🤖 machine learning

GRAPHLCP: Structure-Aware Localized Conformal Prediction on Graphs

यह शोध पत्र GRAPHLCP का प्रस्ताव करता है, जो ग्राफ न्यूरल नेटवर्क के लिए एक संरचना-जागरूक स्थानीयकृत कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क है, जो बेहतर सशर्त कवरेज के साथ कुशल, परिमित-नमूना गारंटीकृत अनिश्चितता परिमाणीकरण प्राप्त करने के लिए फीचर-जागरूक डेंसिफिकेशन और पर्सनलाइज्ड पेजरैंक-आधारित कर्नेल के माध्यम से ग्राफ टोपोलॉजी और इंटर-नोड निर्भरताओं को एकीकृत करता है।

मूल लेखक: Peyman Baghershahi, Fangxin Wang, Debmalya Mandal, Sourav Medya

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Peyman Baghershahi, Fangxin Wang, Debmalya Mandal, Sourav Medya

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 आपके पास एक बहुत ही स्मार्ट रोबोट (एक ग्राफ न्यूरल नेटवर्क) है जो कनेक्शनों के एक जटिल जाल को देखता है—जैसे कि एक सोशल नेटवर्क, सड़कों का नक्शा, या एक रासायनिक अणु—और भविष्यवाणियां करता है। शायद वह अनुमान लगाता है कि किसी व्यक्ति की अगली पोस्ट क्या होगी, या किसी विशिष्ट पड़ोस में घर की कीमत क्या होगी।

समस्या यह है कि यह रोबोट अक्सर अति-आत्मविश्वासी (overconfident) होता है। वह आपको एक एकल उत्तर देता है बिना यह बताए कि वह कितना निश्चित है। उच्च-जोखिम वाली स्थितियों में (जैसे धोखाधड़ी पकड़ने या मौसम की भविष्यवाणी करने में), गलत होना खतरनाक हो सकता है।

कन्फॉर्मल प्रेडिक्शन (Conformal Prediction) एक सुरक्षा जाल (safety net) है। एक एकल उत्तर देने के बजाय, यह आपको संभावित उत्तरों की एक सूची (एक "प्रेडिक्शन सेट") देता है। यह वादा करता है: "मुझे 90% यकीन है कि वास्तविक उत्तर इस सूची में है।"

हालांकि, ग्राफ डेटा पर इस सुरक्षा जाल को लागू करना कठिन है। यहाँ कारण दिया गया है कि क्यों, और लेखकों की नई विधि, GRAPHLCP, इसे कैसे ठीक करती है।

समस्या: "धुंधली तस्वीर" और "अलग-थलग द्वीप"

वर्तमान विधियाँ यह पता लगाने की कोशिश करती हैं कि दो नोड्स (ग्राफ के बिंदु) एक-दूसरे के कितने समान हैं, इसके लिए उनके "एम्बेडिंग्स" (embeddings) को देखती हैं। एम्बेडिंग्स को नोड की विशेषताओं की एक धुंधली तस्वीर (blurry photograph) के रूप में समझें।

धुंधलापन (The Blur): क्योंकि रोबोट पूरे ग्राफ को एक साथ प्रोसेस करता है, इसलिए फोटो धुंधली हो जाती है (जिसे "ओवर-स्मूथिंग" कहा जाता है)। दो बहुत अलग नोड्स इस धुंधली फोटो में लगभग एक जैसे दिख सकते हैं।
अलगाव (The Isolation): यदि ग्राफ विरल (sparse) है (जैसे कम सड़कों वाला एक छोटा शहर), तो रोबक अपने पड़ोसियों को वास्तव में जानने के लिए पर्याप्त दूर तक नहीं देख पाता है। वह दूर के नोड्स के साथ ऐसा व्यवहार करता है जैसे वे मौजूद ही नहीं हैं।

जब आप इन धुंधली तस्वीरों का उपयोग करके सुरक्षा जाल बनाने की कोशिश करते हैं, तो आपको दो बुरे परिणाम मिलते हैं:

"सब कुछ" वाली सूची: रोबोट को लगता है कि सब कुछ एक जैसा दिखता है, इसलिए वह एक ऐसा प्रेडिक्शन सेट बनाता है जो इतना बड़ा है कि वह बेकार है (जैसे, "उत्तर 0 से 100 के बीच कहीं भी है")।
"कुछ नहीं" वाली सूची: रोबोट को लगता है कि टेस्ट नोड पूरी तरह से अद्वितीय है और उसके पास कोई समान पड़ोसी नहीं है, इसलिए वह आपको एक छोटी, जोखिम भरी सूची देता है जो वास्तविक उत्तर को चूक सकती है।

समाधान: GRAPHLCP (एक "स्मार्ट पड़ोस गाइड")

लेखक GRAPHLCP का प्रस्ताव देते हैं, जो धुंधली फोटो पर निर्भर रहने के बजाय यह तय करने के लिए कि कौन किससे समान है, वास्तविक मानचित्र (graph structure) का उपयोग करता है।

यह कैसे काम करता है, इसके चरणों को एक रचनात्मक उपमा (analogy) का उपयोग करके यहाँ समझाया गया है:

1. "मैप रिपेयर" (फीचर-अवेयर डेंसिफिकेशन)

कल्पना कीजिए कि आप एक छोटे, शांत गाँव (एक विरल ग्राफ) में हैं जहाँ सड़कें टूटी हुई हैं, और आप अपने पड़ोसियों को स्पष्ट रूप से नहीं देख पा रहे हैं।

GRAPHLCP क्या करता है: लोगों को समान दिखने से पहले, यह अस्थायी रूप से उन लोगों के बीच नए, अस्थायी पुल बनाता है जो उनकी विशेषताओं के आधार पर एक जैसे दिखते हैं (जैसे कि एक जैसी शर्ट पहनना), भले ही वे मानचित्र पर सीधे जुड़े न हों।
क्यों: यह "अलग-थलग द्वीप" की समस्या को ठीक करता है। यह सुनिश्चित करता है कि रोबोट एक व्यापक पड़ोस देख सके, विरल क्षेत्रों में अंतराल को भरता है ताकि वह अकेलेपन के कारण भ्रमित न हो।

2. "पर्सनलाइज्ड टूर गाइड" (पर्सनलाइज्ड पेज रैंक)

एक बार जब मैप ठीक हो जाता है, तो रोबोट को भविष्यवाणी करने में मदद के लिए एक "पड़ोसी" चुनने की आवश्यकता होती है। पुराने तरीके केवल धुंधली फोटो में सबसे करीबी व्यक्ति को चुनते थे।

GRAPHLCP क्या करता है: यह पर्सनलाइज्ड पेज रैंक (Personalized PageRank - PPR) नामक एक विधि का उपयोग करता है। कल्पना कीजिए कि आप टेस्ट नोड हैं। आप एक "टूर गाइड" छोड़ते हैं जो आपके घर से बेतरतीब ढंग से चलना शुरू करता है।
- गाइड के पास किसी भी चरण में रुकने और कहने का मौका होता है, "यह व्यक्ति मेरा पड़ोसी है!"
- यदि गाइड चलते रहता है, तो वह दूर के लोगों के पास जा सकता है, लेकिन उसके उन लोगों पर रुकने की अधिक संभावना है जो कई रास्तों के माध्यम से आपसे वास्तव में जुड़े हुए हैं।
क्यों: यह लंबे समय के कनेक्शन (long-range connections) को पकड़ता है। यह महसूस करता है कि भले ही दो लोग सीधे पड़ोसी न हों, वे दोस्तों की एक श्रृंखला के माध्यम से जुड़े हो सकते हैं। यह केवल धुंधली फोटो देखने की तुलना में बहुत अधिक विश्वसनीय है।

3. "वेटेड वोट" (भारित मतदान)

अब, रोबोट इन "पड़ोसियों" से मदद मांगता है।

पुराना तरीका: "फोटो में दिखने वाला हर समान व्यक्ति बराबर वोट देगा।" (बुरा, क्योंकि फोटो धुंधली है)।
GRAPHLCP तरीका: "वे पड़ोसी जो संरचनात्मक रूप से आपके करीब हैं (टूर गाइड के माध्यम से) उन्हें अधिक वोट मिलेंगे।"
परिणाम: रोबोट सबसे प्रासंगिक, संरचनात्मक रूप से जुड़े पड़ोसियों के आधार पर एक प्रेडिक्शन सेट बनाता है। यह एक ऐसी सूची बनाता है जो उपयोगी होने के लिए पर्याप्त सटीक (tight) है लेकिन सुरक्षित होने के लिए पर्याप्त विस्तृत (wide) भी है।

परिणाम: उन्होंने क्या पाया?

लेखकों ने 15 अलग-अलग डेटासेट्स (सोशल नेटवर्क, साइटेशन ग्राफ और भौगोलिक डेटा सहित) पर इसका परीक्षण किया।

सुरक्षा सर्वोपरि: GRAPHLCP ने अपना वादा निभाया। यदि इसने कहा "मुझे 90% यकीन है," तो वास्तविक उत्तर 90% बार सूची में था, भले ही डेटा कम मात्रा में हो।
दक्षता (Efficiency): अन्य विधियों के विपरीत जो सूचियाँ बहुत बड़ी (समय बर्बाद करना) या बहुत छोटी (जोखिम भरी) बना देती थीं, GRAPHLCP ने "गोल्डिलॉक्स" ज़ोन (सही संतुलन) खोज लिया। सूचियाँ बिल्कुल सही आकार की थीं।
अजीब चीजों को संभालना: यह विशेष रूप से उन ग्राफ्स पर अच्छा काम करता है जहाँ कनेक्शन अव्यवस्थित थे या जहाँ "धुंधली फोटो" वाली विधि पूरी तरह से विफल रही थी।

सारांश

GRAPHLCP को एक रोबोट के सुरक्षा तंत्र को अपग्रेड करने के रूप में समझें। यह पूछने के बजाय कि, "इस धुंधली फोटो में मैं किसके जैसा दिखता हूँ?" यह पूछता है, "वास्तविक दुनिया में मुझसे कौन जुड़ा है, और मैं दोस्तों की एक श्रृंखला के माध्यम से तक पहुँच सकता हूँ?" वास्तविक कनेक्शनों के मानचित्र का उपयोग करके और पहले टूटी हुई सड़कों को ठीक करके, यह भविष्यवाणियों के लिए एक बहुत अधिक स्मार्ट, अधिक विश्वसनीय सुरक्षा जाल बनाता है।

तकनीकी सारांश: GRAPHLCP

समस्या विवरण

ग्राफ न्यूरल नेटवर्क (GNNs) का उपयोग ड्रग डिस्कवरी, मौसम पूर्वानुमान और धोखाधड़ी का पता लगाने जैसे उच्च-जोखिम वाले क्षेत्रों में तेजी से किया जा रहा है, जिससे विश्वसनीय अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ) की आवश्यकता बढ़ गई है। कॉन्फॉर्मल प्रेडिक्शन (Conformal Prediction - CP) सेट-वैल्यूड भविष्यवाणियों के निर्माण के लिए एक डिस्ट्रीब्यूशन-फ्री फ्रेमवर्क प्रदान करता है जो परिमित-नमूना गारंटी (finite-sample guarantees) देता है। हालाँकि, GNNs पर CP लागू करना अनूठी चुनौतियाँ पेश करता है:

संरचनात्मक निर्भरता (Structural Dependencies): ग्राफ में नोड्स स्वाभाविक रूप से एक-दूसरे पर निर्भर होते हैं, जो क्लासिकल CP के लिए आवश्यक मानक स्वतंत्र और समान रूप से वितरित (i.i.d.) धारणाओं का उल्लंघन करते हैं।
एम्बेडिंग सीमाएँ (Embedding Limitations): ग्राफ के लिए मौजूदा स्थानीयकृत (localized) CP विधियाँ अक्सर स्थानीय पड़ोस को परिभाषित करने के लिए एम्बेडिंग-स्पेस निकटता (जैसे, GNN एम्बेडिंग्स पर कर्नेल डेंसिटी एस्टीमेशन) पर निर्भर करती हैं। यह दृष्टिकोण अक्सर अविश्वसनीय होता है क्योंकि:
- ओवर-स्मूथिंग (Over-smoothing): गहरा मैसेज पासिंग समानता मापों के विचरण (variance) को कम कर देता है, जिससे एम्बेडिंग्स अनिर्णायक हो जाती हैं।
- ओवर-स्क्वैशिंग (Over-squashing): टोपोलॉजिकल बॉटलनेक्स वैश्विक सूचना प्रवाह को बाधित करते हैं, विशेष रूप से हेटरोफिली (heterophily) के तहत।
- अल्प-आत्मविश्वास (Under-confidence): GNNs अक्सर सीखी गई रिप्रजेंटेशन्स में अपर्याप्त पृथकता (separability) प्रदर्शित करते हैं।
मौजूदा समाधानों की अक्षमता: वर्तमान ग्राफ-विशिष्ट CP विधियाँ या तो सहायक मॉडल (auxiliary models) के प्रशिक्षण पर निर्भर करती हैं (जिससे कंप्यूटेशनल ओवरहेड बढ़ता है) या कठोर संरचनात्मक विभाजनों (जैसे, हार्ड क्लस्टरिंग) का उपयोग करती हैं जो सूक्ष्म स्थानीय हेटरोफिली को पकड़ने में विफल रहती हैं। फलस्वरूप, मौजूदा विधियाँ अक्सर जटिल टोपोलॉजी में अत्यधिक रूढ़िवादी या खराब तरीके से स्थानीयकृत भविष्यवाणियां प्रदान करती हैं।

कार्यप्रणाली: GRAPHLCP

लेखक GRAPHLCP का प्रस्ताव करते हैं, जो एक प्रॉक्सिमिटी-आधारित स्थानीयकृत कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क है जिसे स्थानीयकरण और वेटिंग चरणों में ग्राफ टोपोलॉजी और नोड-दर-नोड निर्भरता को स्पष्ट रूप से शामिल करने के लिए डिज़ाइन किया गया है। यह विधि एक ट्रांसडक्टिव सेटिंग में कार्य करती है जहाँ GNN को प्री-ट्रेन और फ्रीज किया गया है। यह फ्रेमवर्क चार प्रमुख चरणों से बना है:

1. फीचर-अवेयर डेंसिफिकेशन (Feature-Aware Densification)

स्पार्स ग्राफ में लोकैलिटी बायस को कम करने और दीर्घ-रेंज सिमेंटिक निर्भरता को कैप्चर करने के लिए, लेखक कर्नेल गणना से पहले एक डेंसिफिकेशन चरण पेश करते हैं।

PCA प्रोजेक्शन: नोड एम्बेडिंग्स को पहले सह-संबंधित फीचर आयामों को अलग करने और स्पेस को सघन बनाने के लिए प्रिंसिपल कंपोनेंट एनालिसिस (PCA) के माध्यम से प्रोजेक्ट किया जाता है, जो ओवर-स्मूथिंग के कारण होने वाले शोर और रेडंडेंसी को संबोधित करता है।
एडाप्टिव एनिसोट्रोपिक कर्नेल (Adaptive Anisotropic Kernel): PCA-ट्रांसफॉर्म किए गए एम्बेडिंग्स का उपयोग करके एक एनिसोट्रोपिक गौसियन कर्नेल बनाया जाता है। बैंडविड्थ को विभिन्न आयामों में अलग-अलग स्केल्स को ध्यान में रखते हुए कोवेरिएंस मैट्रिक्स के आइजनवैल्यूज़ के आधार पर अनुकूलित किया जाता है।
एज ऑग्मेंटेशन (Edge Augmentation): यदि गैर-जुड़े नोड्स के बीच समानता (गौसियन कर्नेल के माध्यम से गणना की गई) एक डायनेमिक थ्रेशोल्ड $\tau_d$ से अधिक हो जाती है, तो ग्राफ एडजेसेंसी मैट्रिक्स में नए किनारे (edges) जोड़े जाते हैं। यह थ्रेशोल्ड सूचनात्मक किनारों को जोड़ने और शोर (noise) को रोकने के बीच संतुलन बनाने के लिए ग्राफ के होमफीली अनुपात के आधार पर स्वचालित रूप से ट्यून किया जाता है।

2. पर्सनलाइज्ड पेजरैंक (PPR) कर्नेल

केवल एम्बेडिंग दूरी पर निर्भर रहने के बजाय, GRAPHLCP संरचनात्मक निकटता को मॉडल करने के लिए PPR का उपयोग करता है।

स्थानीयकरण (Localization): PPR एक रिस्टार्ट प्रोबेबिलिटी ( $\beta$ ) के माध्यम से मल्टी-हॉप प्रभाव को बनाए रखते हुए स्थानीयता को कैप्चर करता है। यह निकटता का एक सॉफ्ट, संभाव्य विचार प्रदान करता है जो स्वाभाविक रूप से वेटेड CP के साथ संरेखित होता है।
सैंपलिंग (Sampling): एक टेस्ट नोड के लिए, टेस्ट नोड पर केंद्रित PPR-प्रेरित वितरण से एक एंकर नोड सैंपल किया जाता है। यह सुनिश्चित करता है कि पास के नोड्स क्वांटाइल अनुमान पर अधिक प्रभाव डालें।
वेटिंग (Weighting): कैलिब्रेशन और टेस्ट नोड्स को सैंपल किए गए एंकर के संरचनात्मक निकटता के अनुसार भारित (weight) किया जाता है। लेखक कुशलतापूर्वक वजन की गणना के लिए PPR की डिग्री-नॉर्मलाइज्ड सिमेट्री ( $d_i H(u_i, u_j) = d_j H(u_j, u_i)$ ) का लाभ उठाते हैं, भले ही कैलिब्रेशन नमूनों की संख्या टेस्ट नमूनों से अधिक हो।

3. रैंडमाइज्ड लोकलाइज्ड कॉन्फॉर्मल प्रेडिक्शन (RLCP) एकीकरण

GRAPHLCP, RLCP फ्रेमवर्क को अनुकूलित करता है। टेस्ट नोड $u_{n+1}$ के PPR वितरण से एक एंकर नोड $\tilde{u}_{n+1}$ को सैंपल करके, विधि नॉन-कन्फॉर्मिटी स्कोर के वेटेड क्वांटाइल के आधार पर एक प्रेडिक्शन सेट बनाती है। वजन (weights) deampled एंकर के सापेक्ष PPR स्कोर से प्राप्त होते हैं, जिससे विधि को स्थानीय ग्राफ संदर्भ के अनुकूल होने की अनुमति मिलती है।

4. प्रेडिक्शन निर्माण

अंतिम प्रेडिक्शन सेट $\hat{C}_n(u_{n+1})$ उन लेबल्स $y$ का सेट है जहाँ नॉन-कन्फॉर्मिटी स्कोर $s(u_{n+1}, y)$ , वेटेड क्वांटाइल $\hat{q}_{1-\alpha}$ के बराबर या उससे कम है। यह क्वांटाइल PPR कर्नेल से प्राप्त भार और कैलिब्रेशन सेट के नॉन-कन्फॉर्मिटी स्कोर का उपयोग करके गणना किया जाता है।

मुख्य योगदान

स्ट्रक्चर-अवेयर लोकलाइजेशन: यह पेपर एम्बेडिंग-ओनली प्रॉक्सिमिटी के स्थान पर PPR-आधारित कर्नेल का उपयोग करके स्ट्रक्चरल और फीचर-आधारित लोकलाइजेशन के बीच के अंतर को पाटता है। यह कॉन्फॉर्मल वेटिंग प्रक्रिया में ग्राफ टोपोलॉजी को स्पष्ट रूप से शामिल करता है।
फीचर-अवेयर डेंसिफिकेशन: एक अभिनव प्री-प्रोसेसिंग चरण जो स्पर्सिटी को कम करने और लॉन्ग-रेंज डिपेंडेंसी को कैप्चर करने के लिए एम्बेडिंग समानता (PCA और एडेप्टिव एनिसोट्रोपिक कर्नेल के माध्यम से) का उपयोग करके ग्राफ टोपोलॉजी को बढ़ाता है।
कुशल वेटिंग स्कीम: विधि अनडायरेक्टेड ग्राफ के लिए डिग्री-नॉर्मलाइज्ड सिमेट्री का लाभ उठाकर PPR-आधारित वेट्स को कुशलतापूर्वक गणना करने का एक तरीका प्रदान करती है, जिससे बड़े कैलिब्रेशन सेट्स के लिए पूर्ण PPR वेक्टर्स की गणना करने की कम्प्यूटेशनल अक्षमता से बचा जा सकता है।
सैद्धांतिक वैधता: यह दृष्टिकोण ट्रांसडक्टिव सेटिंग्स में मार्जिनल कवरेज के लिए आवश्यक एक्सचेंजैबिलिटी गारंटी को बनाए रखता है जबकि रिलैक्स्ड टेस्ट-कंडीशनल कवरेज में सुधार करने का लक्ष्य रखता है।

प्रयोगात्मक परिणाम

लेखकों ने सात नोड रिग्रेशन और आठ नोड क्लासिफिकेशन डेटासेट्स (साइटेशन नेटवर्क, अमेज़न को-परचेज और भौगोलिक डेटासेट्स सहित) पर GRAPHLCP का मूल्यांकन किया।

मार्जिनल कवरेज (Marginal Coverage): सभी विधियों, जिनमें GRAPHLCP भी शामिल है, ने लक्षित मिसकवरेज रेट ( $\alpha = 0.1$ ) को पूरा किया, जो दृष्टिकोण की वैधता की पुष्टि करता है।
कंडीशनल कवरेज (WSC): वर्स्ट-केस स्लैब (WSC) डायग्नोस्टिक्स में, जो प्रोजेक्शन दिशाओं में न्यूनतम कवरेज को खोजने के लिए प्रतिकूल रूप से काम करते हैं, GRAPHLCP ने अधिकांश डेटासेट्स में CalLCP, RLCP और SCP जैसे बेसलाइन्स से बेहतर या दूसरा सर्वश्रेष्ठ परिणाम प्राप्त किया।
ग्रुप-आधारित कवरेज: GRAPHLCP ने होमफीली, फीचर क्लस्टरिंग, क्लस्टरिंग कोएफिशिएंट और नोड डिग्री पर आधारित विभाजन के माध्यम से बेहतर कवरेज प्रदर्शित किया। विधि विशेष रूप से उन हेटरोफिलस क्षेत्रों में प्रभावी थी जहाँ मानक विधियाँ संघर्ष करती हैं।
प्रेडिक्शन एफिशिएंसी: जबकि CalLCP अक्सर अत्यधिक बड़े प्रेडिक्शन सेट्स (ओवर-कवरेज) बनाता था, GRAPHLCP ने अनुकूलित नॉर्मलाइज्ड प्रेडिक्शन लेंथ प्राप्त की, जो कवरेज और सेट साइज के बीच एक बेहतर ट्रेड-ऑफ प्रदान करता है।
एब्लेशन स्टडीज (Ablation Studies):
- PPR कर्नेल को गौसियन कर्नेल (GSS) से बदलने के परिणामस्वरूप कम कवरेज और बड़े प्रेडिक्शन सेट्स मिले, जो स्ट्रक्चर-अवेयर लोकलाइजेशन के महत्व की पुष्टि करते हैं।
- डेंसिफिकेशन स्टेप को, विशेष रूप से रिग्रेशन कार्यों के लिए, सबसे महत्वपूर्ण घटक के रूप में पहचाना गया।
- PCA प्रोजेक्शन को सह-संबंधित एम्बेडिंग फीचर्स के नकारात्मक प्रभावों को कम करने के लिए महत्वपूर्ण दिखाया गया।

महत्व और दावे

पेपर दावा करता है कि GRAPHLCP स्पष्ट रूप से संरचनात्मक निर्भरताओं को मॉडल करके मौजूदा ग्राफ CP विधियों की सीमाओं को सफलतापूर्वक संबोधित करता है। संभावित रूप से नुकसानदेह (lossy) GNN एनकोडर्स से भार को अलग करके और एक PPR-आधारित कर्नेल का उपयोग करके, विधि अनिश्चितता मात्रा निर्धारण के लिए एक "लोअर-नॉइज़ रेसिड्यूल पाथवे" (lower-noise residual pathway) बनाती है।

लेखक दावा करते हैं कि GRAPмHLCP परिमित नमूनों के साथ मार्जिनल कवरेज की गारंटी देता है और विभिन्न कंडीशनिंग परिदृश्यों में अनुकूल टेस्ट-कंडीशनल कवरेज कुशलतापूर्वक प्राप्त करता है। वे इस बात पर जोर देते हैं कि यह विधि उन जटिल टोपोलॉजी में विशेष रूप से मजबूत है जहाँ एम्बेडिंग-आधारित समानताएं ओवर-स्मूथिंग या ओवर-स्क्वैशिंग के कारण विफल हो जाती हैं। यह कार्य ग्राफ पर प्रभावी UQ के लिए स्ट्रक्चर-अवेयर लोकलाइजेशन की आवश्यकता को रेखांकित करता है, जो केवल फीचर-स्पेस प्रॉक्सिमिटी पर निर्भरता से आगे बढ़ता है। लेखक विनम्रतापूर्वक नोट करते हैं कि भविष्य की दिशाओं में विकसित होती टोपोलॉजी वाले डायनेमिक ग्राफ्स तक इस फ्रेमवर्क का विस्तार करना शामिल है।