← नवीनतम पेपर
🤖 machine learning

Conformalised imprecise inference for robust extrapolation under limited data

यह शोध पत्र एक मॉडल-अज्ञेय (model-agnostic) कॉन्फॉर्मलाइज्ड इम्प्रेसिस इन्फरेंस फ्रेमवर्क प्रस्तावित करता है जो वितरण संबंधी बदलावों (distributional shifts) को मजबूती से संभालने और डेटा-दुर्लभ परिदृश्यों के दौरान विश्वसनीय कवरेज बनाए रखने के लिए वैध प्रोबेबिलिटी बॉक्स उत्पन्न करता है।

मूल लेखक: Yu Chen, Scott Ferson

प्रकाशित 2026-05-26
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Yu Chen, Scott Ferson

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 एक सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी समस्या: "अति-आत्मविश्वासी" (Overconfident) AI

कल्पना कीजिए कि आप एक बच्चे को मौसम का पूर्वानुमान लगाना सिखा रहे हैं। आप उसे 40 दिनों का डेटा दिखाते हैं जहाँ तापमान हमेशा 70°F और 80°F के बीच रहा। बच्चा इस पैटर्न को पूरी तरह से सीख लेता है।

अब, आप बच्चे से 100°F वाले दिन के मौसम का अनुमान लगाने के लिए कहते हैं (कुछ ऐसा जो उसने पहले कभी नहीं देखा)।

  • मानक AI मॉडल (Standard AI models) अक्सर उस अति-आत्मविश्वासी बच्चे की तरह व्यवहार करते हैं। वे कह सकते हैं, "यह 75°F होगा," जिसमें त्रुटि (error) की गुंजाइश बहुत कम है, भले ही उन्हें पता ही न हो कि 100°F कैसा महसूस होता है। जब वे अपने ट्रेनिंग डेटा से बाहर जाते हैं, तो वे अति-आत्मविश्वासी (overconfident) हो जाते हैं।
  • लक्ष्य: हमें एक ऐसे सिस्टम की आवश्यकता है जो कहे, "मैंने 100°F पहले कभी नहीं देखा है, इसलिए मैं निश्चित नहीं हूँ। यह 60°F से 120°F के बीच कहीं भी हो सकता है।" इसे अपनी अज्ञानता स्वीकार करने की क्षमता होनी चाहिए जब वह अपनी जानकारी से दूर चला जाए।

समाधान: "कॉन्फ़ॉर्मलाइज़्ड इम्प्रेसिस इन्फेरेंस" (CII)

लेखकों ने एक नया फ्रेमवर्क प्रस्तावित किया है जिसे CII कहा जाता है। इसे AI भविष्यवाणियों के लिए एक "सुरक्षा जाल" (Safety Net) सिस्टम के रूप में समझें। एक एकल संख्या (जैसे "75°F") देने के बजाय, यह एक रेंज (एक "प्रोबेबिलिटी बॉक्स") देता है।

यह कैसे काम करता है, इसे तीन सरल चरणों में समझा गया है:

1. "डिस्टेंस स्कोर" (GPS)

सबसे पहले, सिस्टम यह जाँचता है कि नया प्रश्न उसके प्रशिक्षित (trained) डेटा से कितनी दूर है।

  • उदाहरण: कल्पना कीजिए कि आप एक ऐसे जंगल में चल रहे हैं जिसे आप अच्छी तरह जानते हैं (आपका ट्रेनिंग डेटा)। यदि आप रास्ते पर रहते हैं, तो आप सुरक्षित हैं। यदि आप रास्ते से भटककर घने जंगलों में चले जाते हैं, तो आप "आउट-ऑफ-डिस्ट्रीब्यूशन" (OOD) क्षेत्र में हैं।
  • CII सिस्टम एक डिस्टेंस स्कोर की गणना करता है। यदि आप रास्ते पर हैं, तो स्कोर कम है। यदि आप घने जंगलों में हैं, तो स्कोर अधिक है।

2. "इन्फ्लेशन रूल" (गुब्बारा)

यही सबसे महत्वपूर्ण हिस्सा है। सिस्टम उस डिस्टेंस स्कोर का उपयोग यह तय करने के लिए करता है कि उसका सुरक्षा जाल कितना चौड़ा होना चाहिए।

  • रास्ते पर (In-Distribution): सिस्टम आश्वस्त है। वह एक संकीर्ण (narrow) रेंज देता है। "यह शायद 74°F और 76°F के बीच है।"
  • घने जंगलों में (Extrapolation): जैसे-जैसे डिस्टेंस स्कोर बढ़ता है, सिस्टम एक गुब्बारे की तरह रेंज को फुला (inflate) देता है। "चूंकि आप हमारे ट्रेनिंग डेटा से दूर हैं, इसलिए मैं सुरक्षा के लिए रेंज को बढ़ाकर 60°F–120°F कर दूँगा।"
  • क्यों? यह सुनिश्चित करता है कि भले ही AI अंदाज़ा लगा रहा हो, फिर भी वह अपने विस्तृत रेंज के भीतर सही उत्तर को पकड़ने की गारंटी देता है। यह सटीकता (precision) के बदले सुरक्षा का सौदा करता है।

3. "इम्प्रेसिस प्रोबेबिलिटी" (P-Box)

एक एकल प्रोबेबिलिटी लाइन के बजाय, सिस्टम एक बॉक्स बनाता है (जिसे p-box कहा जाता है)।

  • उदाहरण: एक मानक भविष्यवाणी को मानचित्र पर एक एकल रेखा के रूप में सोचें। CII उस रेखा के चारों ओर एक मोटा, धुंधला बैंड बनाता है।
  • बैंड का ऊपरी किनारा "सबसे खराब स्थिति" (worst-case) का अनुमान है, और निचला किनारा "सबसे अच्छी स्थिति" (best-case) का अनुमान है।
  • यह बैंड एपिस्टेमिक अनसर्टेन्टी (epistemic uncertainty) (ज्ञान की कमी के कारण अनिश्चितता) को दर्शाता है। बैंड जितना चौड़ा होगा, AI उतना ही कम जानता होगा।

उन्होंने इसका परीक्षण कैसे किया

शोधकर्ताओं ने दो प्रकार के परिदृश्यों पर इसका परीक्षण किया:

  1. एक खिलौना उदाहरण (Toy Example): उन्होंने एक सरल गणितीय वक्र (cubic function) का उपयोग किया। उन्होंने AI को वक्र के एक छोटे हिस्से पर प्रशिक्षित किया और उससे बाकी हिस्से का अनुमान लगाने को कहा।
    • परिणाम: पुराने तरीके तब विफल रहे जब वक्र दूर चला गया। CII विधि ने सफलतापूर्वक अपने "सुरक्षा बैंड" को वास्तविक वक्र के चारों ओर लपेटा, यहाँ तक कि अज्ञात क्षेत्र में भी।
  2. वास्तविक डेटा (UCI Benchmarks): उन्होंने सीमित डेटा के साथ वास्तविक दुनिया के डेटासेट (जैसे घर की कीमतों या कंक्रीट की मजबूती की भविष्यवाणी करना) पर परीक्षण किया।
    • परिणाम: जब डेटा कम था या टेस्ट डेटा ट्रेनिंग डेटा से अलग था, तो अन्य तरीके अति-आत्मविश्वासी और गलत हो गए। CII विश्वसनीय (reliable) बना रहा। इसने सटीक होने का वादा नहीं किया; इसके बजाय, इसने यह वादा किया कि यह जोखिम भरा होने पर अपना जाल चौड़ा करके सही (correct) रहने का वादा करता है।

मुख्य निष्कर्ष

  • मजबूती (Robustness): सिस्टम कुछ नया देखने पर टूटता नहीं है; यह बस "चौड़ा" और अधिक सतर्क हो जाता है।
  • कोई जादू नहीं चाहिए: यह किसी भी मौजूदा AI मॉडल के साथ काम करता है। यह एक 'रैपर' (wrapper) की तरह है जिसे आप मॉडल को सुरक्षित बनाने के लिए उसके चारों ओर लगाते हैं।
  • समझौता (Trade-off): सुरक्षित क्षेत्रों में, यह सटीक है। खतरनाक (अज्ञात) क्षेत्रों में, यह गलत होने से बचने के लिए अस्पष्ट (चौड़ा) हो जाता है।

सारांश में

यह शोध पत्र एक ऐसी विधि पेश करता है जो AI को यह सिखाती है कि वह क्या नहीं जानता है। यह मापने के माध्यम से कि एक नया प्रश्न उसके सीखे हुए ज्ञान से कितना दूर है, यह स्वचालित रूप से अपने उत्तर की रेंज को विस्तृत कर देता है ताकि यह सुनिश्चित हो सके कि वह अपरिचित क्षेत्र में कभी भी गलत उत्तर आत्मविश्वास के साथ न दे। यह उस AI के बीच का अंतर है जो अंदाज़ा लगाते समय कहता है "मैं 100% निश्चित हूँ", और उस AI के बीच का अंतर जो कहता है "मैं निश्चित नहीं हूँ, इसलिए यहाँ संभावनाओं की एक विस्तृत रेंज दी गई है।"

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →