🤖 machine learning

RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction

RareCP टाइम सीरीज़ फोरकास्टिंग के लिए एक रेजीम-अवेयर रिट्रीवल विधि है जो अलग-अलग एरर रेजीम्स को पहचानने के लिए मिक्सचर-ऑफ-एक्सपर्ट्स का उपयोग करके और विश्वसनीय, एसिमेट्रिक प्रेडिक्शन इंटरवल्स उत्पन्न करने के लिए प्रासंगिक कैलिब्रेशन उदाहरणों को रिट्रीव करने हेतु एक ड्रिफ्ट-एडैप्टिव हाइपरनेटवर्क का उपयोग करके कॉन्फॉर्मल प्रेडिक्शन दक्षता को बढ़ाता है।

मूल लेखक: Manuel Heurich, Maximilian Granz, Tim Landgraf

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Manuel Heurich, Maximilian Granz, Tim Landgraf

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 कल के मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास एक सुपर-स्मार्ट कंप्यूटर मॉडल है जो कहता है, "तापमान 75°F होगा।" यह एक पॉइंट प्रेडिक्शन (point prediction) है। लेकिन वास्तविक दुनिया में, आपको संभावनाओं की रेंज जानने की आवश्यकता होती है। क्या यह 70–80°F होगा? या क्या यह 60–90°F जैसा कुछ अनिश्चित हो सकता है?

यह रेंज एक प्रेडिक्शन इंटरवल (prediction interval) कहलाती है। यदि इंटरवल बहुत चौड़ा है, तो यह बहुत उपयोगी नहीं है (जैसे यह कहना कि "शायद बारिश हो या शायद न हो")। यदि यह बहुत संकीर्ण है, तो आप बिना छाते के बारिश में फंस सकते हैं।

यह पेपर एक नया टूल पेश करता है जिसे RareCP (Regime-Aware Retrieval for Efficient Conformal Prediction) कहा जाता है। इसका काम किसी भी मौजूदा मौसम मॉडल (या स्टॉक प्रेडिक्टर, या ट्रैफिक फोरकास्टर) को यह सिखाना है कि वे अधिक स्मार्ट और कुशल तरीके से प्रेडिक्शन रेंज कैसे बनाएं।

RareCP कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. समस्या: "एक ही आकार सबके लिए उपयुक्त नहीं है" (One Size Does Not Fit All)

इन रेंज को बनाने के तरीके अक्सर एक ही आकार के रेनकोट (one-size-fits-all raincoat) की तरह काम करते हैं। वे मान लेते हैं कि मॉडल जो गलतियाँ करता है, वे हमेशा एक जैसी होती हैं।

वास्तविकता: टाइम सीरीज़ डेटा (जैसे मौसम या शेयर बाजार की कीमतें) बहुत अव्यवस्थित होता है। कभी-कभी मॉडल बहुत सटीक होता है (शांत दिन), और कभी-कभी यह बड़ी गलतियाँ करता है (तूफानी दिन)। कभी-कभी त्रुटियाँ (errors) समय के साथ धीरे-धीरे बदलती हैं; अन्य समय में, दुनिया अचानक एक पूरी तरह से अलग "मोड" (regime) में बदल जाती है, जैसे कि अचानक आती हीटवेव या मार्केट क्रैश।
खामी: पुराने तरीके या तो इन बदलावों पर प्रतिक्रिया करने में बहुत धीमे होते हैं या सुरक्षित रहने के लिए रेनकोट को बड़ा और बड़ा बनाते जाते हैं, जिससे प्रेडिक्शन बेकार हो जाता है।

2. समाधान: एक "स्मार्ट लाइब्रेरियन" और एक "गिरगिट" (Chameleon)

RareCP एक स्मार्ट लाइब्रेरियन की तरह काम करता है जो केवल आज के दिन को नहीं देखता, बल्कि अभिलेखागार (archives) में जाकर उन दिनों को खोजता है जो बिल्कुल आज की तरह महसूस होते हैं।

"रेजीम-अवेयर" (Regime-Aware) लाइब्रेरियन: केवल पिछले सभी दिनों को देखने के बजाय, RareCP जानता है कि दिनों के अलग-अलग "प्रकार" होते हैं। इसके पास विशेषज्ञों (experts) की एक टीम है।
- एक विशेषज्ञ केवल "शांत, धूप वाले दिनों" को देखता है।
- दूसरा केवल "अव्यवस्थित, तूफानी दिनों" को देखता है।
- तीसरा केवल "धीरे-धीरे बदलते मौसमों" को देखता है।
- जब कोई नया पूर्वानुमान आता है, तो एक "गेटकीपर" तय करता है कि अभी कौन सा विशेषज्ञ सबसे प्रासंगिक है और मदद के लिए उन्हें बुलाता है।
"रिट्रीवल" (समान दिनों को खोजना): एक बार जब सही विशेषज्ञ चुन लिया जाता है, तो RareCP अतीत में उन शीर्ष-k सबसे समान दिनों (जुड़वा दिनों) की तलाश करता है। यह केवल रैंडम पुराना डेटा नहीं उठाता; यह उन विशिष्ट दिनों को चुनता है जहाँ मॉडल ने वैसी ही गलतियाँ की थीं जैसी वह आज कर सकता है।
"गिरगिट" (Hypernetwork): दुनिया बदलती रहती है। 10 साल पहले का एक "शांत दिन" आज के "शांत दिन" से अलग दिख सकता है। RareCP एक गिरगिट जैसी प्रक्रिया (हाइपरनेटवर्क) का उपयोग करता है जो वर्तमान डेटा के "वाइब" (vibe) से मेल खाने के लिए अपने खोज मानदंडों को लगातार नया आकार देता है। यह सुनिश्चित करता है कि लाइब्रेरियन केवल पुराने पैटर्न नहीं, बल्कि सही प्रकार की समानता की तलाश कर रहा है।

3. यह इंटरवल कैसे बनाता है

एक बार जब RareCP अतीत के इन "जुड़वा दिनों" को खोज लेता है:

यह उन जुड़वा दिनों पर वास्तविक त्रुटियों (प्रेडिक्शन और वास्तविकता के बीच का अंतर) को देखता है।
यह उस रेंज की गणना करता है जहाँ उन पिछले त्रुटियों का 80% (या 90%) हिस्सा आता था।
यह उस रेंज को वर्तमान प्रेडिक्शन पर लागू करता है।

परिणाम:

शांत दिनों में, "जुड़वा" दिन भी शांत थे, इसलिए त्रुटियाँ कम थीं। RareCP एक सटीक, संकीर्ण इंटरवल बनाता है।
अव्यवस्थित दिनों में, "जुड़वा" दिन भी अव्यवस्थित थे, जिनमें बड़ी त्रुटियाँ थीं। RareCP एक चौड़ा, सुरक्षित इंटरवल बनाता है।
यह हर जगह इंटरवल को चौड़ा नहीं करता; यह स्थानीय स्तर पर अनुकूलित (adapt) होता है।

4. यह बेहतर क्यों है (इसका "एफिशिएंसी" दावा)

पेपर ने GIFT-Eval नामक एक विशाल बेंचमार्क पर RareCP का परीक्षण किया, जिसमें 22 अलग-अलग डेटासेट (ऊर्जा, ट्रैफिक, फाइनेंस आदि) शामिल हैं।

उपमा: कल्पना कीजिए कि दो लोग कद्दू के वजन का अनुमान लगाने की कोशिश कर रहे हैं।
- व्यक्ति A (पुराना तरीका): हमेशा अनुमान लगाता है "5 से 50 पाउंड के बीच।" वे 80% बार सही होते हैं, लेकिन उनकी रेंज बहुत बड़ी और अनुपयोगी है।
- व्यक्ति B (RareCP): कद्दू के आकार, रंग और डंठल को देखता है। यदि यह छोटा कद्दू लग रहा है, तो वह अनुमान लगाता है "5 से 8 पाउंड।" यदि यह बहुत बड़ा लग रहा है, तो वह अनुमान लगाता है "40 से 50 पाउंड।" वे भी 80% बार सही होते हैं, लेकिन उनके अनुमान बहुत अधिक सटीक होते हैं।

पेपर दिखाता है कि RareCP अन्य उन्नत तरीकों के समान "सुरक्षा" (कवरेज) प्राप्त करता है, लेकिन बहुत अधिक सटीक और उपयोगी इंटरवल प्रदान करता है। यह अन्य उन्नत तरीकों (जैसे ACI, HopCPT और ResCP) की तुलना में बेहतर प्रदर्शन करता है। यह बिना मुख्य फोरकास्टिंग मॉडल को फिर से प्रशिक्षित किए, एक स्मार्ट एडॉप्टर की तरह उसके ऊपर काम करता है।

मुख्य दावे (Summary of Claims)

यह किसी भी मॉडल के साथ काम करता है: आप इसे साधारण सांख्यिकीय मॉडल (ARIMA) या विशाल AI फाउंडेशन मॉडल्स के साथ उपयोग कर सकते हैं।
यह बदलाव को संभालता है: यह डेटा के व्यवहार में होने वाले धीमे बदलावों और अचानक आए बदलावों के अनुकूल होता है।
यह कुशल (Efficient) है: यह चौड़े इंटरवल बनाकर समय और स्थान बर्बाद नहीं करता जब डेटा अनुमानित हो।
यह सिद्ध है: परीक्षणों में, इसने अन्य शीर्ष तरीकों (जैसे ACI, HopCPT और ResCP) को सटीक और संकीर्ण इंटरवल बनाने में पछाड़ दिया।

संक्षेप में, RareCP एक संदर्भ-जागरूक सुरक्षा जाल (context-aware safety net) है जो जानता है कि कब संकीर्ण होना है और कब ढीला, जिससे यह सुनिश्चित होता है कि आपको अपनी सुरक्षा गारंटी खोए बिना सबसे सटीक भविष्यवाणी मिले।

तकनीकी सारांश: RareCP – कुशल कॉन्फॉर्मल प्रेडिक्शन के लिए रिजीम-अवेयर रिट्रीवल (Regime-Aware Retrieval)

समस्या विवरण (Problem Statement)

टाइम सीरीज़ फोरकास्टिंग (समय श्रृंखला पूर्वानुमान) के लिए जोखिम-सचेत निर्णय लेने हेतु विश्वसनीय अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ) की आवश्यकता होती है। जबकि कॉन्फॉर्मल प्रेडिक्शन (CP) एक्सचेंजबिलिटी (विनिमयता) के सिद्धांत के तहत परिमित-नमूना कवरेज गारंटी के साथ एक मॉडल-अग्नोस्टिक ढांचा प्रदान करता है, यह धारणा टाइम सीरीज़ डेटा की अनुक्रमिक प्रकृति द्वारा मौलिक रूप से खंडित हो जाती है। टेम्पोरल डिपेंडेंस (कालिक निर्भरता) और ड्रिफ्ट (विचलन) को संभालने के लिए मौजूदा अनुकूलन आम तौर पर दो श्रेणियों में आते हैं: (1) एडेप्टिव मिसकवरेज विधियाँ जो समय के साथ लक्षित कवरेज दर को समायोजित करती हैं, और (2) वेटेड CP दृष्टिकोण जो नमूना प्रासंगिकता के आधार पर कैलिब्रेशन वेट असाइन करते हैं।

लेखकों का तर्क है कि ये मौजूदा विधियाँ फोरकास्टिंग त्रुटियों के दो केंद्रीय गैर-स्थिरता (nonstationarity) स्रोतों को स्पष्ट रूप से अलग करने में विफल रहती हैं:

स्मूथली ड्रिफ्टिंग एरर डिस्ट्रीब्यूशंस (सुचारू रूप से विचलित त्रुटि वितरण): जहाँ अंतर्निहित प्रक्रिया बदलने के साथ अवशिष्ट (residual) समानताएँ विकसित होती हैं।
सह-अस्तित्व वाले विशिष्ट एरर रिजीम्स (सह-अस्तित्व वाले अलग-अलग त्रुटि शासन): जहाँ अवशिष्ट वितरण एक एकल प्रक्षेपवक्र (trajectory) के साथ सुचारू रूप से बदलने के बजाय विशिष्ट संदर्भों के बीच स्विच करते हैं।

मानक विधियाँ अक्सर इन मुद्दों पर प्रतिक्रिया के रूप में अंतराल को समान रूप से विस्तृत करती हैं या फिक्स्ड सिमिलैरिटी वेटिंग पर निर्भर करती हैं, जिससे अक्षमता (अत्यधिक चौड़े अंतराल) या रिजीम शिफ्ट के दौरान खराब कवरेज होता है।

कार्यप्रणाली: RareCP

RareCP (Regime-Aware Retrieval for Conformal Prediction) को फिक्स्ड फोरकास्टिंग मॉडल्स के लिए एक बैकबोन-अग्नोस्टिक एडेप्टर के रूप में पेश किया गया है। यह स्थानीय रूप से प्रासंगिक एरर रिजीम्स से अतीत के साइनेड रेसिडुअल्स (signed residuals) को रिट्रीव करके प्रेडिक्शन इंटरवल्स को कैलिब्रेट करता है। इसके आर्किटेक्चर में तीन प्राथमिक घटक शामिल हैं:

1. लोकल साइनेड-रेसिड्यूअल कैलिब्रेशन (Local Signed-Residual Calibration)

एब्सोल्यूट रेसिड्यूअल्स का उपयोग करने वाली विधियों के विपरीत, RareCP साइनेड रेसिड्यूअल्स ( $r_i = y_i - \hat{y}_i$ ) को कैलिब्रेट करता है। यह प्रेडिक्शन इंटरवल के लोअर और अपर टेल्स को अलग-अलग अनुकूलित करने की अनुमति देता है, जिससे एसिमेट्रिक (असममित) अंतराल संभव होते हैं। एक क्वेरी कॉन्टेक्स्ट $a_t$ को देखते हुए, RareCP रेसिड्यूअल्स का एक वेटेड एम्पिरिकल क्युमुलेटिव डिस्ट्रीब्यूशन फंक्शन (CDF), $\hat{F}_t(\rho)$ बनाता है, और क्वांटाइल्स निकालता है ताकि अंतराल $C_t = [\hat{y}_t + Q_t(\alpha/2), \hat{y}_t + Q_t(1-\alpha/2)]$ को परिभाषित किया जा सके।

2. रिजीम-अवेयर टॉप- $k$ रिट्रीवल (Regime-Aware Top- $k$ Retrieval)

त्रुटियों की "रिजीम संरचना" को संबोधित करने के लिए, RareCP एक मिक्सचर ऑफ एक्सपर्ट्स (MoE) रिट्रीवल मैकेनिज्म का उपयोग करता है:

हाइपरनेटवर्क-कंडीशन्ड एक्सपर्ट्स: कई लो-कैपेसिटी रिट्रीवल एक्सपर्ट्स को प्रशिक्षित किया जाता है। प्रत्येक एक्सपर्ट एक हाइपरनेटवर्क का उपयोग करता है जो वर्तमान क्वेरी कॉन्टेक्स्ट ( $a_t$ ) और एक डेटासेट डिस्क्रिप्टर ( $\eta_d$ , जिसमें डेटासेट ID और सांख्यिकी शामिल है) को लेता है, और एक एफाइन रिट्रीवल मैप आउटपुट करता है। यह सुनिश्चित करता है कि सिमिलैरिटी मेट्रिक वर्तमान टाइम स्टेप और डेटासेट दोनों के लिए विशिष्ट हो।
कोसाइन-अटेंशन सिमिलैरिटी: एक्सपर्ट्स अपने मैप किए गए कीज़ (keys) और क्वेरीज़ को यूनिट स्फीयर पर नॉर्मलाइज़ करते हैं, और सबसे प्रासंगिक कैलिब्रेशन रेसिड्यूअल्स को रिट्रीव करने के लिए कोसाइन सिमिलैरिटी का उपयोग करते हैं।
स्पार्स रिट्रीवल: सपोर्ट को टॉप- $k$ पड़ोसियों तक सीमित करके, यह विधि लोकैलिटी (स्थानीयता) लागू करती है, जिससे अप्रासंगिक रिजीम्स को दिए जाने वाले मास (द्रव्यमान) को कम किया जाता है।
गेट मिक्सिंग: एक लाइटवेट गेट नेटवर्क प्रत्येक एक्सपर्ट द्वारा निर्मित लोकल CDF को मिक्स करने के लिए सिम्प्लेक्स वेट्स (simplex weights) उत्पन्न करता है। यह सिस्टम को क्लस्टर्ड एरर रिजीम्स के बीच गतिशील रूप से स्विच करने की अनुमति देता है।

3. ट्रेनिंग और ऑप्टिमाइजेशन (Training and Optimization)

ऑब्जेक्टिव: मॉडल को विंकलर इंटरवल स्कोर (Winkler interval score) के स्मूथ रिलैक्सेशन को मिनिमाइज़ करने के लिए प्रशिक्षित किया जाता है।
टीचर एंकरिंग: सीखा गया रिट्रीवल मैप कोलैप्स होने या अस्थिर होने से बचाने के लिए, प्रत्येक स्टूडेंट हाइपरनेटवर्क को एक लाइटवेट, प्री-फिटेड टीचर मैप के माध्यम से पैरामीटर-स्पेस डिस्टिलेशन लॉस के जरिए एंकर किया जाता है।
लीव-वन-आउट (LOO): ट्रेनिंग में LOO कैलिब्रेशन एपिसोड का उपयोग किया जाता है जहाँ क्वेरी टारगेट को रिट्रीवल सेट से बाहर रखा जाता है, जो टेस्ट-टाइम परिदृश्य को दर्शाता है।
कवरेज करेक्शन: टेस्ट टाइम पर, RareCP लक्षित मिसकवरेज स्तर $\alpha_t$ को ऑनलाइन एडजस्ट करने के लिए एडेप्टिव कॉन्फॉर्मल इन्फरेंस (ACI) के साथ इंटीग्रेट होता है, जो ड्रिफ्ट को ठीक करता है।

मुख्य योगदान (Key Contributions)

बैकबोन्स के साथ प्रतिस्पर्धी प्रदर्शन: RareCP यह प्रदर्शित करता है कि जब कॉन्फॉर्मल प्रेडिक्शन को इस रिट्रीवल मैकेनिज्म के साथ जोड़ा जाता है, तो यह स्टेट-ऑफ-द-आर्ट टाइम सीरीज़ फाउंडेशन मॉडल्स (FMs) के नेटिव क्वांटाइल-आधारित प्रेडिक्शन इंटरवल्स के प्रतिस्पर्धी होता है, जबकि यह किसी भी पॉइंट फोरकास्टर (ARIMA सहित) पर लागू होने योग्य रहता है जिसमें नेटिव UQ की कमी है।
रिट्रीवल के माध्यम से एफिशिएंसी-कवरेज ट्रेड-ऑफ: पेपर रिसिडुअल रिट्रीवल के लिए स्पार्स कॉन्फॉर्मल कैलिब्रेशन पेश करता है। यह $K_n$ (रिट्रीव किए गए रेसिड्यूअल्स की संख्या) द्वारा नियंत्रित ट्रेड-ऑफ का विश्लेषण करता है: छोटा $K_n$ लोकल व्यवहार पर ध्यान केंद्रित करके एफिशिएंसी में सुधार करता है, जबकि बड़ा $K_n$ एसिम्प्टोटिक कंसिस्टेंसी (अनंतस्पर्शी निरंतरता) का समर्थन करता है।
स्ट्रक्चरल बायस के लिए आर्किटेक्चर: प्रस्तावित लीनियर कोसाइन-अटेंशन रिट्रीवल आर्किटेक्चर को स्पष्ट रूप से टाइम-ड्रिफ्टिंग सिमिलैरिटीज़ और क्लस्टर्ड एरर रिजीम्स को संभालने के लिए डिज़ाइन किया गया है, जो अनकन्स्ट्रेंड कैलिब्रेशन वेट्स की आवश्यकता को टालता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने GIFT-Eval बेंचमार्क पर मूल्यांकन किया, जिसमें ऊर्जा, परिवहन, जलवायु और वित्त डोमेन के 10 कोर डेटासेट्स (Bench10) और 22 डेटासेट्स का एक पूर्ण सूट (Bench22) शामिल है।

बेसलाइन्स: तुलना में स्टैंडर्ड CP मेथड्स (SplitCP, ACI, HopCPT, ResCP, KOWCPI) और फाउंडेशन मॉडल्स के नेटिव UQ हेड्स (TiRex, Chronos, Moirai, TimesFM, आदि) शामिल थे।
प्रदर्शन: RareCP ने Bench10 पर चारों टेस्टेड बैकबोन्स (TiRex, TimesFM-2.5, TabPFN-TS, ARIMA) पर सबसे कम औसत नॉर्मलाइज्ड विंकलर स्कोर (nWink) प्राप्त किया। Bench22 पर, यह प्रतिस्पर्धी रहा, केवल एक विशिष्ट बैकबोन पर ACI से पीछे रहा।
स्केलिंग: प्रदर्शन लाभ बड़े कैलिब्रेशन स्ट्रीम्स (100k और फुल-सीरीज टेस्ट) के साथ बढ़े, जो सुझाव देते हैं कि रिच रिजीम स्ट्रक्चर यूनिफॉर्म स्मूथिंग की तुलना में रिट्रीवल-आधारित कैलिब्रेशन से अधिक लाभान्वित होते हैं।
एब्लेशन (Ablations): अध्ययन ने पुष्टि की कि प्रत्येक घटक योगदान देता है:
- लर्नड डेंस सिमिलैरिटी ने nWink में ~13.9% का सुधार किया।
- हार्ड टॉप- $k$ रिट्रीवल जोड़ने से ~4.6% का सुधार हुआ।
- हाइपरनेटवर्क कंडीशनिंग ने ~1.7% का सुधार किया।
- रिजीम मिक्सचर्स (MoE) ने ~2.1% का सुधार किया।
- टीचर एंकरिंग और ACI करेक्शन ने छोटे लेकिन निरंतर लाभ प्रदान किए।
कवरेज: RareCP ने अधिकांश डेटासेट्स में लक्षित कवरेज (80%) के करीब एम्पिरिकल कवरेज बनाए रखा, जबकि कुछ बेसलाइन्स (जैसे, KOWCPI) ने महत्वपूर्ण अंडरकवरेज की कीमत पर संकीर्ण अंतराल प्राप्त किए।

महत्व और सीमाएं (Significance and Limitations)

महत्व:
पेपर का तर्क है कि टाइम सीरीज़ के लिए कॉन्फॉर्मल कैलिब्रेशन को ड्रिफ्ट और रेसिड्यूल-रिजीम स्ट्रक्चर को अलग-अलग मॉडल करने से लाभ होता है। RareCP कवरेज गारंटी से समझौता किए बिना इंटरवल एफिशिएंसी को बेहतर बनाने के लिए एक रिट्रीवल-आधारित मैकेनिज्म प्रदान करता है, जो फ्लेक्सिबिलिटी और कॉन्फॉर्मल प्रेडिक्शन की कठोरता के बीच के अंतर को प्रभावी ढंग से पाटता है। यह पैरामीटर स्पेस में हाइपरनेटवर्क के साथ टीचर-स्टूडेंट डिस्टिलेशन का उपयोग करके कॉन्फॉर्मल वेटिंग रूल पैरामीटर्स को एमोर्टाइज (amortize) करने वाला पहला तरीका है।

सीमाएं:

सैद्धांतिक दायरा: सैद्धांतिक विश्लेषण एक स्वच्छ सेटिंग मानता है जहाँ रिट्रीवल नियम कैलिब्रेशन रेसिड्यूअल्स से अलग डेटा से सीखा गया है या उससे पहले ही फिक्स कर दिया गया है। यह एक मजबूत रिट्रीवल नियम सीखने और कैलिब्रेशन के लिए डेटा रिजर्व करने के बीच के फाइनाइट-सैंपल ट्रेड-ऑफ को पूरी तरह से हल नहीं करता है।
विषम ड्रिफ्ट (Heterogeneous Drift): हालांकि Bench10 पर प्रभावी है, लेकिन इसकी कवरेज अधिक विषम Bench22 स्प्लिट पर कमजोर थी, जो दर्शाता है कि स्पार्स या अचानक ड्रिफ्ट अभी भी चुनौतीपूर्ण है।
कंप्यूटेशनल लागत: सरल कॉन्फॉर्मल बेसलाइन्स की तुलना में RareCP की ऑफलाइन ट्रेनिंग कॉस्ट अधिक है क्योंकि इसमें हाइपरनेटवर्क्स और टीचर एंकरिंग की ट्रेनिंग शामिल है।

लेखक निष्कर्ष निकालते हैं कि भविष्य के कार्यों को बड़े पैमाने पर लर्निंग-कैलिब्रेशन स्प्लिट्स को एक्सप्लोर करना चाहिए और कैशड एम्बेडिंग्स या एप्रोक्सिमेट रिट्रीवल के माध्यम से ट्रेनिंग लागत को कम करना चाहिए, जबकि उसी लोकल एरर रिजीम से रेसिड्यूअल्स का उपयोग करके इंटरवल्स को कैलिब्रेट करने के मूल सिद्धांत को बनाए रखना चाहिए।