📊 statistics

Self-Supervised Conformal Prediction with Equivariant Bootstrapping for Image Uncertainty Quantification

यह शोधपत्र एक स्व-पर्यवेक्षित कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क प्रस्तुत करता है जो कमजोर लेंसिंग मास-मैपिंग जैसी इल-पोस्ड इमेजिंग इनवर्स समस्याओं में अनिश्चितता को मापने के लिए इक्विवेरिएंट बूटस्ट्रैपिंग का उपयोग करता है, जिसके लिए अंशांकन (कैलिब्रेशन) हेतु ग्राउंड ट्रुथ डेटा की आवश्यकता नहीं होती है।

मूल लेखक: Henry J. Aldridge, Tobías I. Liaudat, Marcelo Pereyra, Jason D. McEwen

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Henry J. Aldridge, Tobías I. Liaudat, Marcelo Pereyra, Jason D. McEwen

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 विशाल, धुंधली पहेली (जिक्सॉ पजल) को सुलझाने की कोशिश कर रहे हैं जिसमें कई टुकड़े गायब हैं, और जिस तस्वीर को आप देख रहे हैं वह स्टैटिक शोर (static noise) से ढकी हुई है। यह वही स्थिति है जिसका सामना वैज्ञानिक तब करते हैं जब वे अप्रत्यक्ष मापों (indirect measurements) से छवियों का पुनर्निर्माण करने की कोशिश करते हैं, जिसे एक इनवर्स प्रॉब्लम (inverse problem) कहा जाता है। चाहे वे मेडिकल स्कैन में मानव शरीर को देख रहे हों या अंतरिक्ष में अदृश्य डार्क मैटर का मानचित्र बना रहे हों, चुनौती एक ही है: कई ऐसी तस्वीरें हो सकती हैं जो उस शोर वाले डेटा में फिट बैठती हों, तो हमें कैसे पता चलेगा कि कौन सी सही है, और हम इसे लेकर कितने आश्वस्त हो सकते हैं?

यह पेपर इस सवाल का जवाब देने का एक नया तरीका पेश करता है: "हम इस तस्वीर को लेकर कितने आश्वस्त हैं?" और इसके लिए उसे पहले से "असली" तस्वीर देखने की आवश्यकता नहीं है।

यहाँ उनके तरीके का सरल विवरण दिया गया है, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है:

समस्या: अंधेरे में अनुमान लगाना

आमतौर पर, कंप्यूटर को सही उत्तर का अनुमान लगाना और उसका आत्मविश्वास स्तर सिखाने के लिए, आपको एक "शिक्षक" की आवश्यकता होती है जिसके पास उत्तर कुंजी (ग्राउंड ट्रुथ) हो। आप कंप्यूटर को हजारों धुंधली तस्वीरें और उनके अनुरूप स्पष्ट तस्वीरें दिखाते हैं ताकि वह पैटर्न सीख सके।

चुनौती: खगोल विज्ञान जैसे क्षेत्रों में, हमारे पास "उत्तर कुंजी" नहीं होती। हम अपने काम की जाँच करने के लिए समय में पीछे जाकर यह नहीं देख सकते कि ब्रह्मांड वास्तव में कैसा दिखता था। यदि हम काम को जाँचने के लिए कंप्यूटर सिमुलेशन का उपयोग करके नकली उत्तर कुंजी बनाने की कोशिश करते हैं, तो हम अनजाने में कंप्यूटर को अपने विशिष्ट सिमुलेशन के प्रति पक्षपाती बना सकते हैं, जिससे बाद में गलत निष्कर्ष निकल सकते हैं।

समाधान: एक "स्व-शिक्षित" आत्मविश्वास प्रणाली

लेखकों ने एक ऐसा सिस्टम बनाया है जो एक ऐसे जासूस की तरह काम करता है जो अपराध स्थल की फोटो देखे बिना भी रहस्य सुलझा लेता है। उन्होंने दो चतुर तरीकों को मिलाया है:

1. "रूप बदलने" वाली ट्रिक (इक्विवेरिएंट बूटस्ट्रैपिंग - Equivariant Bootstrapping)

कल्पना कीजिए कि आपके पास एक परिदृश्य (landscape) की धुंधली फोटो है। यह समझने के लिए कि तस्वीर कितनी गलत हो सकती है, आप केवल उसे देखते नहीं हैं; बल्कि आप उसके साथ खेलना शुरू करते हैं।

आप उसे उल्टा कर देते हैं, घुमा देते हैं, या थोड़ा खिसका देते हैं।
आप इन "रूप बदले हुए" संस्करणों पर अपना पुनर्निर्माण (reconstruction) तरीका चलाते हैं।
क्योंकि भौतिकी के नियम (जैसे गुरुत्वाकर्षण) इस बात पर निर्भर नहीं करते कि आप छवि को किस दिशा में घुमाते हैं, इसलिए परिणामों में कोई भी अंतर आपको बताएगा कि पुनर्निर्माण कहाँ कमजोर है।
उपमा: यह किसी छिपी हुई वस्तु के आकार का अनुमान लगाने के लिए उसे अलग-अलग कोणों से छूकर महसूस करने जैसा है। यदि आपका हाथ बाईं ओर से छूने पर एक उभार महसूस करता है लेकिन दाईं ओर से नहीं, तो आप जानते हैं कि आकार के बारे में आपका अनुमान उस स्थान पर अनिश्चित है। यह चरण अनिश्चितता का एक "ह्यूरिस्टिक" (एक मोटा अनुमान) बनाता है।

2. "स्व-जाँच" वाला कैलिब्रेशन (सेल्फ-सुपरवाइज्ड कॉन्फॉर्मल प्रेडिक्शन)

अब आपके पास अनिश्चितता का एक मोटा अनुमान है, लेकिन यह बहुत अधिक या बहुत कम हो सकता है। आमतौर पर, आपको एक शिक्षक की आवश्यकता होगी जो आपसे कहे, "आप 90% सही थे, लेकिन आपका कॉन्फिडेंस इंटरवल बहुत छोटा था।"

नवाचार: लेखक SURE (स्टीन का अनबायस्ड रिस्क एस्टिमेटर) नामक एक गणितीय उपकरण का उपयोग करते हैं। SURE को गणित के लिए एक "झूठ पकड़ने वाले यंत्र" (lie detector) के रूप में समझें। यह कंप्यूटर को यह अनुमान लगाने की अनुमति देता है कि उसका अनुमान कितना गलत है, और यह सब केवल उस शोर वाले डेटा का उपयोग करके किया जाता है जो उसके पास पहले से मौजूद है, बिना वास्तविक उत्तर की आवश्यकता के।
यह "रूप बदलने" वाले चरण से प्राप्त मोटे अनुमानों को कैलिब्रेट करता है। यह कहता है, "शोर के पैटर्न के आधार पर, हम गारंटी दे सकते हैं कि वास्तविक उत्तर 95% समय इस बॉक्स के भीतर होगा।"

वास्तविक दुनिया का परीक्षण: अदृश्य डार्क मैटर का मानचित्रण

टीम ने इसका परीक्षण वीक ग्रेविटेशनल लेंसिंग मास-मैपिंग पर किया।

परिदृश्य: खगोलशास्त्री दूर स्थित आकाशगंगाओं को देखते हैं। अदृश्य डार्क मैटर का गुरुत्वाकर्षण इन आकाशगंगाओं से आने वाले प्रकाश को मोड़ देता है, जिससे वे थोड़े खिंचे हुए (sheared) दिखाई देते हैं।
लक्ष्य: इन खिंचे हुए आकारों के आधार पर डार्क मैटर कहाँ है, इसका एक मानचित्र तैयार करना।
परिणाम: उनके तरीके ने पुनर्गठित मानचित्र के चारों ओर सफलतापूर्वक "कॉन्फिडेंस बॉक्स" बनाए। जब उन्होंने गणित की जाँच की, तो वास्तविक उत्तर ठीक उतनी ही बार इन बॉक्स के भीतर आए जितनी बार उन्होंने वादा किया था (जैसे, 90% समय)।
यह क्यों महत्वपूर्ण है: पिछले तरीके कैलिब्रेशन के लिए सिम्युलेटेड डेटा (नकली ब्रह्मांडों) पर निर्भर थे। यदि वास्तविक ब्रह्मांड नकली वाले से मेल नहीं खाता था, तो आत्मविश्वास का स्तर गलत होता। इस नए तरीके को किसी नकली डेटा की आवश्यकता नहीं है; यह अपने स्वयं के आत्मविश्वास स्तरों को वास्तविक शोर वाले अवलोकनों का उपयोग करके समझ लेता है।

मुख्य निष्कर्ष

यह पेपर एक "सेल्फ-सुपरवाइज्ड" टूलकिट प्रस्तुत करता है। यह वैज्ञानिकों को यह कहने की अनुमति देता है, "यहाँ हमारा सबसे अच्छा अनुमान है, और यहाँ वह गणितीय रूप से गारंटीकृत सीमा है जहाँ सत्य स्थित है," बिना कभी असली छवि देखे या संभावित रूप से पक्षपाती सिमुलेशन पर निर्भर हुए।

पेपर में बताई गई सीमाएँ:

यह तब सबसे अच्छा काम करता है जब पहेली के "गायब टुकड़े" बहुत अधिक गंभीर न हों। यदि डेटा में बहुत अधिक जानकारी गायब है (एक "रैंक-डेफिसिएंट" समस्या), तो यह विधि अभी भी त्रुटि को कम आंक सकती है।
वर्तमान में यह पूरी छवि के लिए एक साथ अनिश्चितता को मापता है, न कि सटीक रूप से यह बताता है कि कौन सा एकल पिक्सेल गलत है।

संक्षेप में, उन्होंने कंप्यूटर को डेटा के साथ चतुराई से खेलकर और फिर अपने काम की गणितीय रूप से जाँच करके, अपने स्वयं के निर्णय पर भरोसा करना सिखाया है, और यह सब बिना किसी शिक्षक की आवश्यकता के किया है।

तकनीकी सारांश: इमेज अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification) के लिए इक्विवेरिएंट बूटस्ट्रैपिंग के साथ स्व-पर्यवेक्षित कॉन्फॉर्मल प्रेडिक्शन

समस्या विवरण
इनवर्स इमेजिंग समस्याएँ, जो शोर वाले अवलोकनों $y = Ax^\star + \epsilon$ से एक अंतर्निहित सिग्नल $x^\star$ को पुनः प्राप्त करने के रूप में परिभाषित की जाती हैं, खगोल विज्ञान और चिकित्सा निदान जैसे वैज्ञानिक क्षेत्रों में सर्वव्यापी हैं। ये समस्याएँ अक्सर 'इल-पोज़्ड' (ill-posed) होती हैं, जिससे कई संभावित समाधान और महत्वपूर्ण पुनर्निर्माण अनिश्चितता उत्पन्न होती है। जबकि सटीक अनिश्चितता मात्रा निर्धारण (Uncertainty Quantification - UQ) विश्वसनीय वैज्ञानिक विश्लेषण के लिए महत्वपूर्ण है, मौजूदा विधियाँ दो प्राथमिक सीमाओं का सामना करती हैं:

सटीकता गारंटी का अभाव: कई ह्यूरिस्टिक (heuristic) UQ विधियों में सांख्यिकीय कठोरता की कमी होती है।
ग्राउंड ट्रुथ (Ground Truth) पर निर्भरता: सांख्यिकीय रूप से कठोर विधियाँ, जैसे कि कॉन्फॉर्मल प्रेडिक्शन, अंशांकन (calibration) के लिए विनिमेय (exchangeable) ग्राउंड ट्रुथ डेटा की आवश्यकता रखती हैं। कई डोमेन में (जैसे कि कॉस्मोलॉजी), ग्राउंड ट्रुथ अनुपलब्ध होता है, सिम्युलेट करना महंगा होता है, या वास्तविक अवलोकनों के सापेक्ष वितरण बदलाव (distribution shifts) का शिकार होता है। सिम्युलेटेड अंशांकन डेटा पर निर्भर रहने से डाउनस्ट्रीम वैज्ञानिक अनुमानों में छिपे हुए पूर्वाग्रह (biases) आ सकते हैं।

कार्यप्रणाली
लेखक एक पूर्णतः स्व-पर्यवेक्षित (self-supervised) UQ फ्रेमवर्क का प्रस्ताव करते हैं जो इक्विवेरिएंट बूटस्ट्रैपिंग (Equivariant Bootstrapping) को स्टाइन के अनबायस्ड रिस्क एस्टिमेटर (SURE) के माध्यम से कैलिब्रेट किए गए रिस्क-कंट्रोलिंग प्रेडिक्शन सेट्स (RCPS) के साथ जोड़ता है। कार्यप्रणाली इस प्रकार है:

इक्विवेरिएंट बूटस्ट्रैपिंग:
- मानक पैरामीट्रिक बूटस्ट्रैपिंग (जो एकल बिंदु अनुमान से बूटस्ट्रैप करने पर पक्षपाती हो सकती है) के बजाय, यह विधि इमेजिंग कार्य में मौजूद समरूपताओं (symmetries) का लाभ उठाती है।
- यह रूपांतरणों के एक सेट $\mathcal{G}$ (जैसे रोटेशन, फ्लिप, साइक्लिक शिफ्ट) का उपयोग करती है जो सिग्नल स्पेस को अपरिवर्तित रखते हैं लेकिन फॉरवर्ड ऑपरेटर $A$ या पुनर्निर्माण पद्धति के साथ कम्यूट (commute) नहीं करते हैं।
- बूटस्ट्रैप अवलोकन अनुमानक $\hat{x}(y)$ पर यादृच्छिक रूपांतरण $T_{g_i} \in \mathcal{G}$ लागू करके, उन्हें शोर मॉडल के माध्यम से पारित करके, और रूपांतरण को उलटने (invert) से उत्पन्न किए जाते हैं। यह बूटस्ट्रैप नमूनों $\{\tilde{x}_i\}$ का एक वितरण बनाता है जो बिना किसी ग्राउंड ट्रुथ की आवश्यकता के पुनर्निर्माण परिवर्तनशीलता को दर्शाता है।
स्व-पर्यवेक्षित अंशांकन (SURE के साथ RCPS):
- ह्यूरिस्टिक बूटस्ट्रैप क्षेत्रों को गारंटीकृत कवरेज वाले सांख्यिकीय रूप से कठोर कॉन्फिडेंस सेट्स में बदलने के लिए, यह फ्रेमवर्क SURE का उपयोग करके कैलिब्रेट किए गए RCPS का उपयोग करता है।
- चुनौती: RCPS को जोखिम (त्रुटि दर) का अनुमान लगाने के लिए एक अंशांकन डेटासेट की आवश्यकता होती है। चूंकि ग्राउंड ट्रुथ उपलब्ध नहीं है, लेखक वास्तविक नॉन-कॉन्फॉर्मिटी स्कोर $s(x^\star, \hat{x})$ के स्थान पर स्टाइन के अनबायस्ड रिस्क एस्टिमेटर (SURE) से प्राप्त एक अनबायस्ड अनुमान का उपयोग करते हैं।
- नॉन-कॉन्फॉर्मिटी स्कोर: स्कोर को मेजरमेंट स्पेस में इस प्रकार परिभाषित किया गया है: $s_{A^\top A}(x^\star, \hat{x}(y)) = \frac{1}{m}\|Ax^\star - A\hat{x}(y)\|_2^2$ ।
- SURE अनुमान: SURE फॉर्मूला केवल अवलोकन $y$ और पुनर्निर्माण ऑपरेटर $\hat{x}(y)$ का उपयोग करके इस स्कोर का एक अनबायस्ड अनुमान प्रदान करता है:
  $\text{SURE}(y) = \frac{1}{m}\|y - A\hat{x}(y)\|_2^2 - \text{tr}(\Sigma) + \frac{2}{m}\text{tr}\left(\Sigma \frac{\partial}{\partial y} A\hat{x}(y)\right)$
- अंशांकन (Calibration): एक स्केलिंग फैक्टर $\lambda$ को रूट-फाइंडिंग एल्गोरिदम के माध्यम से निर्धारित किया जाता है ताकि प्रेडिक्शन सेट $C_{\lambda; \alpha}$ यह सुनिश्चित करे कि जोखिम $P(R(C) \le \alpha) \ge 1 - \delta$ संतुष्ट हो, जहाँ जोखिम का अनुमान SURE मानों का उपयोग करके अनुभवजन्य रूप से लगाया जाता है।

प्रमुख योगदान

स्व-पर्यवेक्षित UQ फ्रेमवर्क: यह पेपर एक ऐसा तरीका पेश करता है जो बिना किसी ग्राउंड ट्रुथ अंशांकन डेटा के, प्रति-इमेज सांख्यिकीय रूप से कठोर अनिश्चितता मात्रा निर्धारण उत्पन्न करता है, जिससे अंशांकन और अवलोकन सेटों के बीच वितरण बदलाव के पूर्वाग्रह समाप्त हो जाते हैं।
इक्विवेरिएंट बूटस्ट्रैपिंग और RCPS का एकीकरण: यह कार्य इक्विवेरिएंट बूटस्ट्रैपिंग की मेथड-अग्नोस्टिक अनिश्चितता पीढ़ी को SURE द्वारा परिष्कृत RCPS की सांख्यिकीय गारंटी के साथ जोड़ता है।
वीक लेंसिंग मास-मैपिंग पर अनुप्रयोग: इस फ्रेमवर्क को डार्क मैटर कन्वर्जेंस फील्ड्स के पुनर्निर्माण के कॉस्मोलॉजिकल इनवर्स प्रॉब्लम पर प्रदर्शित किया गया है। यह अनुप्रयोग अंशांकन पूर्वाग्रहों के प्रति संवेदनशील है, क्योंकि मौजूदा विधियाँ अक्सर विशिष्ट कॉस्मोलॉजिकल मॉडल्स से जुड़े सिम्युलेटेड डेटा पर निर्भर करती हैं।
मेथड अगनोस्टिक (Method Agnosticism): यह UQ फ्रेमवर्क उपयोग किए जा रहे विशिष्ट पुनर्निर्माण एल्गोरिदम (जैसे काइज़र-स्क्वायर, डीप लर्निंग, वेवलेट स्पर्सिटी) से स्वतंत्र है, जो एक पोस्ट-हॉक कैलिब्रेशन लेयर के रूप में कार्य करता है।

प्रायोगिक परिणाम
विधि का मूल्यांकन 300 $\times$ 300 पिक्सेल मॉक COSMOS सर्वे कन्वर्जेंस मैप्स का उपयोग करके एक वीक ग्रेविटेशनल लेंसिंग मास-मैपिंग कार्य पर किया गया।

सेटअप: पुनर्निर्माण का कार्य काइज़र-स्क्वायर विधि द्वारा किया गया। इक्विवेरिएंट बूटस्ट्रैपिंग ने ज्यामितीय रूपांतरणों और फ्रीक्वेंसी शेल्विंग फिल्टर्स का उपयोग करके प्रति इमेज 100 नमूने उत्पन्न किए।
अंशांकन: SURE का उपयोग करके $\delta = 0.1$ की लक्षित त्रुटि दर के साथ RCPS लागू किया गया।
प्रदर्शन: कॉन्फॉर्मलाइज्ड प्रेडिक्शन सेट्स विभिन्न कॉन्फिडेंस स्तरों पर आदर्श कवरेज डायगोनल का बारीकी से अनुसरण करते हैं।
तुलना: स्व-पर्यवेक्षित कॉन्फॉर्मलाइज्ड दृष्टिकोण ने अनकॉन्फॉर्मलाइज्ड इक्विवेरिएंट बूटस्ट्रैपिंग और पैरामीट्रिक बूटस्ट्रैपिंग की तुलना में काफी बेहतर प्रदर्शन किया। पैरामीट्रिक बूटस्ट्रैपिंग ने नगण्य कवरेज प्रदान किया, जो पर्याप्त पुनर्निर्माण परिवर्तनशीलता को पकड़ने में विफल रहा।

महत्व और दावे
लेखक दावा करते हैं कि यह फ्रेमवर्क उन इनवर्स इमेजिंग कार्यों के लिए एक मजबूत समाधान प्रदान करता है जहाँ ग्राउंड ट्रुथ अप्राप्य है। सिम्युलेटेड अंशांकन डेटा से बचकर, यह विधि उन छिपे हुए पूर्वाग्रहों को रोकने में मदद करती है जो डाउनस्ट्रीम वैज्ञानिक अनुमानों (जैसे कॉस्मोलॉजिकल पैरामीटर्स के अनुमान) से समझौता कर सकते हैं। यह दृष्टिकोण मौजूदा विधियों का एक सांख्यिकीय रूप से कठोर विकल्प प्रदान करता है जो या तो सटीकता गारंटी की कमी रखते हैं या संभावित रूप से पक्षपाती सिम्युलेटेड डेटासेट पर निर्भर करते हैं।

सीमाएं
पेपर कुछ सीमाओं को स्वीकार करता है:

एक्सचेंजेबिलिटी (Exchangeability) धारणा: अंशांकन चरण यह मानता है कि समान वितरण से लिए गए कई अवलोकनों तक पहुँच उपलब्ध है। वास्तविक दुनिया के मास-मैपिंग में, अक्सर एक ही बड़े आकाश अवलोकन का उपयोग किया जाता है, और इससे इम्यूलेशन बनाना जो पूरी तरह से इस धारणा को संतुष्ट करे, कठिन हो सकता है।
नल्स्पेस संवेदनशीलता (Nullspace Insensitivity): SURE-आधारित स्कोर फॉरवर्ड ऑपरेटर $A$ के नल्स्पेस में त्रुटियों के प्रति अंधा है। हालांकि यह मास-मैपिंग (जहाँ $A$ लगभग फुल-रैंक है) के लिए कम महत्वपूर्ण है, लेकिन यह गंभीर रूप से रैंक-डेफिशिएंट इनवर्स समस्याओं में अनिश्चितता को कम आंक सकता है।
ग्रैनुलैरिटी (Granularity): वर्तमान फ्रेमवर्क प्रति-पिक्सेल अनिश्चितता अनुमानों के बजाय इमेज-लेवल (MSE) पर अनिश्चितता को मात्रा निर्धारित करता है, जो कि सुपरवाइज्ड दृष्टिकोणों में सामान्य है।
कंप्यूटेशनल लागत: अनेक बूटस्ट्रैप नमूने उत्पन्न करने के लिए कुशल पुनर्निर्माण एल्गोरिदम की आवश्यकता होती है।