📊 statistics

Online Conformal Prediction: Enforcing monotonicity via Online Optimization

यह शोध पत्र दो नवीन ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन विधियों का प्रस्ताव करता है जो कवरेज के विभिन्न स्तरों पर एक साथ वैध, सख्ती से नेस्टेड प्रेडिक्शन सेट्स उत्पन्न करने के लिए ऑनलाइन ऑप्टिमाइज़ेशन का लाभ उठाते हैं, जिससे अनुक्रमिक सेटिंग्स में सांख्यिकीय दक्षता और विषम जोखिम सहनशीलता के प्रति अनुकूलन क्षमता में सुधार होता है।

मूल लेखक: Eduardo Ochoa Rivera, Ambuj Tewari

प्रकाशित 2026-05-14

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eduardo Ochoa Rivera, Ambuj Tewari

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 एक मौसम विज्ञान हैं। आपका काम केवल यह कहना नहीं है कि "बारिश होगी"; बल्कि यह बताना भी है कि आप इस बारे में कितने आश्वस्त हैं।

स्तर 1: "मुझे 90% यकीन है कि बारिश नहीं होगी।" (आप एक छोटा, सुरक्षित छाता देते हैं)।
स्तर 2: "मुझे 50% यकीन है कि बारिश नहीं होगी।" (आप एक मध्यम छाता देते हैं)।
स्तर 3: "मुझे 10% यकीन है कि बारिश नहीं होगी।" (आप एक विशाल, भारी-भरकम टेंट देते हैं)।

वास्तविक दुनिया में, अलग-अलग लोगों को सुरक्षा के अलग-अलग स्तरों की आवश्यकता होती है। एक हाइकर को केवल एक छोटे छाते की आवश्यकता हो सकती है, लेकिन बाढ़ के जोखिमों का प्रबंधन करने वाले नगर नियोजक (city planner) को एक विशाल टेंट की आवश्यकता हो सकती है।

समस्या: "मेसी अंब्रेला" (बिखरे हुए छाते) का प्रभाव
लंबे समय तक, कंप्यूटर वैज्ञानिकों के पास "कॉन्फ़ॉर्मल प्रेडिक्शन" (Conformal Prediction) नामक एक उपकरण था, जो गणितीय गारंटी के साथ ये "छाते" (प्रेडिक्शन सेट्स) बनाने के लिए उपयोग किया जाता था। हालाँकि, जब डेटा तेज़ी से आता है (जैसे लाइव मौसम का डेटा), तो मौजूदा तरीकों में एक दोष था: वे प्रत्येक छाते को स्वतंत्र रूप से बनाते थे।

यदि आप कंप्यूटर से 90% वाला छाता और 10% वाला छाता अलग-अलग बनाने के लिए कहते, तो वह गलती से 90% वाले छाते को 10% वाले से भी छोटा बना सकता था। यह ऐसा है जैसे आप हाइकर को एक छोटा टेंट दे रहे हों और नगर नियोजक को एक छोटा छाता। यह तर्कहीन है! बड़ा सुरक्षा जाल हमेशा छोटे वाले के भीतर होना चाहिए। इसे मोनोटोनिसिटी (monotonicity) या नेस्टेडनेस (nestedness) कहा जाता है, और पुराने ऑनलाइन तरीके इसकी गारंटी नहीं दे पाते थे।

समाधान: "वास्तुकारों की एक टीम"
यह शोध पत्र दो नए तरीके (एक्सपोनेंशियल ग्रेडिएंट और प्रोजेक्टेड ग्रेडिएंट) प्रस्तावित करता है जो रूसी नेस्टिंग डॉल्स (रशियन डॉल) की तरह काम करने वाली टीम के रूप में काम करते हैं, न कि प्रत्येक डॉल को अलग-थलग बनाने के रूप में।

ये कैसे काम करते हैं, इसके लिए सरल उपमाएँ यहाँ दी गई हैं:

1. "एक्सपोनेंशियल ग्रेडिएंट" (द ग्लोबल कोऑर्डिनेटर - वैश्विक समन्वयक)

एक कंडक्टर की कल्पना करें जो एक ऑर्केस्ट्रा का नेतृत्व कर रहा है। प्रत्येक संगीतकार को अपना नोट बजाने के लिए कहने और फिर उम्मीद करने के बजाय कि वे एक साथ अच्छे लगेंगे, कंडक्टर पूरे समूह को सुनता है।

यदि 90% वाला छाता बहुत छोटा है, तो कंडक्टर केवल उसे ठीक नहीं करता; वह एक साथ सभी छतों के बीच की दूरी को समायोजित करता है।
वे जानकारी साझा करते हैं। यदि "जोखिम" बढ़ जाता है, तो पूरी टीम एक साथ आगे बढ़ती है ताकि यह सुनिश्चित हो सके कि बड़ा टेंट हमेशा छोटे छाते को कवर करे।
परिणाम: छाते पूरी तरह से एक-दूसरे के भीतर (nested) होते हैं, और टीम तेज़ी से सीखती है क्योंकि वे एक-दूसरे की मदद करते हैं।

2. "प्रोजेक्टेड ग्रेडिएंट" (द लोकल फिक्सर - स्थानीय सुधारक)

एक निर्माण दल की कल्पना करें जो सीढ़ियाँ बना रहा है।

पहले, वे स्वतंत्र रूप से सीढ़ियाँ बिछाते हैं।
फिर, एक फोरमैन लेवल (level) लेकर आता है। यदि कोई सीढ़ी क्रम से बाहर है (उदाहरण के लिए, एक ऊँची सीढ़ी नीचे वाली सीढ़ी से नीचे है), तो फोरमैन उसे वापस सही जगह पर धकेलता है ताकि सीढ़ियाँ सुचारू रूप से ऊपर की ओर जाएँ।
परिणाम: सीढ़ियाँ गारंटीकृत रूप से सुरक्षित और व्यवस्थित होती हैं, लेकिन यह सुधार शुरुआती काम के बाद होता है, इसलिए यह कंडक्टर पद्धति की तुलना में थोड़ा कम समन्वित होता है।

उन्होंने क्या परीक्षण किया

लेखकों ने इन तरीकों का परीक्षण दो तरह से किया:

सिंथेटिक डेटा (द ड्रिफ्टिंग रिवर - बहती नदी): उन्होंने एक नकली नदी बनाई जहाँ पानी का स्तर (अनिश्चितता) बेतरतीब ढंग से ऊपर-नीचे होता रहता था। वे देखना चाहते थे कि क्या उनके तरीके बिना छतों को आपस में उलझाए, बदलते जल स्तरों का पता लगा सकते हैं। "ग्लोबल कोऑर्डिनेटर" (एक्सपोनेंशियल ग्रेडिएंट) परिवर्तनों को सुचारू रूप से ट्रैक करने में सबसे बेहतर था।
वास्तविक डेटा (अमेरिकी मुद्रास्फीति/US Inflation): उन्होंने वास्तविक अमेरिकी मुद्रास्फीति डेटा (कीमतें समय के साथ कैसे बदलती हैं) का उपयोग किया। वे देखना चाहते थे कि क्या वे विभिन्न विश्वास स्तरों (99% से 1% तक) के साथ भविष्य की कीमतों की भविष्यवाणी कर सकते हैं।
- निष्कर्ष: पुराने तरीकों ने कभी-कभी "लहराते हुए" (wobbly) अनुमान दिए जहाँ विश्वास स्तर एक-दूसरे को काट देते थे। नए तरीकों ने साफ और स्पष्ट "फैन चार्ट्स" (fan charts) बनाए जहाँ उच्च-विश्वास वाले अनुमान हमेशा कम-विश्वास वाले अनुमानों को करीने से अपने भीतर समाहित करते थे।

यह क्यों मायने रखता है

वास्तविक दुनिया में, निर्णय लेने वालों (जैसे बैंकर, आपातकालीन योजनाकार, या डॉक्टर) को अक्सर एक ही समय में जोखिम के पूरे स्पेक्ट्रम को देखने की आवश्यकता होती है।

यदि आप एक आपातकालीन योजनाकार हैं, तो आपको "सबसे खराब स्थिति" (एक विशाल टेंट) और "संभावित स्थिति" (एक छोटा छाता) दोनों को एक साथ जानने की आवश्यकता हो सकती है।
यदि कंप्यूटर आपको "संभावित" परिदृश्य के लिए एक विशाल टेंट और "सबसे खराब स्थिति" के लिए एक छोटा छाता देता है, तो आप सही निर्णय नहीं ले पाएंगे।

यह शोध पत्र हमें एक सुरक्षा जाल का पूरा स्पेक्ट्रम उत्पन्न करने का तरीका देता है जो गणितीय रूप से सही क्रम में होने की गारंटी देता है, जिससे वे वास्तविक समय के निर्णय लेने के लिए बहुत अधिक उपयोगी बन जाते हैं।

संक्षेप में: उन्होंने कंप्यूटर को ऐसे सुरक्षा जाल बनाना सिखाया जो हमेशा एक-दूसरे के भीतर फिट बैठते हैं, चाहे डेटा कितना भी अराजक क्यों न हो, ऐसा इसलिए क्योंकि उन्होंने जाल को अकेले काम करने के बजाय एक-दूसरे से "बात" करना सिखाया है।

तकनीकी सारांश: ऑनलाइन अनुकूलन के माध्यम से ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन

समस्या विवरण

कॉन्फॉर्मल प्रेडिक्शन (Conformal prediction) परिमित-नमूना कवरेज गारंटी (finite-sample coverage guarantees) के साथ अनिश्चितता मात्रा निर्धारण के लिए एक सिद्धांतवादी ढांचा प्रदान करता है। जबकि हालिया प्रगति ने इन विधियों को ऑनलाइन और अनुक्रमिक सेटिंग्स में विस्तारित किया है, मौजूदा दृष्टिकोण आमतौर पर एकल कवरेज स्तर ( $1-\alpha$ ) पर कार्य करते हैं। जब एक साथ कई कवरेज स्तरों की आवश्यकता होती है—जो मौसम पूर्वानुमान, मैक्रोइकोनॉमिक भविष्यवाणी और जोखिम प्रबंधन जैसे अनुप्रयोगों में एक सामान्य परिदृश्य है जहाँ उपयोगकर्ताओं की जोखिम सहनशीलता विषम होती है—तो मानक ऑनलाइन विधियों को प्रत्येक $\alpha$ के लिए स्वतंत्र रूप से चलाना पड़ता है।

यह स्वतंत्र निष्पादन एक महत्वपूर्ण सीमा की ओर ले जाता है: परिणामी प्रेडिक्शन सेट (prediction sets) के नेस्टेड (nested) होने की गारंटी नहीं है। व्यावहारिक शब्दों में, उच्च विश्वास स्तर (जैसे 99%) के लिए एक प्रेडिक्शन सेट, निम्न विश्वास स्तर (जैसे 90%) के लिए सेट का एक सुपरसेट होना चाहिए। नेस्टिंग संपत्ति के बिना, अनिश्चितता अनुमान असंगत और व्याख्या करने में कठिन हो सकते हैं। इसके अलावा, स्वतंत्र अनुमान जॉइंट क्वांटाइल रिग्रेशन (joint quantile regression) से प्राप्त होने वाले सांख्यिकीय दक्षता लाभों का लाभ उठाने में विफल रहता है, जहाँ नॉन-क्रॉसिंग बाधाओं (non-crossing constraints) को लागू करने से विभिन्न क्वांटाइल्स के बीच सूचना साझाकरण संभव होता है।

यह शोध पत्र उन ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन विधियों को विकसित करने की चुनौती को संबोधित करता है जो गैर-स्थिर (non-stationary) या प्रतिकूल डेटा अनुक्रमों के तहत भी दीर्घकालिक कवरेज गारंटी बनाए रखते हुए, कवरेज स्तरों की एक श्रृंखला में नेस्टेड प्रेडिक्शन सेट्स आउटपुट कर सकें।

कार्यप्रणाली

लेखक एक ऑनलाइन अनुकूलन परिप्रेक्ष्य (online optimization perspective) पर आधारित दो नवीन एल्गोरिदम प्रस्तावित करते हैं। वे थ्रेशोल्ड (thresholds) को अपडेट करने की समस्या को एक ऑनलाइन लर्निंग कार्य के रूप में देखते हैं, जिसका लक्ष्य थ्रेशोल्ड पर मोनोटोनिसिटी (monotonicity) बाधाओं को लागू करते हुए एक संयुक्त लॉस फंक्शन को कम करना है।

1. समस्या का निरूपण

मान लीजिए कि समय $t$ पर $s_t$ एक बाउंडेड नॉन-कॉन्फॉर्मिटी स्कोर है। मिसकवरेज स्तरों $0 = \alpha_0 < \alpha_1 < \dots < \alpha_K < \alpha_{K+1} = 1$ के लिए, थ्रेशोल्ड $q_{t,i}$ का अनुमान लगाने का लक्ष्य है ताकि प्रेडिक्शन सेट्स $C^i_t = \{y : s_t(x,y) \le q_{t,i}\}$ नेस्टेड हों ( $C^{i+1}_t \subseteq C^i_t$ )। इसके लिए थ्रेशोल्ड का घटता क्रम (monotonically decreasing) होना आवश्यक है: $q_{t,1} \ge q_{t,2} \ge \dots \ge q_{t,K}$ ।

मानक ऑनलाइन अपडेट (जैसे एडेप्टिव कॉन्फॉर्मल इन्फरेंस) प्रत्येक क्वांटाइल को स्वतंत्र रूप से मानते हैं:
$q_{t+1,i} = q_{t,i} - \eta_t (\alpha_i - \text{err}_{t,i})$
जहाँ $\text{err}_{t,i}$ मिसकवरेज का इंडिकेटर है। यह दृष्टिकोण स्तरों के बीच जुड़ाव (coupling) की कमी रखता है और मोनोटोनिसिटी की गारंटी नहीं देता है।

2. प्रस्तावित एल्गोरिदम

शोध पत्र दो विधियों का परिचय देता है जो ऑनलाइन ऑप्टिमाइज़ेशन तकनीकों के माध्यम से मोनोटोनिसिटी को लागू करने के लिए अपडेट नियम को संशोधित करती हैं:

A. एक्सपोनेंशियेटेड ग्रेडिएंट (EG) डिसेंट

यह विधि एक रूपांतरित पैरामीटर स्पेस पर लागू एक्सपोनेंशियेटेड ग्रेडिएंट (Exponentiated Gradient) एल्गोरिदम का लाभ उठाती है।

पैरामीटराइजेशन: थ्रेशोल्ड को सीधे अपडेट करने के बजाय, एल्गोरिदम एक ट्रंकेटेड सिम्प्लेक्स (truncated simplex) पर क्रमिक क्वांटाइल्स के बीच के नॉर्मलाइज्ड गैप्स ( $w_{t,i}$ ) को अपडेट करता है। यह वेरिएबल परिवर्तन ( $q_{t,i} = B \sum_{j=i}^K w_{t,j}$ ) स्वाभाविक रूप से सुनिश्चित करता है कि यदि वेट्स (weights) गैर-ऋणात्मक हैं, तो क्वांटाइल्स क्रमबद्ध होंगे।
अपडेट नियम: एल्गोरिदम एक संयुक्त लॉस फंक्शन $g_t(\bar{w})$ का उपयोग करके EG अपडेट का उपयोग करता है। प्रत्येक कोऑर्डिनेट के लिए ग्रेडिएंट सभी प्रासंगिक क्वांटाइल स्तरों में मिसकवरेज विसंगतियों को एकत्रित करता है, जिससे एक ग्लोबल कपलिंग (global coupling) उत्पन्न होती है।
तंत्र (Mechanism): जब विधि अत्यधिक रूढ़िवादी (conservative) या अंडरकवर होती है, तो संचयी त्रुटि पद (cumulative error term) पूरे क्वांटाइल कर्व केAcross सभी स्तरों को एक साथ समायोजित करता है। यह विधि को सभी स्तरों के बीच शक्ति साझा करने (borrow strength) की अनुमति देता है, जिससे नेस्टेडनेस को स्वाभाविक रूप से बनाए रखने के लिए समायोजन समन्वित होते हैं।

B. प्रोजेक्टेड ग्रेडिएंट (PG) डिसेंट

यह विधि एक विशिष्ट बाधा सेट के साथ प्रोजेक्टेड ग्रेडिएंट (Projected Gradient) डिसेंट का उपयोग करती है।

अपडेट नियम: एल्गोरिदम पहले संयुक्त लॉस के आधार पर क्वांटाइल वेक्टर $\bar{q}_t$ पर स्वतंत्र ग्रेडिएंट अपडेट करता है।
प्रोजेक्शन: परिणामी वेक्टर को घटते अनुक्रमों के एक उत्तल सेट (convex set) ( $Q = \{\bar{q} : B \ge q_1 \ge \dots \ge q_K \ge 0\}$ ) पर प्रोजेक्ट किया जाता है।
तंत्र (Mechanism): इस प्रोजेक्शन को पूल एडजसेंट वायलेटर्स एल्गोरिदम (PAVA) का उपयोग करके लागू किया जाता है। EG के विपरीत, PG लोकल करेक्शन (local correction) के माध्यम से कार्य करता है: यह क्वांटाइल्स को स्वतंत्र रूप से अपडेट करता है और फिर ऑर्डरिंग बाधा को बहाल करने के लिए उन्हें न्यूनतम रूप से समायोजित करता है। यह ग्रेडिएंट स्टेप के दौरान स्तरों के बीच सूचना को पुनर्वितरित नहीं करता है।

3. सैद्धांतिक गारंटी

लेखक दोनों विधियों के लिए सैद्धांतिक सीमाएं स्थापित करते हैं:

कवरेज: दोनों विधियां दीर्घकालिक कवरेज गारंटी प्रदान करती हैं, यह सुनिश्चित करती हैं कि अनुभवजन्य मिसकवरेज दर सभी स्तरों के लिए लक्षित $\alpha_i$ के अनुरूप अभिसरण (converge) करती है।
रिग्रेट और एरर: शोध पत्र डायनेमिक रिग्रेट और अनुमानित क्वांटाइल्स के वास्तविक क्वांटाइल्स से विचलन ( $\|\bar{q}_t - \bar{q}^*_t\|_2$ ) पर सीमाएं व्युत्पन्न करता है। ये सीमाएं वास्तविक क्वांटाइल्स की डायनेमिक वेरिएशन ( $V_T$ ) और स्टेप साइज $\eta$ पर निर्भर करती हैं। EG विधि की सीमा संरचित कपलिंग के कारण बेहतर दक्षता का सुझाव देती है, जबकि PG प्रत्येक समय चरण पर व्यवहार्यता (नेस्टेडनेस) की गारंटी देता है।

मुख्य योगदान

नवीन निरूपण: कई कवरेज स्तरों में नेस्टेड प्रेडिक्शन सेट्स बनाने वाला एक नया ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन ढांचा, जो पूर्ण जोखिम स्पेक्ट्रम पर कैलिब्रेटेड अनिश्चितता मात्रा निर्धारण को सक्षम बनाता है।
एल्गोरिद्मिक नवाचार: एक कंजक्स ऑप्टिमाइज़ेशन पर आधारित दो ऑनलाइन एल्गोरिदम (EG और PG) का प्रस्ताव, जो थ्रेशोल्ड का संयुक्त रूप से अनुमान लगाते हुए मोनोटोनिसिटी को सख्ती से लागू करते हैं।
सैद्धांतिक गारंटी: सभी स्तरों के लिए दीर्घकालिक कवरेज गारंटी के साथ-साथ हर समय चरण पर नेस्टेड प्रेडिक्शन सेट्स सुनिश्चित करने वाले प्रमाण।
अनुभवजन्य सत्यापन: यह प्रदर्शन करना कि ये विधियां स्वतंत्र सिंगल-लेवल बेसलाइन्स की तुलना में स्थिर कवरेज, सख्त नेस्टेड सेट्स और बेहतर सांख्यिकीय दक्षता प्राप्त करती हैं।

प्रयोगात्मक परिणाम

इन विधियों का सिंथेटिक और वास्तविक दुनिया के डेटासेट पर मूल्यांकन किया गया।

सिंथेटिक डेटा

सेटअप: एक गैर-स्थिर वातावरण जहाँ स्कोर डिस्ट्रीब्यूशन एक लेटेंट रिफ्लेक्टेड रैंडम वॉक के माध्यम से विकसित होता है।
निष्कर्ष: एक्सपोनेंशियेटेड ग्रेडिएंट (EG) विधि ने इंडिपेंडेंट क्वांटाइल ट्रैकर और प्रोजेक्टेड ग्रेडिएंट विधि की तुलना में कम $\ell_1$ ट्रैकिंग एरर प्राप्त किया। यह इस परिकल्पना का समर्थन करता है कि क्वांटाइल्स के बीच सूचना साझा करने से समय-परिवर्तित डिस्ट्रीब्यूशन को ट्रैक करने में सांख्यिकीय दक्षता में सुधार होता है। PG विधि इंडिपेंडेंट ट्रैकर के समान प्रदर्शन करती है, जो इस विशिष्ट सेटिंग में जॉइंट ऑप्टिमाइज़ेशन से सीमित लाभ का संकेत देती है।

वास्तविक डेटा (US मुद्रास्फीति)

सेटअप: रोलिंग विंडोज़ के साथ AR(3) मॉडल का उपयोग करके US कंज्यूमर प्राइस इंडेक्स (CPI) मुद्रास्फीति का पूर्वानुमान लगाना।
निष्कर्ष:
- कैलिब्रेशन: सभी विधियां अंततः कम कैलिब्रेशन एरर तक अभिसरण करती हैं। हालांकि, अनकन्स्ट्रेंड क्वांटाइल ट्रैकर ने ऑसिलेटरी व्यवहार (ओवरकरेक्शन) दिखाया, जबकि प्रस्तावित कन्स्ट्रेंड विधियों ने अधिक स्थिर प्रक्षेपवक्र (trajectories) दिखाए।
- नेस्टेडनेस और स्मूथनेस: बेसलाइन विधियों (इंडिपेंडेंट ट्रैकर और पोस्ट-हॉक प्रोजेक्शन) ने कभी-कभी विरूपण (distortions) और नॉन-नेस्टेड क्षेत्रों के साथ प्रेडिक्शन बैंड्स उत्पन्न किए। इसके विपरीत, प्रस्तावित विधियों (विशेष रूप से EG) ने सख्त नेस्टेड संरचना को बनाए रखते हुए स्मूथ और अधिक सुसंगत प्रेडिक्शन सेट्स बनाए।
- व्याख्यात्मकता: EG अपडेट ने संचयी विसंगतियों के माध्यम से आस-पास के क्वांटाइल्स को समन्वित करके स्मूथ प्रेडिक्शन बैंड्स प्रदान किए, जिससे स्तरों के बीच अचानक बदलाव कम हुए।

महत्व और दावे

शोध पत्र का दावा है कि इसकी प्राथमिक महत्ता अनिश्चितता अनुमानों की असंगति (incoherence) को संबोधित करने में निहित है। ऑनलाइन ऑप्टिमाइज़ेशन के माध्यम से संरचनात्मक बाधाओं (मोनोटोनिसिटी) को लागू करके, प्रस्तावित विधियां एक सुसंगत जोखिम स्पेक्ट्रम (coherent risk spectrum) प्रदान करती हैं।

मुख्य दावे शामिल हैं:

सांख्यिकीय दक्षता: जॉइंट एस्टीमेशन क्वांटाइल्स के बीच सूचना साझा करके दक्षता में सुधार करता है, जिसका लाभ EG विधि के बेहतर ट्रैकिंग प्रदर्शन द्वारा स्पष्ट रूप से प्रदर्शित होता है।
व्याख्यात्मकता: परिणामी नेस्टेड प्रेडिक्शन सेट्स निर्णय लेने के संदर्भों के लिए आवश्यक हैं जहाँ हितधारकों को विभिन्न जोखिम सहनशीलताओं (जैसे आपातकालीन योजनाकार बनाम नीति निर्माता) के लिए सुसंगत अनिश्चितता अनुमानों की आवश्यकता होती है।
स्थिरता: अपडेट के साथ जॉइंटली मोनोटोनिसिटी को लागू करने से लर्निंग डायनेमिक्स स्थिर हो जाता है, जिससे अनकन्स्ट्रेंड ट्रैकर्स में देखी गई अनियमित दोलन (oscillations) को रोका जा सकता है।
व्यापक संदर्भ: यह कार्य एडवर्सरियल रोबस्टनेस (वर्स्ट-केस सेटिंग्स में गारंटी) और सांख्यिकीय दक्षता (टाइम-वेरिंग डिस्ट्रीब्यूशन को ट्रैक करना) के बीच के अंतर को पाटता है, ऑनलाइन कॉन्फॉर्मल प्रेडिक्शन को डायनेमिक रिग्रेट विश्लेषण के साथ समय-परिवर्तित क्वांटाइल्स को ट्रैक करने की समस्या के रूप में फ्रेम करता है।