🤖 machine learning

The Right Measure for Physics-Constrained Generation: A Co-Area Correction for Posterior-Consistent PDE Inverse Problems

यह शोध पत्र प्रदर्शित करता है कि PDE व्युत्क्रम समस्याओं (inverse problems) के लिए व्यापक रूप से उपयोग किए जाने वाले भौतिकी-प्रतिबंधित जनरेटिव मॉडल बोरेल-कोलमोगोरोव विरोधाभास (Borel–Kolmogorov paradox) से उत्पन्न एक छूटे हुए को-एरिया जैकोबियन कारक (co-area Jacobian factor) के कारण सही बेयसियन पोस्टीरियर (Bayesian posterior) को सैंपल करने में विफल रहते हैं, और CoCoS को पेश करता है, जो एक मेजर-अवेयर सैंपलर (measure-aware sampler) है जो अनिश्चितता-कैलिब्रेटेड अनुमान प्राप्त करने के लिए इस पूर्वाग्रह को ठीक करता है।

मूल लेखक: Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

प्रकाशित 2026-06-04

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jian Xu, Delu Zeng, John Paisley, Qibin Zhao

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, धुंधले जंगल में टेंट लगाने के लिए एकदम सही जगह खोजने की कोशिश कर रहे हैं। आपके पास एक नक्शा (एक "जनरेटिव मॉडल") है जो आपको बताता है कि पिछली कैंपिंग यात्राओं के आधार पर टेंट आमतौर पर कहाँ लगाए जाते हैं। लेकिन एक सख्त नियम है: टेंट को दो पेड़ों के बीच खिंची गई एक विशिष्ट, अदृश्य तार पर बिल्कुल सटीक रूप से रखा जाना चाहिए। यह तार भौतिकी के नियमों (जैसे कि एक Partial Differential Equation, या PDE) का प्रतिनिधित्व करता है जिसका पालन आपके समाधान को करना होगा।

यह शोध पत्र तर्क देता है कि वर्तमान के अधिकांश तरीके जो इस जगह को खोजने की कोशिश कर रहे हैं, वे एक सूक्ष्म लेकिन बहुत बड़ी गलती कर रहे हैं। वे तार को तो ढूंढ लेते हैं, लेकिन वे उस पर टेंट गलत जगहों पर लगा देते हैं, जिससे इस बात का झूठा विश्वास पैदा होता है कि टेंट कहाँ लगाया जा सकता है।

समस्या और समाधान का विवरण, सरल उपमाओं का उपयोग करते हुए, यहाँ दिया गया है:

समस्या: "सपाट बनाम खड़ी" तार (The "Flat vs. Steep" Wire)

कल्पना कीजिए कि अदृश्य तार एक सीधी रेखा नहीं है। कुछ जगहों पर, यह खड़ी (जैसे चट्टान पर एक रस्सी) है; कुछ जगहों पर, यह सपाट (जैसे जमीन पर पड़ी एक तार) है।

भौतिकी का नियम: तार समीकरण $c(x) = 0$ का प्रतिनिधित्व करता है।
गलती: वर्तमान के अधिकांश तरीके (जैसे "प्रोजेक्शन" या "गाइडेंस") एक ऐसे हाइकर (पर्वतारोही) की तरह व्यवहार करते हैं जो तार को देखता है और अपने वर्तमान स्थान से तार के निकटतम बिंदु पर बस चल देता है। वे मानते हैं कि यदि वे तार के करीब हैं, तो वे सही जगह पर हैं।
वास्तविकता: शोध पत्र दिखाता है कि यह "निकटतम बिंदु" वाला दृष्टिकोण पक्षपाती है।
- तार के सपाट हिस्सों पर, वहां गलती से पहुंचना आसान है। "निकटतम बिंदु" वाला तरीका यहाँ बहुत सारे टेंट जमा कर देता है।
- खड़ी जगहों पर, वहां गलती से पहुंचना बहुत कठिन है। "निकटतम बिंदु" वाला तरीका इन क्षेत्रों को खाली छोड़ देता है।

उपमा: कल्पना कीजिए कि आप एक लक्ष्य पर डार्ट (darts) फेंक रहे हैं जहाँ "बुल्सआई" (केंद्र) एक तार है। यदि तार सपाट है, तो डार्ट आसानी से उस पर लग जाते हैं। यदि तार खड़ा है, तो डार्ट टकराकर वापस आ जाते हैं। यदि आप केवल यह गिनते हैं कि डार्ट कहाँ गिरे, तो आप सोचते हैं कि सपाट हिस्सा सबसे महत्वपूर्ण है। लेकिन वास्तविक भौतिकी कहती है कि खड़ा हिस्सा भी उतना ही वैध है; बस उसे हिट करना कठिन है। वर्तमान तरीके इस कठिनाई को अनदेखा करते हैं, जिससे एक विकृत मानचित्र बनता है कि टेंट कहाँ होना चाहिए।

"बोरेल-कोलमोगोरोव" विरोधाभास (The "Borel-Kolmogorov" Paradox - तकनीकी त्रुटि)

शोध पत्र एक फैंसी गणितीय अवधारणा का उल्लेख करता है जिसे बोरेल-कोलमोगोरोव विरोधाभास कहा जाता है। रोजमर्रा की भाषा में, यह वह भ्रम है जो तब उत्पन्न होता है जब आप "बिल्कुल शून्य त्रुटि" (exactly zero error) को परिभाषित करने की कोशिश करते हैं।

यदि आप कहते हैं, "मैं चाहता हूँ कि त्रुटि 0.0001 से कम हो," तो उत्तर इस बात पर निर्भर करता है कि आप उस 0.0001 को कैसे छोटा करते हैं।
"भौतिक" तरीका: कल्पना कीजिए कि तार में थोड़ी सी धुंध (शोर/noise) है। जैसे-जैसे आप उस धुंध को शून्य की ओर ले जाते हैं, तार पर गिरने की संभावना तार के आकार के आधार पर बदल जाती है। यह को-एरिया करेक्शन (या Fixman factor) है।
"ज्यामितीय" तरीका (जो अन्य लोग करते हैं): वे बस तार से सीधी रेखा की दूरी देखते हैं। वे "धुंध" और आकार को अनदेखा कर देते हैं।

परिणाम: "को-एरिया" कारक को अनदेखा करके, वर्तमान तरीके एक ऐसा "पोस्टीरियर" (अनिश्चितता का मानचित्र) तैयार करते हैं जो डेटा के शोर (noise) से 20 गुना अधिक गलत होता है। वे सोचते हैं कि वे अपने उत्तर के बारे में 95% आश्वस्त हैं, लेकिन वास्तव में वे पूरी तरह से गलत होते हैं।

समाधान: CoCoS (स्मार्ट टेंट सेटर)

लेखक एक नया तरीका पेश करते हैं जिसे CoCoS कहा जाता है।

केवल तार के निकटतम बिंदु पर जाने के बजाय, CoCoS एक स्मार्ट सर्वेक्षक (surveyor) की तरह कार्य करता है:

यह हर बिंदु पर तार की खड़ापन (steepness) की जाँच करता है।
यह जानता है कि एक खड़ी जगह पर पहुँचना "कठिन" (गलती से होने की संभावना कम) है, इसलिए यह मानचित्र को संतुलित करने के लिए उन स्थानों के महत्व को बढ़ाता है।
यह एक विशेष "मेट्रोपोलिस" चेक (गुणवत्ता नियंत्रण निरीक्षक की तरह) का उपयोग करता है ताकि यह सुनिश्चित हो सके कि टेंटों का अंतिम संग्रह वास्तविक भौतिकी से पूरी तरह मेल खाता है, न कि केवल निकटतम दूरी से।

उपमा: यदि तार खड़ा है, तो CoCoS कहता है, "यह स्थान दुर्लभ और मूल्यवान है; हमें यह सुनिश्चित करने की आवश्यकता है कि वास्तविक भौतिकी का प्रतिनिधित्व करने के लिए यहाँ एक टेंट हो।" यदि तार सपाट है, तो यह कहता है, "यह स्थान सामान्य है; हमें यहाँ इतने अधिक टेंटों की आवश्यकता नहीं है।"

उन्होंने क्या सिद्ध किया

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने नियंत्रित समस्याओं (जैसे 4D गणित पहेली और 1D जल प्रवाह समस्या) पर इसका परीक्षण किया:

"गोल्ड स्टैंडर्ड": उन्होंने एक धीमी लेकिन सटीक विधि (रिजेक्शन सैंपलिंग) का उपयोग करके एक पूर्ण, निष्पक्ष संदर्भ ("आर्बिटर") बनाया।
तुलना:
- पुराने तरीके (प्रोजेक्शन/गाइडेंस): उनके मानचित्र शोर के स्तर (noise floor) से 9 से 20 गुना बदतर थे। उन्होंने नकली सहसंबंध (correlations) और गलत आत्मविश्वास स्तर बनाए।
- CoCoS: उनका मानचित्र "गोल्ड स्टैंडर्ड" के लगभग पूरी तरह से मेल खाता था (रैंडम शोर की सीमाओं के भीतर)।
"स्केलर" फिक्स: उन्होंने एक सरल सुधार (परिणामों को एक संख्या से गुणा करना) का परीक्षण किया और पाया कि यह काम नहीं करता है। त्रुटि केवल एक साधारण स्केलिंग मुद्दा नहीं है; यह मानचित्र का एक संरचनात्मक विरूपण (structural distortion) है।

"एमोर्टाइज्ड" शॉर्टकट (CoCo-Flow)

वास्तविक दुनिया के उपयोग के लिए CoCoS को चलाना धीमा है क्योंकि यह हर एक टेंट की व्यक्तिगत रूप से जाँच करने जैसा है। इसे तेज़ बनाने के लिए, उन्होंने एक "छात्र" मॉडल (CoCo-Flow) को प्रशिक्षित किया।

उन्होंने इन पूर्ण उदाहरणों को उत्पन्न करने के लिए धीमे, पूर्ण CoCoS का उपयोग किया।
उन्होंने एक तेज़ AI को इन पूर्ण उदाहरणों की नकल करने के लिए प्रशिक्षित किया।
परिणाम: तेज़ AI अब बिना हर बार धीमी गणितीय प्रक्रिया किए, तुरंत सही मानचित्र तैयार करता है।

मुख्य निष्कर्ष (The Bottom Line)

शोध पत्र का मुख्य संदेश है: "भौतिकी को संतुष्ट करना" (तार को हिट करना) और "पोस्टीरियर का नमूना लेना" (टेंट वास्तव में कहाँ है, यह जानना) एक समान नहीं है।

यदि आप वैज्ञानिक अनुमान (जैसे मौसम, तेल का प्रवाह, या सामग्री के तनाव की भविष्यवाणी करना) कर रहे हैं और आपको यह जानने की आवश्यकता है कि आप कितने अनिश्चित हैं, तो आप केवल अपने उत्तर को भौतिकी समीकरणों में फिट करने के लिए मजबूर नहीं कर सकते। आपको उन समीकरणों के "आकार" (shape) को भी ठीक करना होगा। यदि आप ऐसा नहीं करते हैं, तो आपके अनिश्चितता अनुमान गलत होंगे, और आपके वैज्ञानिक निष्कर्ष भ्रामक हो सकते हैं।

संक्षेप में: केवल तार के निकटतम बिंदु को न खोजें; तार के आकार का सम्मान करें, अन्यथा आपका दुनिया का मानचित्र गलत होगा।

तकनीकी सारांश: भौतिकी-प्रतिबंधित जनरेशन के लिए सही माप (The Right Measure for Physics-Constrained Generation)

समस्या विवरण (Problem Statement)

जेनरेटिव मॉडल, विशेष रूप से डिफ्यूजन और फ्लो-मैचिंग आर्किटेक्चर, आंशिक अंतर समीकरणों (Partial Differential Equations - PDEs) के इनवर्स समस्याओं को हल करने के लिए तेजी से उपयोग किए जा रहे हैं। मानक वर्कफ़्लो में एक भौतिक पूर्ववर्ती (generative prior) $\pi(x)$ को प्रशिक्षित करना और फिर भौतिक बाधाओं (governing PDEs, बाउंड्री कंडीशंस, या डेटा कंसिस्टेंसी) को प्रोजेक्शन या गाइडेंस के माध्यम से कठोर बाधाओं ( $c(x)=0$ ) के रूप में लागू करना शामिल है। ये विधियाँ तत्पश्चात अनिश्चितता परिमाणीकरण (Uncertainty Quantification - UQ) करने के लिए बाधा-युक्त नमूनों (constrained samples) को बेयसियन पोस्टीरियर (Bayesian posterior) के ड्रॉ के रूप में रिपोर्ट करती हैं।

यह शोध पत्र इस व्यापक रूप से अपनाई जाने वाली विधि में एक मौलिक दोष की पहचान करता है: एक कठोर बाधा लागू करना सही बेयसियन पोस्टीरियर से नमूने प्राप्त नहीं करता है।

मुख्य मुद्दा एक माप-सैद्धांतिक अस्पष्टता है जिसे बोरेल-कोलमोगोरोव विरोधाभास (Borel–Kolmogorov paradox) के रूप में जाना जाता है। एक निरंतर वितरण (continuous distribution) को शून्य-माप मैनिफोल्ड (measure-zero manifold) पर कंडिशन करना, जहाँ $c(x)=0$ है, बिना यह निर्दिष्ट किए कि शून्य-माप सीमा (zero-measure limit) को कैसे लिया गया है, अपरिभाषित है।

भौतिक सीमा (The Physical Limit): भौतिक रूप से सही सीमा यह मानती है कि PDE एक छोटे रेसिडुअल शोर ( $c(x) \sim \mathcal{N}(0, \gamma^2 I)$ जब $\gamma \to 0$ ) तक मान्य है। को-एरिया फॉर्मूला (co-area formula) के अनुसार, यह सीमा मैनिफोल्ड $M$ पर एक पोस्टीरियर डेंसिटी प्रदान करती है जिसमें एक फिक्समैन (को-एरिया) जैकोबियन कारक शामिल होता है:
$p^\star(x) \propto \pi(x) \ell(y|x) [\det(J(x)J(x)^\top)]^{-1/2}, \quad x \in M$
जहाँ $J = \nabla c$ बाधा जैकोबियन (constraint Jacobian) है।
यूक्लिडियन सीमा (The Euclidean Limit): मानक प्रोजेक्शन और गाइडेंस विधियाँ अप्रत्यक्ष रूप से एक ज्यामितिक "ट्यूब" (मैनिफोल्ड से यूक्लिडियन दूरी) पर कंडिशन करती हैं। यह सीमा $M$ पर एक माप $p_E \propto \pi(x)$ की ओर अभिसरित होती है, जो जैकोबियन कारक $[\det(JJ^\top)]^{-1/2}$ को छोड़ देती है।

दोनों सीमाएँ तभी मेल खाती हैं जब $\det(JJ^\top)$ मैनिफोल्ड $M$ पर स्थिर हो। PDE इनवर्स समस्याओं के लिए, बाधा संवेदनशीलता (constraint sensitivity) स्वाभाविक रूप से विषम (heterogeneous) होती है, जिसका अर्थ है कि छोड़ा गया कारक केवल एक मामूली विवरण नहीं है, बल्कि एक व्यवस्थित, गैर-नगण्य पूर्वाग्रह (bias) का स्रोत है।

कार्यप्रणाली (Methodology)

सैद्धांतिक विश्लेषण (Theoretical Analysis)

लेखक को-एरिया फॉर्मूला का उपयोग करके इस पूर्वाग्रह को औपचारिक रूप देते हैं। वे प्रदर्शित करते हैं कि प्रोजेक्शन-आधारित विधियों (जैसे PCFM) द्वारा उपयोग किया जाने वाला "हार्ड कंस्ट्रेंट" सीमा, यूक्लिडियन सीमा $p_E$ को लक्षित करता है, जबकि वास्तविक भौतिक पोस्टीरियर को-एरिया पोस्टीरियर $p^\star$ है। वास्तविक पोस्टीरियर और पक्षपाती पोस्टीरियर के बीच का अनुपात ठीक वही गायब फिक्समैन कारक है:
$\frac{dp^\star}{dp_E}(x) \propto [\det(J(x)J(x)^\top)]^{-1/2}$
वे आगे दिखाते हैं कि इस पूर्वाग्रह को प्रोजेक्ट किए गए नमूनों के सरल स्केलर रीवेटिंग (scalar reweighting) द्वारा ठीक नहीं किया जा सकता है क्योंकि प्रोजेक्शन मैप स्वयं कर्वेचर-निर्भर, गैर-स्केलर तरीके से प्रायर (prior) को विकृत करता है।

CoCoS: मेजर-अवेयर कंस्ट्रेंड सैंपलर (CoCoS: Measure-Aware Constrained Sampler)

सही पोस्टीरियर $p^\star$ से नमूने लेने के लिए, लेखक CoCoS (Co-area Constrained Sampler) पेश करते हैं। यह एक सटीक MCMC सैंपलर है जिसे सीधे को-एरिया पोस्टीरियर को लक्षित करने के लिए डिज़ाइन किया गया है:

टैंजेंट प्रपोजल (Tangent Proposal): मैनिफोल्ड $M$ के टैंजेंट स्पेस में एक बिंदु $x$ पर, एक आइसोट्रोपिक गाऊसी वितरण का उपयोग करके एक प्रपोजल स्टेप $v$ उत्पन्न करें।
री-प्रोजेक्शन (Re-projection): उम्मीदवार $x+v$ को नॉर्मल दिशाओं के अनुदिश मैनिफोल्ड $M$ पर वापस प्रोजेक्ट करें (एक छोटा न्यूटन स्टेप हल करना)।
मेट्रोपोलिस स्वीकृति (Metropolis Acceptance): प्रस्ताव को एक अनुपात के साथ स्वीकार करें जिसमें फिक्समैन पोटेंशियल टर्म ( $\frac{1}{2}\log \det(JJ^\top)$ ) शामिल हो और एक रिवर्सिबिलिटी चेक हो ताकि यह सुनिश्चित हो सके कि इनवेरिएंट डिस्ट्रीब्यूशन सटीक रूप से $p^\star$ है।

CoCo-Flow: एमोर्टाइज्ड करेक्शन (CoCo-Flow: Amortized Correction)

यह पहचानते हुए कि उच्च-आयामी समस्याओं के लिए MCMC गणनात्मक रूप से महंगा है, लेखक CoCo-Flow प्रस्तावित करते हैं। यह दृष्टिकोण एक कंडीशनल फ्लो-मैचिंग मॉडल को प्रशिक्षित करके इस सुधार को एमोर्टाइज (amortize) करता है ताकि वह सटीक CoCoS सैंपलर की नकल कर सके।

प्रशिक्षण (Training): सटीक CoCoS एल्गोरिदम का उपयोग करके "टीचर" नमूने उत्पन्न करें (या $(\theta, y)$ के संयुक्त जोड़े सीधे फॉरवर्ड सिम्युलेटर से लें, जो स्वाभाविक रूप से मेजर-करेक्ट है)।
अनुमान (Inference): एक "स्टूडेंट" फ्लो मॉडल को इन टीचर नमनों को पुनरुत्पादित करने के लिए प्रशिक्षित करें।
परिणाम: टेस्ट-टाइम इन्फरेंस एक सिंगल ODE सॉल्व बन जाता है, जो प्रति-क्वेरी जैकोबियन गणनाओं या MCMC स्टेप्स की आवश्यकता के बिना, प्रशिक्षण डेटा से मेजर-करेक्टनेस को विरासत में प्राप्त करता है।

मुख्य परिणाम (Key Results)

लेखक अपने दावों को एक i.i.d. रिजेक्शन आर्बिटर (रेसिड्यूअल-बैंड रिजेक्शन सैंपलिंग) का उपयोग करके मान्य करते हैं, जो एक गोल्ड-स्टैंडर्ड ग्राउंड ट्रुथ के रूप में कार्य करता है और MCMC मिक्सिंग पैथोलॉजी से मुक्त है।

नियंत्रित बेंचमार्क (Controlled Benchmarks)

कारक की आवश्यकता (Necessity of the Factor): एक नियंत्रित 4D समस्या में, फिक्समैन कारक को छोड़ने (हाउस्डॉर्फ मेजर का नमूना लेने) के परिणामस्वरूप पोस्टीरियर एरर सैंपलिंग नॉइज़ फ्लोर का 21 गुणा था।
प्रोजेक्शन का पूर्वाग्रह (Bias of Projection): मानक मिनिमल-डिस्प्लेसमेंट प्रोजेक्शन (PCFM) नॉइज़ फ्लोर से 9 गुना अधिक पक्षपाती था।
स्केलर रीवेटिंग की विफलता (Failure of Scalar Reweighting): प्रोजेक्ट किए गए नमूनों को स्केलर जैकोबियन टर्म द्वारा नाइवली रीवेट करने से भी पूर्वाग्रह ठीक नहीं हुआ, बल्कि अक्सर त्रुटि बढ़ गई (16 $\times$ फ्लोर), जो पुष्टि करता है कि विकृति संरचनात्मक है, न कि केवल एक स्केलिंग का मुद्दा।
CoCoS की सटीकता (CoCoS Accuracy): CoCoS सैंपलर ने गोल्ड-स्टैंडर्ड आर्बिटर के साथ नॉइज़ फ्लोर के 2.5 गुना के भीतर मिलान किया, जिससे वास्तविक पोस्टीरियर प्रभावी रूप से रिकवर हुआ।

PDE इनवर्स प्रॉब्लम्स (Darcy Flow)

विषम संवेदनशीलता वाले 1D और 2D डार्सी फ्लो इनवर्स समस्याओं पर मूल्यांकन:

स्केलिंग (Scaling): पूर्वाग्रह आयाम (dimension) और संवेदनशीलता विषमता (sensitivity heterogeneity) के साथ बढ़ता है। एक 2D फील्ड-वैल्यूड समस्या ( $d=64$ ) में, कंस्ट्रेंट सेंसिटिविटी $2.6 \times 10^5$ तक भिन्न थी। जबकि एक नाइव औसत ने कम पूर्वाग्रह का सुझाव दिया, लाइक्लीहुड-इंफॉर्म्ड सबस्पेस के विश्लेषण से पता चला कि PCFM नॉइज़ फ्लोर से 21.7 $\times$ अधिक पक्षपाती था।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification): पूर्वाग्रह एक गंभीर कैलिब्रेशन विफलता के रूप में प्रकट होता है। PCFM ने पोस्टीरियर स्टैंडर्ड डेवििएशन को 96% गलत रिपोर्ट किया और स्प्यूरियस कोरिलेशन (कोवेरिएंस एरर 122%) पेश किया। CoCoS ने 1% त्रुटि के साथ पोस्टीरियर स्प्रेड को रिकवर किया और विश्वसनीय अंतराल (credible intervals) को सही ढंग से कैलिब्रेट किया।
एमोर्टाइजेशन (Amortization): CoCo-Flow ने दोनों 1D और 2D सेटिंग्स में होल्ड-आउट ऑब्जर्वेशन के लिए सुधार को सफलतापूर्वक सामान्यीकृत किया, जो नॉइज़ फ्लोर के कुछ मल्टीपल्स के भीतर सटीकता प्राप्त करता है, जबकि इन्फरेंस समय सटीक सैंपलर की तुलना में कई गुना कम है।

जब पूर्वाग्रह नगण्य हो (When the Bias is Negligible)

शोध पत्र नोट करता है कि कम संवेदनशीलता विषमता वाली समस्याओं में (जैसे, एक 1D स्टेडी विस्कस बर्गर्स इक्वेशन), पूर्वाग्रह कम होता है, और प्रोजेक्शन विधियाँ सुधारे गए सैंपलर के लगभग समान प्रदर्शन करती हैं। यह सिद्धांत के अनुरूप है कि पूर्वागत तब समाप्त हो जाता है जब $\det(JJ^\top)$ स्थिर होता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र एक विशिष्ट, मध्यम लेकिन महत्वपूर्ण दावा करता है: "भौतिकी को संतुष्ट करना" (Satisfying the physics) और "पोस्टीरियर का नमूना लेना" (sampling the posterior) एक ही बात नहीं है।

व्यवस्थित त्रुटि का सुधार: लेखक प्रदर्शित करते हैं कि भौतिकी-प्रतिबंधित जेनरेटिव मॉडल का प्रमुख वर्ग (प्रोजेक्शन और गाइडेंस) को-एरिया जैकोबियन के कारण व्यवस्थित रूप से गलत वितरण का नमूना लेता है। यह कोई कार्यान्वयन बग नहीं है बल्कि शून्य-माप मैनिफोल्ड पर सही माप-सैद्धांतिक सीमा के बिना बाधाओं को लागू करने का परिणाम है।
वैज्ञानिक UQ पर प्रभाव: अनिश्चितता-जागरूक वैज्ञानिक अनुमान के लिए, यह पूर्वाग्रह केवल कॉस्मेटिक नहीं है। यह गलत कैलिब्रेटेड अनिश्चितता अनुमानों, बढ़े हुए वेरिएंस और स्प्यूरियस कोरिलेशनों की ओर ले जाता है, जिससे रिपोर्ट किए गए कॉन्फिडेंस इंटरवल्स अविश्वसनीय हो जाते हैं।
सिद्धांतिक समाधान: शोध पत्र एक सिद्धांत आधारित सुधार (फिक्समैन फैक्टर) और एक व्यावहारिक सैंपलर (CoCoS) और एमोर्टाइज्ड जनरेटर (CoCo-Flow) प्रदान करता है जो सही पोस्टीरियर को लक्षित करते हैं।
दायरा (Scope): यह आलोचना उन विधियों को लक्षित करती है जो एक निश्चित प्रायर को हार्ड कंस्ट्रेंट्स के साथ पोस्ट-प्रोसेस करती हैं। यह उन विधियों पर दोष नहीं लगाता जो फॉरवर्ड-सिम्युलेटेड जॉइंट पेयर्स पर प्रशिक्षित होते हैं (जो स्वाभाविक रूप से मेजर-करेक्ट हैं) या जो कैलिब्रेटेड पोस्टीरियर्स का दावा नहीं करते हैं।

निष्कर्षतः, शोध पत्र तर्क देता है कि कठोर वैज्ञानिक अनुमान के लिए, "सही माप" (को-एरिया सुधार) वैकल्पिक नहीं है; इसे छोड़ना मौलिक रूप से इन जेनरेटिव मॉडल्स द्वारा प्रदान किए गए अनिश्चितता परिमाणीकरण को अमान्य कर देता है।