🤖 machine learning

Conditional neural control variates for variance reduction in Bayesian inverse problems

मूल लेखक: Ali Siahkoohi, Hyunwoo Oh

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Ali Siahkoohi, Hyunwoo Oh

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी समस्या: छिपे हुए सच का अनुमान लगाना

कल्प Imagine कीजिए कि आप एक जासूस हैं जो एक धुंधली, शोर वाली सुरक्षा कैमरे की फोटो के आधार पर यह पता लगाने की कोशिश कर रहे हैं कि अपराधी कैसा दिखता है। विज्ञान और इंजीनियरिंग की दुनिया में, इसे इनवर्स प्रॉब्लम (inverse problem) कहा जाता है। आपके पास "सुराग" (डेटा) और नियमों का एक समूह (भौतिकी समीकरण) है, लेकिन आपको पीछे की ओर काम करके "अपराधी" (अज्ञात पैरामीटर) को खोजना है।

चूंकि सुराग धुंधले हैं और नियम जटिल हैं, इसलिए केवल एक ही उत्तर नहीं है। हजारों संभावित संदिग्ध हो सकते हैं जो साक्ष्यों पर फिट बैठते हैं। सुरक्षित रहने के लिए, वैज्ञानिक बेयसियन इन्फरेंस (Bayesian inference) नामक एक विधि का उपयोग करते हैं, जो उत्तर को एक एकल बिंदु के रूप में नहीं, बल्कि संभावनाओं के एक पूरे "बादल" (प्रोबेबिलिटी डिस्ट्रीब्यूशन) के रूप में मानती है।

इस बादल को समझने के लिए, वैज्ञानिक आमतौर पर हजारों बार सिमुलेशन चलाते हैं ताकि वे संभावित संदिग्धों का एक "नमूना" (सैंपल) प्राप्त कर सकें। फिर वे इन नमूनों का औसत निकालते हैं ताकि सबसे सटीक अनुमान मिल सके। हालाँकि, यह भीड़ की औसत ऊंचाई का अनुमान लगाने के लिए केवल कुछ लोगों से पूछने जैसा है; यदि भीड़ बहुत विविध है, तो सटीक औसत प्राप्त करने के लिए आपको लाखों लोगों से पूछने की आवश्यकता होगी। जटिल भौतिकी समस्याओं (जैसे भूजल प्रवाह का मॉडलिंग) में, "एक व्यक्ति" से पूछना (एक सिमुलेशन चलाना) घंटों या दिनों का काम है। लाखों बार पूछना असंभव है।

समाधान: "स्मार्ट असिस्टेंट" (कंट्रोल वेरिएट्स)

यह शोध पत्र कंडीशनल न्यूरल कंट्रोल वेरिएट्स (CNCV) नामक एक नया टूल पेश करता है।

मानक सिमुलेशन विधि को एक ऐसे छात्र के रूप में सोचें जो गणित की परीक्षा दे रहा है और उसे हर एक सवाल को शुरुआत से हल करना पड़ता है। यह सटीक है लेकिन अविश्वसनीय रूप से धीमा है।

कंट्रोल वेरिएट (Control Variate) एक स्मार्ट असिस्टेंट की तरह है जो छात्र के बगल में बैठा है। असिस्टेंट को टेस्ट के उत्तरों का सामान्य आकार पता है। छात्र द्वारा सटीक उत्तर की गणना करने का कठिन काम करने के बजाय, असिस्टेंट कहता है, "हे, मुझे पता है कि उत्तर लगभग 50 है। वास्तविक उत्तर शायद 50 प्लस थोड़ा सा एरर (त्रुटि) है।"

छात्र को केवल उस "थोड़े से एरर" की गणना करनी होती है। क्योंकि एरर छोटा और अनुमानित है, छात्र असिस्टेंट की मदद लेकर बहुत सटीक अंतिम उत्तर प्राप्त कर सकता है, भले ही वे केवल कुछ ही सवालों को देखें। यह आवश्यक सिमुलेशन की संख्या को नाटकीय रूप से कम कर देता है।

नवाचार: एक "यूनिवर्सल" असिस्टेंट

इस "असिस्टेंट" के पिछले संस्करणों में एक बड़ी खामी थी: उन्हें एक विशिष्ट टेस्ट के लिए विशेष रूप से प्रशिक्षित किया जाना पड़ता था। यदि जासूस को एक नई फोटो (नया डेटा) मिलती, तो उन्हें पुराने असिस्टेंट को हटाना पड़ता था और एक नया असिस्टेंट रखना पड़ता था, जिसे शुरू से प्रशिक्षित करना पड़ता था। यह उपयोगी होने के लिए बहुत धीमा था।

लेखकों की सफलता एक कंडीशनल (Conditional) असिस्टेंट बनाने में है।

उपमा: कल्पना कीजिए कि एक मास्टर शेफ जिसने किसी भी ग्राहक के लिए खाना बनाना सीख लिया है। यदि आप उन्हें एक ऐसे ग्राहक की फोटो देते हैं जिसे तीखा खाना पसंद है, तो वे तुरंत रेसिपी को एडजस्ट करना जान जाते हैं। यदि आप उन्हें मीठा पसंद करने वाले व्यक्ति की फोटो देते हैं, तो वे फिर से एडजस करते हैं। उन्हें हर नए ग्राहक के आने पर फिर से कुकरी स्कूल जाने की आवश्यकता नहीं होती।
विज्ञान: CNCV मॉडल को "क्या-होता-अगर" (what-if) परिदृश्यों के एक विशाल पुस्तकालय (पैरामीटर्स और डेटा के जॉइंट सैंपल्स) पर एक बार प्रशिक्षित किया जाता है। एक बार प्रशिक्षित होने के बाद, यह बिना पुन: प्रशिक्षण के किसी भी नए अवलोकन के लिए तुरंत एक सहायकजनक "असिस्टेंट" उत्पन्न कर सकता है। इसे एमोर्टाइजेशन (amortization) कहा जाता है।

तकनीकी ट्रिक: "ट्रायंगुलर" शॉर्टकट

एक और बड़ी बाधा थी। असिस्टेंट को उच्च-आयामी स्थानों (जहाँ सैकड़ों चर होते हैं) में काम करने के लिए पर्याप्त स्मार्ट बनाने के लिए, गणित को आमतौर पर भारी गणना की आवश्यकता होती है (जैसे यह देखने के लिए कि एक विशाल भूलभुलैया में हर दरवाजा लॉक है या नहीं, हर दरवाजे की जांच करना)।

लेखकों ने इसे पदानुक्रमित कपलिंग लेयर्स (hierarchical coupling layers) पर आधारित एक विशिष्ट प्रकार के न्यूरल नेटवर्क आर्किटेक्चर को डिजाइन करके हल किया।

उपमा: कल्पना कीजिए कि आप बक्सों के ढेर का कुल वजन गिनने की कोशिश कर रहे हैं। एक सामान्य विधि में आपको वजन करने के लिए हर एक बॉक्स को व्यक्तिगत रूप से उठाना पड़ सकता है। लेखकों की विधि एक विशिष्ट पिरामिड के आकार में बक्सों को रखने जैसी है जहाँ ऊपर के बॉक्स का वजन आपको बताता है कि नीचे के बॉक्स का वजन कितना है, और इसी तरह। आपको कुल वजन तुरंत जानने के लिए केवल पिरामिड के शीर्ष की जांच करने की आवश्यकता है।
परिणाम: यह "त्रिकोणीय" संरचना कंप्यूटर को आवश्यक गणित (डाइवर्जेंस) को एक ही तेज़ पास में कैलकुलेट करने की अनुमति देती है, जिससे इस विधि को भूजल प्रवाह जैसी जटिल, उच्च-आयामी समस्याओं पर उपयोग करना संभव हो जाता है।

उन्होंने क्या सिद्ध किया

लेखकों ने इस पद्धति का परीक्षण कई चुनौतियों पर किया:

सरल गणित की समस्याएं: उन्होंने दिखाया कि यह मानक परीक्षण मामलों पर पूरी तरह से काम करता है।
जटिल आकार: उन्होंने "केले के आकार" (banana-shaped) के प्रोबेबिलिटी क्लाउड्स (जहाँ उत्तर घुमावदार और कठिन होते हैं) पर परीक्षण किया, और विधि अभी भी अच्छी तरह से काम करती है।
वास्तविक दुनिया की भौतिकी: उन्होंने इसे डार्सी फ्लो (Darcy flow) समस्या (भूमिगत चट्टानों के माध्यम से पानी कैसे बहता है, इसका मॉडलिंग) पर लागू किया। यह एक वास्तविक दुनिया का परिदृश्य है जो जटिल भौतिकी समीकरणों द्वारा नियंत्रित होता है।
- परिणाम: उनकी विधि ने परिणामों में "शोर" (वेरिएंस) को बहुत बड़े अंतर से कम कर दिया। यह ऐसा था जैसे उन्हें अतिरिक्त सिमुलेशन चलाए बिना, 5.5 गुना अधिक सिमुलेशन की सटीकता मिल गई।
- गति: चूंकि उन्होंने हर बार पूर्ण भौतिकी समीकरण को हल करने के बजाय एक सीखे हुए "स्कोर" (एक गणितीय शॉर्टकट) का उपयोग किया, इसलिए यह विधि अविश्वसनीय रूप से तेज़ थी।

निष्कर्ष (The Bottom Line)

यह शोध पत्र जटिल इनवर्स समस्याओं को हल करने वाले वैज्ञानिकों के लिए एक "यूनिवर्सल हेल्पर" प्रस्तुत करता है। यह उदाहरणों के एक पुस्तकालय से एक बार सीखता है, और फिर उच्च सटीकता और कम लागत के साथ नए समस्याओं को तुरंत हल करने में मदद करता है। यह एक ऐसी प्रक्रिया को बदल देता है जिसमें आमतौर पर लाखों महंगे कंप्यूटर सिमुलेशन की आवश्यकता होती है, उसे केवल एक अंश में बदल देता है, जिससे भारी मात्रा में समय और कंप्यूटिंग पावर की बचत होती है।

तकनीकी सारांश: वेरिएंस रिडक्शन के लिए कंडीशनल न्यूरल कंट्रोल वेरिएट्स (Conditional Neural Control Variates)

समस्या विवरण

बेशियन इन्वर्स प्रॉब्लम्स (Bayesian inverse problems) के लिए पोस्टीरियर डिस्ट्रीब्यूशन के तहत एक्सपेक्टेशन (जैसे कि पोस्टीरियर मीन, वेरिएंस, या प्रेडिक्टिव क्वांटिटीज) की गणना करना आवश्यक होता है। इन एक्सपेक्टेशन्स का अनुमान आमतौर पर मोंटे कार्लो (MC) विधियों के माध्यम से लगाया जाता है। हालाँकि, जब क्वांटिटी ऑफ इंटरेस्ट $h(x)$ पोस्टीरियर के तहत काफी भिन्न होती है, तो सटीक अनुमान के लिए बहुत बड़ी संख्या में सैंपल्स की आवश्यकता होती है, जो अत्यधिक महंगी हो सकती है। यह लागत विशेष रूप से PDE-कन्स्ट्रेंड इन्वर्स प्रॉब्लम्स में अधिक होती है, जहाँ प्रत्येक पोस्टीरियर सैंपल के लिए एक महंगा फॉरवर्ड सॉल्व (forward solve) करना पड़ता है।

कंट्रोल वेरिएट्स (Control variates) एक शास्त्रीय समाधान प्रदान करते हैं, जो बायस (bias) पेश किए बिना MC एस्टिमेटर्स के वेरिएंस को कम करते हैं, लेकिन मौजूदा स्कोर-आधारित विधियाँ (जैसे कि स्टीन कंट्रोल वेरिएट्स) एक गंभीर सीमा से ग्रस्त हैं: उन्हें प्रत्येक नए ऑब्जर्वेशन $y$ के लिए फिर से प्रशिक्षित (retraining) करने की आवश्यकता होती है। यह कमी उन्हें कम्प्यूटेशनल रूप से अव्यवहार्य बना देती है जब प्रत्येक ऑब्जर्वेशन के लिए रिट्रेनिंग करना बहुत महंगा हो। इसके अलावा, हाई-डायमेंशन में स्टीन-आधारित कंट्रोल वेरिएट्स को स्केल करना चुनौतीपूर्ण है क्योंकि सामान्य न्यूरल नेटवर्क्स के डायवर्जेंस (divergence) की गणना करने की लागत $O(d)$ बैकवर्ड पासेस या स्टोकेस्टिक ट्रेस एस्टिमेशन की मांग करती है।

कार्यप्रणाली (Methodology)

लेखक कंडीशनल न्यूरल कंट्रोल वेरिएट्स (CNCV) पेश करते हैं, जो एक मॉड्यूलर वेरिएंस रिडक्शन विधि है जिसे ऑब्जर्वेशन्स के लिए ए्मोर्टाइज (amortized) करने के लिए डिज़ाइन किया गया है। यह विधि सिमुलेशन-आधारित इन्फरेंस पाइपलाइनों के साथ सहजता से एकीकृत होती है।

1. कंडीशनल कंट्रोल वेरिएंट कंस्ट्रक्शन

विधि का मूल स्टीन की पहचान (Stein's identity) पर आधारित है, जो गारंटी देता है कि एक स्मूथ फंक्शन $\phi(x, y)$ और एक टारगेट डिस्ट्रीब्यूशन $p(x|y)$ के लिए:
$\mathbb{E}_{p(x|y)}[\nabla_x \cdot \phi(x, y) + \phi(x, y) \cdot \nabla_x \log p(x|y)] = 0$
यह पहचान ज़ीरो-मीन कंट्रोल वेरिएट्स का एक परिवार $g(x, y) = \nabla_x \cdot \phi(x, y) + \phi(x, y) \cdot \nabla_x \log p(x|y)$ परिभाषित करती है। लेखक $\phi$ को एक न्यूरल नेटवर्क $\phi_\theta$ का उपयोग करके पैरामीटराइज़ करते हैं।

2. हिरारकीकल कपलिंग लेयर आर्किटेक्चर (Hierarchical Coupling Layer Architecture)

हाई-डायमेंशन में $\nabla_x \cdot \phi_\theta$ की गणना करने की कम्प्यूटेशनल बाधा को दूर करने के लिए, लेखक हिरारकीकल एफ़िन कपलिंग लेयर्स के एनसेंबल (ensemble of hierarchical affine coupling layers) पर आधारित एक विशिष्ट आर्किटेक्चर प्रस्तावित करते हैं (जो HINT से प्रेरित है)।

संरचना: नेटवर्क एफ़िन कपलिंग लेयर्स को एक रिकर्सिव बाइनरी ट्री में व्यवस्थित करता है। प्रत्येक नोड पर, इनपुट को विभाजित किया जाता है, और लोअर पार्टीशन को अपर पार्टीशन के आधार पर ट्रांसफॉर्म किया जाता है।
ट्रायंगुलर जैकोबियन (Triangular Jacobian): यह संरचना सुनिश्चित करती है कि जैकोबियन लोअर-ट्रायंगुलर है, जिससे डायगोनल एलिमेंट्स (और इस प्रकार डायवर्जेंस) को एक सिंगल फॉरवर्ड पास में सटीक रूप से कंप्यूट किया जा सकता है, जिससे $O(d)$ बैकवर्ड पासेस की आवश्यकता नहीं रहती।
एनसेंबल और परम्यूटेशन: क्रॉस-डायमेंशन इंटरैक्शन को प्रभावी ढंग से कैप्चर करने के लिए, विधि $L$ स्वतंत्र नेटवर्क्स का एक एनसेंबल नियोजित करती है, जिनमें से प्रत्येक इनपुट डायमेंशन्स पर एक रैंडम परम्यूटेशन लागू करता है। अंतिम कंट्रोल वेरिएंट इन एनसेंबल मेंबर्स का औसत होता है।

3. ट्रेनिंग और इन्फरेंस

ट्रेनिंग डेटा: विधि को पैरामीटर्स और डेटा $(x, y)$ के जॉइंट डिस्ट्रीब्यूशन से सैंपल्स की आवश्यकता होती है, जो सिमुलेशन-आधारित इन्फरेंस पाइपलाइनों में स्वाभाविक रूप से उपलब्ध होते हैं (प्रायर से $x$ को सैंपल करना और फिर $y = F(x) + \epsilon$ की गणना करना)।
स्कोर सोर्स: पोस्टीरियर स्कोर $\nabla_x \log p(x|y)$ को फिजिक्स-आधारित लाइकलीहुड्स, न्यूरल ऑपरेटर सरोगेट्स, या सीखे गए जेनेरेटिव मॉडल्स (जैसे कि कंडीशनल नॉर्मलाइजिंग फ्लो्स) से प्राप्त किया जा सकता है।
ऑब्जेक्टिव: नेटवर्क पैरामीटर्स को कंट्रोल्ड एस्टिमेटर के मीन स्क्वेर्ड एरर (MSE) को कम करने के लिए प्रशिक्षित किया जाता है, जो प्रभावी रूप से कंट्रोल वेरिएंट और क्वांटिटी ऑफ इंटरेस्ट के बीच सहसंबंध (correlation) को अधिकतम करता है और वेरिएंट के वेरिएंस को दंडित (penalize) करता है।
एम्मोर्टाइजेशन (Amortization): एक बार प्रशिक्षित होने के बाद, CNCV मॉडल किसी भी नए ऑब्जर्वेशन $y_{obs}$ पर लागू होता है, जिसके लिए रिट्रेनिंग की आवश्यकता नहीं होती। इन्फरेंस के दौरान, पोस्टीरियर सैंपल्स (जैसे कि कंडीशनल नॉर्मलाइजिंग फ्लो के माध्यम से) लिए जाते हैं, स्कोर का मूल्यांकन किया जाता है, और कच्चे MC एस्टिमेट से सीखा गया कंट्रोल वेरिएंट घटा दिया जाता है।

मुख्य योगदान

एम्मोर्टाइज्ड कंट्रोल वेरिएट्स: यह पेपर न्यूरल कंट्रोल वेरिएट्स को कंडीशनल सेटिंग में विस्तारित करता है, जिससे एक ऐसी विधि बनती है जो किसी भी पोस्टीरियर सैंपलर और स्कोर सोर्स के साथ एकीकृत हो सकती है, जिससे प्रत्येक ऑब्जर्वेशन के लिए रिट्रेनिंग की आवश्यकता समाप्त हो जाती है।
ट्रैक्टेबल हाई-डायमेंशनल डायवर्जेंस: हिरारकीकल कपलिंग लेयर्स के एनसेंबल के उपयोग से, यह विधि सिंगल फॉरवर्ड पास में सटीक डायवर्जेंस गणना को सक्षम बनाकर हाई-डायमेंशन समस्याओं के लिए स्केलेबल बनाती है।
अनुभवजन्य सत्यापन (Empirical Validation): विधि को बढ़ती जटिलता वाले चार इन्वर्स प्रॉब्लम्स (Gaussian, Rosenbrock, nonlinear, और PDE-constrained Darcy flow) पर वैलिडेट किया गया है, जो महत्वपूर्ण वेरिएंस रिडक्शन प्रदर्शित करते हैं, भले ही एनालिटिकल स्कोर को सर्ोगेट द्वारा प्रतिस्थापित किया गया हो।

प्रयोगात्मक परिणाम

लेखक वेरिएंस रिडक्शन फैक्टर (VRF) का उपयोग करके परिणाम रिपोर्ट करते हैं, जहाँ कम मान बेहतर प्रदर्शन को दर्शाता है।

स्टाइलइज्ड प्रॉब्लम्स:
- Gaussian Posteriors: डायमेंशन्स $d \in \{2, 4, 8, 16\}$ के लिए मीन एस्टिमेशन हेतु CNCV ने 0.009 और 0.083 के बीच VRF प्राप्त किया। विधि तब भी मजबूत रही जब स्कोर को कंडीशनल नॉर्मलाइजिंग फ्लो (CNF) द्वारा अनुमानित किया गया था।
- Rosenbrock (Non-Gaussian): विधि ने विविध ऑब्जर्वेशन्स (लेफ्ट टेल, राइट टेल, रिज) में सफलतापूर्वक सामान्यीकरण किया, जिसमें VRF 0.08 से 0.23 के बीच रहा। इसने क्लासिकल पॉलिनॉमियल स्टीन कंट्रोल वेरिएट्स को पछाड़ दिया, जो नॉन-गौसियन टारगेट्स पर काफी खराब प्रदर्शन करते हैं।
- Nonlinear Forward Models: डिनोइजिंग डिफ्यूजन मॉडल का उपयोग करके, CNCV ने 0.57 का औसत VRF प्राप्त किया।
PDE-Constrained Darcy Flow:
- लॉग-परमेबिलिटी एस्टिमेशन वाले 100-डायमेंशनल प्रॉब्लम में, CNCV ने $\sim 0.18$ का VRF प्राप्त किया।
- इसके परिणामस्वरूप रॉ MC की तुलना में मीन स्क्वेर्ड एरर (MSE) में $\sim 5.5\times$ की कमी आई।
- महत्वपूर्ण रूप से, चूंकि सैंपल्स एक प्री-ट्रेन्ड CNF से लिए गए थे, इसलिए इन्फरेंस कॉस्ट नगण्य ( $\sim 0.5$ s) थी, जबकि रॉ MC के लिए तुलनीय सटीकता के लिए PDE को हल करने की लागत $\sim 100$ s थी।
मजबूती (Robustness): विधि स्कोर एप्रोक्सिमेशन एरर्स के प्रति मजबूत साबित हुई। यहाँ तक कि 17.5% रिलेटिव एरर वाले सीखे गए स्कोर के साथ भी, VRF एनालिटिकल स्कोर द्वारा प्राप्त VRF के समान ही रहा।

महत्व और दावे

पेपर का दावा है कि CNCV बेयसियन इन्वर्स प्रॉब्लम्स में एक मौलिक बाधा को संबोधित करता है: वेरिएंस रिडक्शन की उच्च कम्प्यूटेशनल लागत, विशेष रूप से हाई-डायमेंशनल, PDE-कन्स्ट्रेंड सेटिंग्स में।

एम्मोर्टाइजेशन: पिछले न्यूरल कंट्रोल वेरिएंट मेथड्स के विपरीत, जिन्हें प्रत्येक ऑब्जर्वेशन के लिए फिर से प्रशिक्षित करने की आवश्यकता होती है, CNCV एक बार जॉइंट डेटा पर प्रशिक्षित होता है और अनदेखे ऑब्जर्वेशन्स के लिए सामान्यीकरण करता है। लेखक नोट करते हैं कि लगभग बीस अलग-अलग ऑब्जर्वेशन्स वाले समस्याओं के लिए, CNCV की एम्मोर्टाइज्ड लागत नॉन-एम्मोर्टाइज्ड बेसलाइन्स की तुलना में बेहतर है।
स्केलेबिलिटी: कपलिंग लेयर्स के ट्रायंगुलर जैकोबियन स्ट्रक्चर का लाभ उठाकर, यह विधि हाई-डायमेंशन में डायवर्जेंस एस्टिमेशन से जुड़ी $O(d)$ कम्प्यूटेशनल बाधा को दूर करती है।
लचीलापन: यह विधि स्कोर के स्रोत के प्रति उदासीन (agnostic) है, जो एनालिटिकल फिजिक्स-बेस्ड स्कोर और सीखे गए जेनेरेटिव मॉडल्स दोनों के साथ प्रभावी ढंग से काम करती है।
अनबायस्डनेस (Unbiasedness): लेखक इस बात पर जोर देते हैं कि जबकि यह विधि वेरिएंस को कम करती है, यह मूल पोस्टीरियर एप्रोक्सिमेशन को नहीं बदलती है। यदि स्कोर और सैंपल्स एक ही सीखे गए स्रोत (जैसे कि CNF) से आते हैं, तो एस्टिमेटर उस सीखे गए पोस्टीरियर के तहत बिल्कुल अनबायस्ड रहता है। वास्तविक पोस्टीरियर के साथ कोई भी विसंगति केवल सीखे गए स्कोर की गुणवत्ता के कारण होती है, न कि कंट्रोल वेरिएंट मैकेनिज्म के कारण।

लेखक निष्कर्ष निकालते हैं कि CNCV विशेष रूप से नॉन-गौसियन सेटिंग्स में मूल्यवान है जहाँ इष्टतम कंट्रोल वेरिएट्स नॉन-लीनियर होते हैं और एम्मोर्टाइजेशन आवश्यक होता है, जो जटिल इन्वर्स प्रॉब्लम्स के लिए कुशल अनिश्चितता मात्रा निर्धारण (uncertainty quantification) का एक व्यावहारिक मार्ग प्रदान करता है।