेत्रों को कवर करने में विफल रहे। नया तरीका अपने आकार को पूरी तरह से समायोजित करता है, जिससे कठिन स्थानों को कवर किया जा सके और आसान स्थानों को अनावश्यक रूप से बड़ा न बनाया जाए।

मुख्य निष्कर्ष

यह शोध पत्र वक्र सतहों (जैसे गोले) पर भविष्यवाणियाँ करने के लिए एक नया उपकरण प्रस्तावित करता है। यह दो स्मार्ट विचारों को जोड़ता है:

ज्यामिति-जागरूक (Geometry-Aware): यह उन आकारों का उपयोग करता है जो दुनिया के वक्र के अनुकूल होते हैं (बुलबुले) न कि उन आकारों का जो इसे विकृत करते हैं (वर्ग)।
अनुकूलन योग्य (Adaptive): यह विशिष्ट भविष्यवाणी कितनी कठिन है, इसके आधार पर अपने सुरक्षा क्षेत्र को स्वचालित रूप से बड़ा या छोटा करता है।

परिणामस्वरूप, एक भविष्यवाणी प्रणाली मिलती है जो अधिक ईमानदार, अधिक कुशल और सुरक्षित है, विशेष रूप से दिशाओं या चुंबकीय क्षेत्रों जैसे जटिल, घुमावदार डेटा के साथ काम करते समय।

तकनीकी सारांश: मैनिफोल्ड्स पर ज्यामिति-जागरूक अनिश्चितता परिमाणीकरण (Geometry-Aware Uncertainty Quantification)

समस्या विवरण
कन्फॉर्मल प्रेडिक्शन (CP) रिग्रेशन कार्यों के लिए परिमित-नमूना (finite-sample), वितरण-मुक्त कवरेज गारंटी प्रदान करता है। हालाँकि, मानक CP निर्माण यूक्लिडियन आउटपुट स्पेस के लिए डिज़ाइन किए गए हैं, जो यूक्लिडियन अवशेषों (residuals) और समन्वय-आधारित क्षेत्रों (coordinate-based regions) का उपयोग करते हैं। जब प्रतिक्रिया चर $Y$ एक रिमानियन मैनिफोल्ड (Riemannian manifold) पर स्थित होता है (जैसे, भू-चुंबकीय दिशाओं के लिए यूनिट स्फीयर $S^2$ , प्रोटीन कोणों के लिए टोरस, या अंतरिक्ष यान के ओरिएंटेशन के लिए रोटेशन ग्रुप), तो ये मानक दृष्टिकोण स्वाभाविक रूप से काम करने में विफल रहते हैं।

दो प्राथमिक समस्याएँ उत्पन्न होती हैं:

ज्यामितीय बेमेल (Geometric Mismatch): मानक अवशेष अक्सर समन्वय-आधारित दूरियों (जैसे, अक्षांश/देशांतर) पर निर्भर करते हैं। वक्र स्थानों (curved spaces) पर, ये दूरियाँ केवल एक चार्ट पर निर्भर नहीं करतीं, बल्कि प्रतिक्रियाओं के बीच आंतरिक विसंगति पर निर्भर करती हैं। उदाहरण के लिए, एक गोले पर एक निश्चित-चौड़ाई वाला समन्वय आयत (coordinate rectangle) अक्षांश के साथ क्षेत्रफल बदलता है (ध्रुवों के पास सिकुड़ जाता है), जबकि एक निश्चित आंतरिक त्रिज्या वाला जियोडेसिक कैप (geodesic cap) स्थान की परवाह किए बिना एक समान क्षेत्रफल बनाए रखता है।
विषम विचरण (Heteroscedasticity): इनपुट स्पेस में भविष्यवाणी की कठिनाई शायद ही कभी स्थिर होती है। भू-चुंबकीय पूर्वानुमान जैसे कार्यों में, क्षेत्रीय भिन्नता दरें काफी भिन्न होती हैं। एक स्थिर-चौड़ाई वाला प्रेडिक्शन सेट "आसान" क्षेत्रों में अधिक कवर करता है और "कठिन" क्षेत्रों में कम कवर करता है। जबकि यूक्लिडियन रिग्रेशन इसे स्थानीय कठिनाई अनुमानों के साथ अवशेषों को सामान्य बनाकर संबोधित करता है, मौजूदा मैनिफोल्ड-वैल्यूड CP विधियों ने इस अवधारणा को आंतरिक ज्यामिति के अनुकूल स्पष्ट रूप से नहीं बनाया है।

कार्यप्रणाली (Methodology)
लेखक एडेप्टिव जियोडेसिक कन्फॉर्मल प्रेडिक्शन (Adaptive Geodesic Conformal Prediction) का प्रस्ताव करते हैं, जो स्प्लिट-कन्फॉर्मल प्रेडिक्शन सेटिंग के भीतर स्थानीय अनुकूलता (local adaptivity) के साथ आंतरिक ज्यामिति को एकीकृत करता है।

सेटअप: डेटा को एक प्रशिक्षण सेट ( $D_{tr}$ ), एक कैलिब्रेशन सेट ( $D_{cal}$ ), और एक टेस्ट सेट में विभाजित किया गया है। एक बेस पॉइंट प्रेडिक्टर $\hat{y}: \mathcal{X} \to \mathcal{M}$ और एक कठिनाई अनुमानक (difficulty estimator) $\hat{\sigma}: \mathcal{X} \to \mathbb{R}^+$ केवल $D_{tr}$ का उपयोग करके प्रशिक्षित किए जाते हैं।
नॉन-कन्फॉर्मिटी स्कोर (Nonconformity Scores): यह विधि तीन स्कोरिंग रणनीतियों की तुलना करती है:
1. नेइव कोऑर्डिनेट (Naive Coordinate): गोलाकार निर्देशांकों में $L_\infty$ दूरी का उपयोग करता है, जिससे अक्ष-संरेखित (axis-aligned) आयत बनते हैं।
2. स्टैंडर्ड जियोडेसिक (Standard Geodesic): अनॉर्मलाइज्ड जियोडेसिक दूरी $s_{geo}(x, y) = d_{geo}(\hat{y}(x), y)$ का उपयोग करता है, जो निरंतर-त्रिज्या वाले जियोडेसिक बॉल्स (गोलाकार कैप) उत्पन्न करता है।
3. एडेप्टिव जियोडेसिक (प्रस्तावित): स्कोर को $s_{adapt}(x, y) = d_{geo}(\hat{y}(x), y) / \hat{\sigma}(x)$ के रूप में परिभाषित किया गया है।
कठिनाई अनुमान (Difficulty Estimation): अनुमानक $\hat{\sigma}(x)$ को $D_{tr}$ पर 5-फोल्ड क्रॉस-वैलिडेशन के माध्यम से बेस मॉडल के जियोडेसिक अवशेषों की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है। इसे वैध कन्फॉर्मल गारंटी सुनिश्चित करने के लिए कैलिब्रेशन लेबल तक पहुँच के बिना प्रशिक्षित किया जाता है।
प्रेडिक्शन रीजन: एक टेस्ट पॉइंट $x$ के लिए, प्रेडिक्शन सेट $\hat{y}(x)$ के चारों ओर एक जियोडेसिक बॉल है जिसका रेडियस स्थानीय कठिनाई द्वारा स्केल किया गया कन्फॉर्मल क्वांटाइल $\hat{q}_\alpha$ द्वारा निर्धारित होता है: $C(x) = B_{geo}(\hat{y}(x), \hat{q}_\alpha \cdot \hat{\sigma}(x))$ । यह क्षेत्र को कठिन क्षेत्रों में विस्तारित होने और आसान क्षेत्रों में संकुचित होने की अनुमति देता है, जबकि एक जियोडेसिक कैप के आकार को बनाए रखता है।

मुख्य योगदान

ज्यामिति-जागरूक क्षेत्र: विधि जियोडेसिक दूरियों का उपयोग करके प्रेडिक्शन सेट का निर्माण करती है, यह सुनिश्चित करती है कि प्रेडिक्शन सेट्स (जैसे, गोलाकार कैप) का क्षेत्रफल मैनिफोल्ड के मेट्रिक के अनुरूप हो, जिससे समन्वय-आधारित दृष्टिकोणों में निहित विकृति से बचा जा सके।
स्थानीय रूप से अनुकूलित कैलिब्रेशन: केवल उचित प्रशिक्षण डेटा पर प्रशिक्षित कोवेरिएट-डिपेंडेंट कठिनाई अनुमान के साथ अवशेषों को स्केल करके, यह विधि कैलिब्रेशन लेबल का उपयोग किए बिना स्थानीय भविष्यवाणी की कठिनाई के अनुसार क्षेत्र के आकार को अनुकूलित करती है।
अनुभवजन्य सत्यापन (Empirical Validation): इस पद्धति को सिंथेटिक स्फीयर डेटा और एक वास्तविक दुनिया के भू-चुंबकीय पूर्वानुमान कार्य पर मान्य किया गया है, जो कंडीशनल कवरेज की एकरूपता और वर्स्ट-केस कवरेज में सुधार प्रदर्शित करता है, जबकि मार्जिनल कवरेज गारंटी को सुरक्षित रखता है।

प्रायोगिक परिणाम
पेपर दो बेंचमार्क का मूल्यांकन करता है: एक सिंथेटिक स्फीयर जिसमें हेटेरोसेडास्टिक शोर है और IGRF-14 भू-चुंबकीय क्षेत्र पूर्वानुमान कार्य।

सिंथेटिक स्फीयर ( $S^2$ ):
- सभी विधियों ने नाममात्र 0.90 के स्तर के पास वैध मार्जिनल कवरेज प्राप्त किया।
- एडेप्टिव जियोडेसिक विधि ने स्टैंडर्ड जियोडेसिक विधि की तुलना में कंडीशनल कवरेज के स्टैंडर्ड डेविएशन को 19% कम कर दिया।
- वर्स्ट-बिन कवरेज 0.814 (स्टैंडर्ड) से सुधरकर 0.839 (एडेप्टिव) हो गया।
- नेइव कोऑर्डिनेट विधि को समान कवरेज प्राप्त करने के लिए जियोडेसिक विधियों की तुलना में लगभग 26% अधिक क्षेत्रफल की आवश्यकता थी, जो समन्वय विरूपण (coordinate distortion) की लागत को उजागर करता है।
IGRF-14 भू-चुंबकीय पूर्वानुमान:
- इस कार्य में 352 स्थानों पर $S^2$ पर भू-चुंबकीय क्षेत्र वेक्टरों की भविष्यवाणी करना शामिल था, जिनमें स्वाभाविक रूप से हेटेरोसेडास्टिक सेकुलर वेरिएशन (कठिनाई में 274 गुना अंतर) था।
- कठिनाई अनुमानक ने वास्तविक अवशेषों के साथ $r=0.516$ का पियर्सन कोरिलेशन दिखाया।
- एडेप्टिव जियोडेसिक विधि ने कंडीशनल कवरेज के स्टैंडर्ड डेविएशन को 71% (0.107 के मुकाबले 0.031) कम कर दिया।
- वर्स्ट-बिन कवरेज 0.689 (स्टैंडर्ड) से 0.855 (एडेप्टिव) तक महत्वपूर्ण रूप से बढ़ गया।
- पाया गया कि स्टैंडर्ड जियोडेसिक विधि भूमध्यरेखीय क्षेत्रों में अंडर-कवर करती है जहाँ क्षेत्र का विकास सबसे तेज़ है, जबकि एडेप्टिव विधि अक्षांशों के बावजूद नाममात्र लक्ष्य के करीब कवरेज बनाए रखती है।

महत्व और दावे
पेपर का दावा है कि प्रस्तावित विधि मैनिफोल्ड-वैल्यूड रिग्रेशन में अनिश्चितता परिमाणीकरण के लिए एक व्यावहारिक समाधान प्रदान करती है। इसका महत्व दो पूरक विकल्पों के संयोजन में निहित है:

अनुकूलन क्षमता (Adaptivity): $\hat{\sigma}(x)$ द्वारा स्केल करना विभिन्न कठिनाई वाले क्षेत्रों में कन्फॉर्मिटी स्कोर को तुलनीय बनाता है।
ज्यामिति: जियोडेसिक कैप का उपयोग यह सुनिश्चित करता है कि प्रेडिक्शन सेट का क्षेत्रफल मैनिफोल्ड के मेट्रिक के अनुरूप हो, जिससे समन्वय-आधारित दृष्टिकोणों में निहित विकृतियों से बचा जा सके।

लेखक नोट करते हैं कि एडेप्टिव विधि की प्रभावशीलता कठिनाई अनुमानक की गुणवत्ता के साथ सह-संबंधित है। IGRF-14 प्रयोग में, $r=0.516$ के सहसंबंध ने पर्याप्त सुधार दिए। वे सुझाव देते हैं कि यदि अनुमानित कठिनाई और वास्तविक त्रुटि के बीच सहसंबंध कमजोर है (जैसे, 0.15 से नीचे), तो स्टैंडर्ड जियोडेसिक विधि अधिक उपयुक्त हो सकती है। यह कार्य यह दावा नहीं करता है कि यह सभी मैनिफोल्ड रिग्रेशन समस्याओं को हल करता है, बल्कि उन मामलों के लिए एक मजबूत ढांचा प्रदान करता है जहाँ प्रतिक्रिया स्थान घुमावदार है और भविष्यवाणी की कठिनाई स्थानिक रूप से भिन्न होती है। उल्लेखित भविष्य की दिशाओं में गैर-एक्सचेंजेबल डेटा के लिए ढांचे का विस्तार करना और दिशा-निर्भर अनिश्चितता के लिए एनिसोट्रोपिक (anisotropic) क्षेत्रों की खोज करना शामिल है।

1. समस्या: सपाट मानचित्र बनाम गोल ग्लोब

2. दूसरी समस्या: एक ही आकार सबके लिए सही नहीं होता

3. उन्होंने इसका परीक्षण कैसे किया

मुख्य निष्कर्ष

इसी तरह के और पेपर