🤖 machine learning

Uncertainty Estimation via Hyperspherical Confidence Mapping

यह शोध पत्र हाइपरस्फेरिकल कॉन्फिडेंस मैपिंग (HCM) को प्रस्तुत करता है, जो एक सरल, सैंपलिंग-मुक्त और डिस्ट्रीब्यूशन-मुक्त ढांचा है जो रिग्रेशन और क्लासिफिकेशन दोनों कार्यों के लिए नियत (डिटरमिनिस्टिक), व्याख्या योग्य और लागत प्रभावी अनिश्चितता अनुमान प्रदान करने के लिए यूनिट हाइपरस्फीयर पर ज्यामितीय बाधाओं का लाभ उठाता है, जो कॉन्फिडेंस-एरर एलाइनमेंट में मौजूदा एन्सेम्बल और एविडेंशियल विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Eunseo Choi, Ho-Yeon Kim, Jaewon Lee, Taeyong jo, Myungjun lee, Heejin Ahn

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eunseo Choi, Ho-Yeon Kim, Jaewon Lee, Taeyong jo, Myungjun lee, Heejin Ahn

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 "Uncertainly Estimation via Hyperspherical Confidence Mapping" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: अति-आत्मविश्वासी रोबोट (The Overconfident Robot)

कल्पना कीजिए कि आप कार चलाने या बीमारी का निदान करने के लिए एक रोबोट बना रहे हैं। आप इसे लाखों उदाहरणों पर प्रशिक्षित करते हैं, और यह सही उत्तर देने में बहुत माहिर हो जाता है। लेकिन समस्या यह है कि: न्यूरल नेटवर्क यह जानने में बहुत खराब होते हैं कि उन्हें कब कुछ नहीं पता है।

यदि आप एक सेल्फ-ड्राइविंग कार को टोपी पहने हुए जिराफ की तस्वीर दिखाते हैं, तो वह 99% निश्चितता के साथ कह सकती है, "यह एक स्टॉप साइन है!" उच्च-जोखिम वाली स्थितियों (जैसे ड्राइविंग या सर्जरी) में, यह अंधा आत्मविश्वास खतरनाक है। हमें एक ऐसा तरीका चाहिए जिससे AI कह सके, "मैं इस बारे में सुनिश्चित नहीं हूँ," ताकि कोई इंसान हस्तक्षेप कर सके।

इन समस्याओं को ठीक करने के मौजूदा तरीके ऐसे हैं जैसे मौसम का अनुमान लगाने के लिए या तो:

100 अलग-अलग मौसम विज्ञानियों से पूछना (Ensembles): सटीक, लेकिन महंगा और धीमा।
यह मानना कि मौसम एक आदर्श बेल कर्व (Bell Curve) का पालन करता है (Distribution-based): तेज़, लेकिन अक्सर गलत क्योंकि वास्तविक जीवन एक आदर्श वक्र नहीं होता।

समाधान: HCM ("स्ट्रेची रबर बैंड" विधि)

लेखकों ने हाइपरस्फेरिक कॉन्फिडेंस मैपिंग (HCM) नामक एक नया तरीका प्रस्तावित किया है। यह एक ऐसा तरीका है जिससे AI बिना 100 दोस्तों से पूछे या जटिल सांख्यिकीय अनुमान लगाए, तुरंत अपनी अनिश्चितता (uncertainty) की गणना कर सकता है।

यह कैसे काम करता है, यहाँ एक सरल उपमा दी गई है:

1. दो-भाग वाला उत्तर

आमतौर पर, एक AI आपको उत्तर के रूप में एक एकल संख्या या संभावनाओं की एक सूची देता है। HCM खेल बदल देता है। यह AI को अपने उत्तर को दो अलग-अलग भागों में तोड़ने के लिए मजबूर करता है:

परिमाण (Magnitude - सिग्नल कितना मजबूत है?): इसे एक तीर की लंबाई के रूप में सोचें।
दिशा (Direction - यह किस ओर इशारा कर रहा है?): इसे तीर के कोण के रूप में सोचें।

AI को एक ऐसी "दिशा" की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है जो हमेशा ठीक 1 यूनिट लंबी होनी चाहिए (जैसे एक सटीक रबर बैंड जिसे एक विशिष्ट आकार तक खींचा गया हो)। यह "हाइपरस्फेरिक" भाग है—यह एक ज्यामितीय नियम है जो कहता है, "आपकी दिशा इस पूर्ण वृत्त/गोले (Sphere) पर फिट होनी चाहिए।"

2. "स्ट्रेची रबर बैंड" की उपमा

कल्पना कीजिए कि AI एक लक्ष्य (सही उत्तर) की ओर इशारा करने की कोशिश कर रहा है।

जब AI आश्वस्त होता है: तो वह सीधे लक्ष्य की ओर इशारा करता है। "दिशा" वाला तीर बिल्कुल सीधा और ठीक 1 यूनिट लंबा होता है। "परिमाण" आपको बताता है कि भविष्यवाणी कितनी मजबूत है।
जब AI भ्रमित होता है: वह लक्ष्य की ओर इशारा करने की कोशिश तो करता है, लेकिन अनिश्चित होने के कारण, उसका आंतरिक "दिशा" वाला तीर गड़बड़ा जाता है। वह शायद डगमगा सकता है, या वह गलती से इतना खिंच या सिकुड़ सकता है कि वह अब ठीक 1 यूनिट लंबा नहीं रहता।

जादुई ट्रिक: पेपर का दावा है कि तीर का सटीक लंबाई 1 से कितना खिंचता या सिकुड़ता है, वही अनिश्चितता का माप है।

पूर्ण लंबाई (1.0): "मैं 100% आश्वस्त हूँ।"
खिंचा हुआ/सिकुड़ा हुआ (0.8 या 1.2): "मैं भ्रमित हूँ। मैं 1.0 से जितना दूर हूँ, उतनी ही अधिक संभावना है कि मैं गलत हूँ।"

यह "अनिश्चितता स्कोर" (Uncertainty Score) है। यह एक सरल गणितीय गणना है: तीर ने ठीक 1 यूनिट लंबी होने के नियम का कितना उल्लंघन किया?

यह क्यों शानदार है (परिणाम)

पेपर ने इस विचार का कई तरीकों से परीक्षण किया:

यह तेज़ और सस्ता है: उन तरीकों के विपरीत जिन्हें औसत निकालने के लिए AI को 50 बार चलाना पड़ता है, HCM एक ही बार में अनिश्चितता की गणना करता है। यह 50 लोगों को मापने के लिए कहने के बजाय तुरंत रबर बैंड की लंबाई जांचने जैसा है।
यह सबके लिए काम करता है: चाहे AI किसी श्रेणी का अनुमान लगा रहा हो (वर्गीकरण: "क्या यह बिल्ली है या कुत्ता?") या किसी संख्या का (रिग्रेशन: "पानी कितना गहरा है?"), यह "तीर की लंबाई" वाला तरीका दोनों के लिए काम करता है।
वास्तविक दुनिया का प्रमाण:
- कृत्रिम डेटा (Artificial Data): उन्होंने एक नकली दुनिया बनाई जहाँ कुछ क्षेत्र शोर (noisy) वाले थे और कुछ अज्ञात थे। HCM ने "अज्ञात" क्षेत्रों को उच्च अनिश्चितता के रूप में सही ढंग से पहचाना।
- इमेज रिकग्निशन: CIFAR-10 जैसे मानक इमेज टेस्ट पर, HCM "अजीब" छवियों (Out-of-Distribution) को पहचानने में भारी और महंगे तरीकों के समान ही प्रभावी था, लेकिन बहुत तेज़ था।
- डेप्थ एस्टीमेशन (Depth Estimation): जब वस्तुओं की दूरी बताने की बात आती है, तो HCM के अनिश्चितता स्कोर वास्तविक त्रुटियों के साथ बहुत अच्छी तरह मेल खाते थे। यदि AI ने कहा "मैं अनिश्चित हूँ," तो वह वास्तव में गलत था।
- सेमीकंडक्टर मैन्युफैक्चरिंग: उन्होंने कंप्यूटर चिप्स में सूक्ष्म छेदों के आकार की भविष्यवाणी करने के लिए वास्तविक फैक्ट्री डेटा पर इसका परीक्षण किया। HCM ने सफलतापूर्वक उन "खराब" भविष्यवाणियों को चिह्नित किया जिन्हें अन्य तरीकों ने मिस कर दिया था, जो महंगी विनिर्माण त्रुटियों को रोकने के लिए महत्वपूर्ण है।

मुख्य निष्कर्ष (The Bottom Line)

पेपर का तर्क है कि AI को दिशा और परिमाण के संदर्भ में सोचने के लिए मजबूर करके, और फिर यह देखकर कि उसकी दिशा ज्यामिति के नियमों को कितना "तोड़ती" है, हमें एक इन-बिल्ट झूठ पकड़ने वाला यंत्र (lie detector) मिल जाता है।

यदि AI की आंतरिक ज्यामिति "खिंची हुई" है, तो वह हमें बता रहा है, "हे, मैं इस बारे में सुनिश्चित नहीं हूँ।" यह एक सरल, गणितीय रूप से आधारित तरीका है जिससे हम जटिल गणनाओं के साथ AI को धीमा किए बिना उसे अधिक विश्वसनीय बना सकते हैं।

सीमाओं पर ध्यान दें: लेखक स्वीकार करते हैं कि यदि "रबर बैंड" का नियम बहुत सख्त है (प्रतिबंध पर बहुत अधिक वजन), तो AI भ्रमित हो सकता है और वास्तविक उत्तर सीखना बंद कर सकता है। इसलिए, नियम की "कसावट" (tightness) को सावधानीपूर्वक ट्यून करने की आवश्यकता होती है। साथ ही, यह विधि मानती है कि उत्तर को दिशा और आकार में विभाजित किया जा सकता है, जो अधिकांश चीजों के लिए काम करता है लेकिन हर प्रकार की समस्या के लिए उपयुक्त नहीं हो सकता है।

तकनीकी सारांश: हाइपरस्फेरिकल कॉन्फिडेंस मैपिंग के माध्यम से अनिश्चितता अनुमान (Uncertainty Estimation)

1. समस्या विवरण (Problem Statement)

न्यूरल नेटवर्क भविष्यवाणियों में अनिश्चितता को मापना स्वायत्त ड्राइविंग (autonomous driving), स्वास्थ्य सेवा और सेमीकंडक्टर विनिर्माण जैसे उच्च-जोखिम वाले क्षेत्रों में AI की तैनाती के लिए महत्वपूर्ण है। मौजूदा अनिश्चितता अनुमान विधियों को महत्वपूर्ण ट्रेड-ऑफ का सामना करना पड़ता है:

सैंपलिंग-आधारित विधियाँ (जैसे, मोंटे कार्लो ड्रॉपआउट, डीप एनसेम्बल्स) प्रभावी हैं लेकिन इनमें भारी कम्प्यूटेशनल और मेमोरी ओवरहेड होता है, जो वास्तविक समय (real-time) की प्रयोज्यता को सीमित करता है।
वितरण-आधारित विधियाँ (जैसे, गॉसियन रिग्रेशन, एविडेंशियल लर्निंग) नियतकालिक अनुमान (deterministic inference) प्रदान करती हैं लेकिन वे मजबूत पैरामीट्रिक धारणाओं (जैसे, गॉसियन या डिरिचलेट प्रायर्स) पर निर्भर करती हैं जो जटिल या मल्टीमॉडल अनिश्चितता को पकड़ने में विफल हो सकती हैं।
इंटरवल-आधारित और समानता-आधारित विधियाँ अक्सर कई क्वांटाइल आउटपुट, सावधानीपूर्वक ऑब्जेक्टिव डिज़ाइन की आवश्यकता रखती हैं या उन क्लास प्रोटोटाइप्स पर निर्भर करती हैं जो स्वाभाविक रूप से रिग्रेशन कार्यों तक विस्तारित नहीं होते हैं।

यह शोध पत्र एक ऐसे फ्रेमवर्क की आवश्यकता की पहचान करता है जो सैंपलिंग-मुक्त (sampling-free), डिस्ट्रीब्यूशन-मुक्त (distribution-free), कम्प्यूटेशनल रूप से कुशल और रिग्रेशन एवं वर्गीकरण (classification) दोनों कार्यों के लिए व्याख्यात्मक (interpretable) हो।

2. कार्यप्रणाली: हाइपरस्फेरिकल कॉन्फिडेंस मैपिंग (HCM)

प्रस्तावित फ्रेमवर्क, हाइपरस्फेरिकल कॉन्फिडेंस मैपिंग (HCM), भविष्यवाणी समस्या को मॉडल आउटपुट को दो ज्यामितीय घटकों में विभाजित करके पुनर्गठित करता है: एक स्केलर मैग्नीट्यूड $R$ और एक यूनिट-नॉर्म दिशा वेक्टर $d$ ।

2.1 ज्यामितीय सूत्रीकरण (Geometric Formulation)

एक लक्ष्य $y \in \mathbb{R}^D$ के लिए, HCM भविष्यवाणी को $y = Rd $के रूप में पुनर्गठित करता है, जहाँ$ R \in \mathbb{R}^+ $और$ d \in \mathbb{R}^D $है और$ |d|_2 = 1 $है। मॉडल$ \hat{R} $और$ \hat{d} $की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है, जिससे अंतिम आउटपुट का पुनर्निर्माण$ \hat{y} = \hat{R}\hat{d}$ होता है।

स्केलर रिग्रेशन हैंडलिंग: स्केलर लक्ष्यों ( $D=1$ ) के लिए, मुख्य सूत्रीकरण को बदले बिना मैग्नीट्यूड-डायरेक्शन डिकंपोजिशन सक्षम करने के लिए लक्ष्य को डुप्लीकेशन ( $y_{exp} = (y, y)$ ) के माध्यम से 2D स्पेस में एम्बेड किया जाता है।
प्रतिबंध (Constraint): दिशा वेक्टर $\hat{d}$ को यूनिट हाइपरस्फीयर ( $\|\hat{d}\|_2 = 1$ ) पर रहने के लिए बाध्य किया गया है।

2.2 अनिश्चितता एक प्रतिबंध उल्लंघन के रूप में (Uncertainty as Constraint Violation)

पारंपरिक विधियों के विपरीत जो वेरिएंस या सैंपलिंग के माध्यम से अनिश्चितता को मॉडल करती हैं, HCM अनिश्चितता को ज्यामितीय प्रतिबंध के उल्लंघन की डिग्री के रूप में व्याख्यायित करता है।

अनिश्चितता स्कोर: अनिश्चितता $u(x)$ को इस प्रकार परिभाषित किया गया है:
$u(x) := \hat{R}(x) \left| \|\hat{d}(x)\|_2 - 1 \right|$
व्याख्या: यदि मॉडल आश्वस्त है, तो $\hat{d}$ यूनिट हाइपरस्फीयर के करीब होगा। यदि मॉडल अनिश्चित है (उदाहरण के लिए, शोर या आउट-ऑफ-डिस्ट्रीब्यूशन इनपुट के कारण), तो $\hat{d}$ यूनिट नॉर्म से विचलित हो जाएगा। यह विचलन, अनुमानित मैग्नीट्यूड द्वारा स्केल किया गया, एक नियतकालिक (deterministic) अनिश्चितता स्कोर के रूप में कार्य करता है।

2.3 प्रशिक्षण उद्देश्य (Training Objective)

कुल लॉस फंक्शन $L_{total}$ तीन पदों से बना है:

डायरेक्शन लॉस: $\phi_d(R \|e_d\|_2)$ , जो दिशा वेक्टर को सुपरवाइज करता है।
मैग्निट्यूड लॉस: $\phi_R(e_R)$ , जो मैग्नीट्यूड को सुपरवाइज करता है।
नॉर्म रेगुलराइजेशन: $\lambda_{norm} \phi_{norm}(\left| \|\hat{d}\|_2 - 1 \right|)$ , जो यूनिट-नॉर्म प्रतिबंध को कोमलता से लागू करता है।

यह सूत्रीकरण अनुमति देता है कि लॉस अपनी वक्रता (curvature) को अनुकूलित कर सके (जैसे, हबर या स्मूथ-$\ell_1 का उपयोग करके) जबकि दिशा, मैग्नीट्यूड और नॉर्म के एकीकृत उपचार को बनाए रखता है।

2.4 सैद्धांतिक आधार (Theoretical Foundations)

पेपर अनिश्चितता स्कोर और भविष्यवाणी त्रुटि के बीच सैद्धांतिक संबंधों को स्थापित करता है:

त्रुटि का निचला स्तर (Lower Bound on Error): प्रपोजिशन 1 सिद्ध करता है कि भविष्यवाणी त्रुटि $\|e_y\|_2$ द्वारा $u(x)$ द्वारा निम्न-बद्ध (lower-bounded) है (विशेष रूप से $\|e_y\|_2 \geq u(x)(1-\epsilon)$ )। इस प्रकार, एक उच्च अनिश्चितता स्कोर गणितीय रूप से एक बड़ी भविष्यवाणी त्रुटि की गारंटी देता है।
नॉइज़ ट्रैकिंग: प्रपोजिशन 2 प्रदर्शित करता है कि एक व्युत्पन्न मात्रा $\hat{\sigma}(x)$ एडिटिव गॉसियन नॉइज़ के तहत ग्राउंड-ट्रुथ नॉइज़ लेवल $\sigma^2$ को ट्रैक करती है, जो एलियटोरिक (aleatoric) परिवर्तनशीलता का एक नियतकालिक माप प्रदान करती है।

3. प्रमुख योगदान (Key Contributions)

नया फ्रेमवर्क: HCM का परिचय, जो एक सैंपलिंग-मुक्त और डिस्ट्रीब्यूशन-मुक्त अनिश्चितता अनुमान विधि है जो वर्गीकरण और रिग्रेशन दोनों के लिए लागू है।
सैद्धांतिक आधार: भविष्यवाणी को एक बाधित अनुकूलन समस्या (constrained optimization problem) के रूप में पुनर्गठित करना जहाँ प्रतिबंध उल्लंघन भविष्यवाणी त्रुटि के प्रमाण योग्य निचले स्तर के रूप में कार्य करते हैं।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक बेंचमार्किंग जो दिखाती है कि HCM अंशांकन (calibration) और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डिटेक्शन में एनसेम्बल और एविडेंशियल दृष्टिकोणों के बराबर या उनसे बेहतर है, जबकि काफी कम इन्फरेंस लागत लगती है।
औद्योगिक प्रयोज्यता: विसंगति का पता लगाने (anomaly detection) के लिए स्पेक्ट्रोस्कोपिक एलिप्सोमेट्री डेटा में HCM की प्रभावशीलता का प्रदर्शन।

4. प्रयोगात्मक परिणाम (Experimental Results)

4.1 वर्गीकरण और OOD डिटेक्शन (CIFAR-10)

प्रदर्शन: HCM (विशेष रूप से "HCM मिक्स" वेरिएंट जो MixUp ऑग्मेंटेशन का उपयोग करता है) ने OOD डिटेक्शन के लिए 89.44% का औसत AUROC प्राप्त किया, जो KNN (90.97%) और NCI (90.36%) के प्रतिस्पर्धी है।
दक्षता: सैंपलिंग-आधारित विधियों (Ensembles, MC Dropout) के विपरीत, जिन्हें कई फॉरवर्ड पास की आवश्यकता होती है, HCM एक सिंगल फॉरवर्ड पास के साथ काम करता है। इसने तुलना की गई सभी विधियों में सबसे कम कम्प्यूटेशनल लेटेंसी हासिल की जबकि प्रतिस्पर्धी सटीकता बनाए रखी।
MixUp सिनर्जी: पेपर नोट करता है कि MixUp, HCM के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाता है क्योंकि इंटरपोलेटेड नमूने स्वाभाविक रूप से यूनिट स्फीयर पर क्लास एंकर्स के बीच की दिशाओं के अनुरूप होते हैं, जिससे मॉडल अनिश्चितता को अधिक निष्ठा से व्यक्त कर पाता है। यह लाभ अन्य बेसलाइन के लिए नहीं देखा गया।

4.2 रिग्रेशन और कैलिब्रेशन (NYU-v2 डेप्थ एस्टीमेशन)

कैलिब्रेशन: HCM ने सबसे मजबूत संरेखण (alignment) प्रदर्शित किया, उच्चतम पियर्सन (0.4919) और स्पीयरमैन (0.5425) सहसंबंध प्राप्त किया।
ट्रेड-ऑफ: जबकि HCM ने वेरिएंस-आधारित बेसलाइन जैसे डीप एनसेम्बल्स की तुलना में बेहतर कैलिब्रेशन दिखाया, इसमें थोड़ा अधिक RMSE और कम कवरेज मेट्रिक्स (cov@1 $\sigma$ , cov@2 $\sigma$ ) देखे गए। लेखक इसे मैग्नीट्यूड-डायरेक्शन डिकंपोजिशन में निहित पुनर्निर्माण त्रुटि के कारण बताते हैं।
गुणात्मक व्यवहार: HCM ने स्मूथ कॉन्फिडेंस बैंड्स उत्पन्न किए जो शोर वाले क्षेत्रों और प्रशिक्षण डोमेन के बाहर चौड़े हो जाते हैं, प्रभावी रूप से एलियटोरिक और एपिस्टेमिक अनिश्चितता दोनों को कैप्चर करते हैं।

4.3 औद्योगिक उच्च-आयामी रिग्रेशन (Industrial High-Dimensional Regression)

कार्य: स्पेक्ट्रोस्कोपिक एलिप्सोमेट्री डेटा से 3D वेफर होल ज्योमेट्री की भविष्यवाणी करना।
परिणाम: HCM ने अनिश्चितता स्कोर और वास्तविक त्रुटियों के बीच सबसे मजबूत पियर्सन (0.8435) और स्पीयरमैन (0.7579) सहसंबंध प्राप्त किया।
व्यावहारिक उपयोगिता: HCM ने कम कॉन्फिडेंस स्कोर असाइन करके उच्च-त्रुटि वाले नमूनों की सफलतापूर्वक पहचान की, जिससे ग्राउंड ट्रुथ तक पहुँच के बिना अविश्वसनीय भविष्यवाणियों को फ़िल्टर करना संभव हो गया। यह क्षमता सुरक्षा-महत्वपूर्ण औद्योगिक तैनाती के लिए अत्यंत महत्वपूर्ण है।

5. महत्व और दावे (Significance and Claims)

यह पेपर HCM को पारंपरिक अनिश्चितता अनुमान तकनीकों के एक बहुमुखी विकल्प के रूप में प्रस्तुत करता है। इसका प्राथमिक महत्व निम्नलिखित में निहित है:

ज्यामितीय व्याख्यात्मकता (Geometric Interpretability): अनिश्चितता को एक ज्यामितीय प्रतिबंध के उल्लंघन में आधारित करके, यह विधि संभाव्य प्रायर्स (probabilistic priors) पर निर्भर किए बिना एक नियतकालिक, व्याख्यात्मक स्कोर प्रदान करती है।
दक्षता: यह सैंपलिंग के कम्प्यूटेशनल बोझ को समाप्त करता है, जिससे यह वास्तविक समय और संसाधन-बाधित वातावरण के लिए उपयुक्त बनता है।
कार्य तटस्थता (Task Agnosticism): यह एक एकल ज्यामितीय ढांचे के तहत रिग्रेशन और वर्गीकरण के उपचार को एकीकृत करता है।

लेखक सीमाओं को स्वीकार करते हुए कहते हैं कि अनिश्चितता स्कोर प्रशिक्षण गतिशीलता (विशेष रूप से नॉर्म प्रतिबंध भार $\lambda$ और लर्निंग रेट के बीच संतुलन) पर निर्भर करता है और वर्तमान में यह आउटपुट स्तर पर संचालित होता है, जिसके लिए सीधे फ्रोजन लार्ज लैंग्वेज मॉडल्स पर लागू होने के बजाय फाइन-ट्यूनिंग की आवश्यकता होती है। इसके अतिरिक्त, यह विधि मानती है कि लक्ष्यों को मैग्नीट्यूड और दिशा में विघटित किया जा सकता है, जो स्वाभाविक रूप से मल्टी-वैल्यूड आउटपुट वाले कार्यों को प्रतिबंधित कर सकता है।

इन सीमाओं के बावजूद, लेखक निष्कर्ष निकालते हैं कि HCM अनिश्चितता अनुमान में ज्यामितीय संरचना की शक्ति को उजागर करता है, जो अकादमिक बेंचमार्क और औद्योगिक अनुप्रयोगों दोनों में एक स्केलेबल और विश्वसनीय दृष्टिकोण प्रदान करता है।