📊 statistics

Generalized Conformal Predictive Systems Under Distributional Shifts

यह शोध पत्र अवलोकन-विशिष्ट क्रमपरिवर्तन भार (permutation weights) और भार-अनिश्चितता बॉक्स (weight-uncertainty boxes) को शामिल करके गैर-विनिमेय (non-exchangeable) परिवेशों में सामान्यीकृत अनुरूप भविष्य कहनेवाला प्रणालियों (generalized conformal predictive systems) का विस्तार करता है, ताकि वितरण संबंधी बदलावों (distributional shifts) के तहत वितरण संबंधी बदलावों के तहत परिमित-नमूना या अनंत-नमूना गारंटी के साथ वैध, शिफ्ट-जागरूक भविष्य कहनेवाला बैंड प्रदान किए जा सकें।

मूल लेखक: Jef Jonkers, Johanna Ziegel

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jef Jonkers, Johanna Ziegel

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 विज्ञानी हैं। आपका काम सिर्फ यह कहना नहीं है कि "कल बारिश होगी"; बल्कि यह कहना है कि "मुझे 90% यकीन है कि बारिश होगी, और यहाँ संभावनाओं की एक सीमा (range) दी गई है।" मशीन लर्निंग की दुनिया में, इसे अनिश्चितता का परिमाणीकरण (uncertainty quantification) कहा जाता है। आप चाहते हैं कि आपके पूर्वानुमान "कैलिब्रेटेड" हों, जिसका अर्थ है कि यदि आप कहते हैं कि बारिश की 90% संभावना है, तो जब भी आप यह भविष्यवाणी करते हैं, वास्तव में 90% बार बारिश होनी चाहिए।

लंबे समय से, एक लोकप्रिय उपकरण जिसे कॉन्फॉर्मल प्रेडिक्टिव सिस्टम्स (CPS) कहा जाता है, स्वर्ण मानक (gold standard) रहा है। यह एक सुरक्षा जाल (safety net) की तरह काम करता है: यह परिणामों की एक "बैंड" (एक निचली और ऊपरी सीमा) देता है जो गणितीय रूप से सत्य को समाहित करने की गारंटी देता है, लेकिन केवल तभी जब पिछला डेटा बिल्कुल भविष्य के डेटा जैसा ही हो।

समस्या: "नई दुनिया" की स्थिति
यह शोध पत्र इस सुरक्षा जाल की एक बड़ी खामी को संबोधित करता है: डिस्ट्रीब्यूशनल शिफ्ट (Distributional Shift)।

कल्पना कीजिए कि आपने कैलिफोर्निया की एक धूप वाली गर्मियों के डेटा पर अपना मौसम मॉडल प्रशिक्षित किया है। अब, आप लंदन की एक बरसाती सर्दियों में मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। डेटा बदल गया है। नियम बदल गए हैं। यदि आप पुराने सुरक्षा जाल का उपयोग करते हैं, तो यह टूट जाएगा क्योंकि यह मानता है कि अतीत (कैलिफोर्निया) और भविष्य (लंदन) एक दूसरे के समान हैं। वास्तव में, वे नहीं हैं।

समाधान: भारित टिकट और अनिश्चितता बॉक्स (Weighted Tickets and Uncertainty Boxes)
लेखक, जेफ जोनर्स और जोहाना ज़िगेल, इस सुरक्षा जाल को ठीक करने का एक तरीका प्रस्तावित करते हैं ताकि यह तब भी काम कर सके जब दुनिया बदल जाए। वे इसे दो चतुर चरणों में करते हैं:

1. भारित लॉटरी (परम्यूटेशन वेट्स - Permutation Weights)

अपने प्रशिक्षण डेटा को कंचों (marbles) के एक थैले के रूप में सोचें। पुराने तरीके में, हर कंचे की "भविष्य का कंचा" होने की समान संभावना थी। लेकिन जब दुनिया बदलती है, तो कुछ कंचों के भविष्य का हिस्सा होने की संभावना अधिक होती है।

लेखक भार (weights) पेश करते हैं।

यदि कोई कंचा (डेटा पॉइंट) ऐसा दिखता है जैसे कि वह नए, बरसाती लंदन का हिस्सा है, तो उसे भारी भार (heavy weight) (लॉटरी में एक बड़ा टिकट) दिया जाता है।
यदि कोई कंचा कैलिफोर्निया की धूप वाले मौसम का हिस्सा लगता है, तो उसे हल्का भार (light weight) (एक छोटा टिकट) दिया जाता है।

इन भारित टिकटों का उपयोग करके, सिस्टम थैले को "पुनः संतुलित" (re-balance) कर सकता है ताकि पिछला डेटा प्रभावी रूप से भविष्य के डेटा की नकल कर सके। यह सुरक्षा जाल को नई वास्तविकता को कवर करने के लिए फैलने की अनुमति देता है।

2. अनिश्चितता बॉक्स (जब हमें भार का पता नहीं होता)

यहाँ पेचीदा हिस्सा आता है: वास्तविक दुनिया में, हमारे पास शायद ही कभी सटीक भार होता है। हमें उनका अनुमान लगाना पड़ता है।

उपमा: कल्पना कीजिए कि आप एक टिकट के वजन का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन आपका तराजू थोड़ा डगमगा रहा है। आप अनुमान लगा सकते हैं कि एक टिकट "10 ग्राम" का है, लेकिन यह 8 और 12 ग्राम के बीच कहीं भी हो सकता है।

लेखक वेट-अनसर्टेन्टी बॉक्सेस (Weight-Uncertainty Boxes) की अवधारणा पेश करते हैं। अपने अनुमान के इर्द-गिर्द संभावनाओं का एक "बॉक्स" बनाने के बजाय, वे एक "बॉक्स" बनाते हैं।

वे पूछते हैं: "क्या होगा यदि भार बॉक्स के बिल्कुल निचले स्तर पर है? क्या होगा यदि यह बॉक्स के बिल्कुल ऊपरी स्तर पर है?"
फिर वे एक सुपर-सेफ्टी नेट बनाते हैं जो उन सभी संभावनाओं को कवर करता है जो उस बॉक्स के भीतर हैं।

यह सिस्टम को मजबूत (robust) बनाता है। यदि आपके भार के बारे में आपका अनुमान थोड़ा गलत था, तो भी सुरक्षा जाल सत्य को पकड़ने के लिए पर्याप्त चौड़ा होगा। इस जाल की "मोटाई" आपको बताती है कि आपको कितना अनिश्चित होना चाहिए। एक पतला जाल मतलब आप आश्वस्त हैं; एक मोटा जाल मतलब डेटा तेजी से बदल रहा है, और आपको सावधान रहना चाहिए।

यह व्यवहार में कैसे काम करता है

यह शोध पत्र तीन अलग-अलग प्रकार के "पूर्वानुमानकर्ताओं" पर परीक्षण करता है:

बिनिंग (Binning): डेटा को बकेटों में समूहबद्ध करना।
कॉन्फॉर्मल स्कोर (Conformal Scores): इस बात की रैंकिंग करना कि एक नया डेटा पॉइंट पुराने डेटा की तुलना में कितना "अजीब" दिखता है।
आइसोटोनिक रिग्रेशन (Isotonic Regression): एक सुचारू वक्र-फिटिंग (curve-fitting) विधि।

उन्होंने इन्हें दो परिदृश्यों पर परखा:

सिंथेटिक डेटा: एक कंप्यूटर सिमुलेशन जहाँ उन्होंने डेटा को कृत्रिम रूप से शिफ्ट किया ताकि देखा जा सके कि गणित काम करता है या नहीं।
वास्तविक दुनिया का जीव विज्ञान: AAV वायरस (जीन थेरेपी के लिए उपयोग किए जाने वाले) पर एक अध्ययन। इस प्रयोग में, वैज्ञानिक नए वायरस अनुक्रमों (sequences) को डिज़ाइन करते हैं जो पैकेजिंग में "बेहतर" होने के लिए होते हैं। हालाँकि, सबसे अच्छे वाले चुनने की प्रक्रिया डेटा वितरण को बदल देती है (एक फीडबैक लूप)। पुराने तरीके इस नए वातावरण में परिणामों की सटीक भविष्यवाणी करने में विफल रहे, लेकिन लेखकों के भारित तरीके (weighted method) ने भविष्यवाणियों को सफलतापूर्वक पुन: कैलिब्रेट किया, जिससे यह सुनिश्चित हुआ कि सुरक्षा जाल बना रहे।

मुख्य निष्कर्ष (The Takeaway)

यह शोध पत्र केवल यह नहीं कहता कि "हमने गणित को ठीक कर दिया।" यह दिखाता है कि:

जब डेटा बदलता है, तो मानक तरीके अति-आत्मविश्वासी और गलत हो जाते हैं।
भारित टिकटों का उपयोग करके, आप सुरक्षा जाल को नई दुनिया के अनुकूल बना सकते हैं।
अनिश्चितता बॉक्सों का उपयोग करके, आप इस तथ्य को ध्यान में रख सकते हैं कि आपके भार केवल अनुमान हैं, जिससे यह सुनिश्चित होता है कि आप कभी भी अपना सुरक्षा जाल न खोएं, भले ही आपके अनुमान अपूर्ण हों।
परिणाम एक ऐसा सिस्टम है जो शिफ्ट (बदलाव) मजबूत होने पर चौड़ा (अधिक अनिश्चित) हो जाता है, और आपके पास अधिक डेटा होने पर सटीक (अधिक सुस्पष्ट) हो जाता है, जिससे आपको यह ईमानदारी से पता चलता है कि आप अपनी भविष्यवाणी पर कितना भरोसा कर सकते हैं।

संक्षेप में, उन्होंने एक स्मार्ट, अनुकूलनीय सुरक्षा जाल बनाया है जो जानता है कि कब उसके नीचे की जमीन खिसकी है, जिससे यह सुनिश्चित होता है कि बदलती दुनिया में मशीन लर्निंग की भविष्यवाणियां भरोसेमंद बनी रहें।

तकनीकी सारांश: वितरण संबंधी बदलावों के तहत सामान्यीकृत अनुरूप भविष्य कहनेवाला तंत्र (Generalized Conformal Predictive Systems)

1. समस्या विवरण

निर्णय लेने वाले संदर्भों में तैनात मशीन लर्निंग प्रणालियों को न केवल सटीक बिंदु भविष्यवाणियों की आवश्यकता होती है, बल्कि सांख्यिकीय रूप से विश्वसनीय अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की भी आवश्यकता होती है। विशेष रूप से, भविष्य कहनेवाला वितरण (predictive distributions) कैलिब्रेटेड (calibrated) होने चाहिए, जिसका अर्थ है कि अनुमानित संभावनाएँ अनुभवजन्य आवृत्तियों (empirical frequencies) से मेल खानी चाहिए, और भविष्यवाणा अंतराल (prediction intervals) अपने लक्षित कवरेज को प्राप्त करने चाहिए।

आउट-ऑफ-सैंपल कैलिब्रेशन प्राप्त करने में एक प्राथमिक बाधा वितरण संबंधी बदलाव (distributional shift) है। शास्त्रीय अनुरूप भविष्यवाणी विधियाँ विनिमयशीलता (exchangeability) धारणा पर निर्भर करती हैं (कि डेटा बिंदु समान रूप से वितरित हैं और क्रम-स्वतंत्र हैं)। व्यवहार में इस धारणा का उल्लंघन अक्सर होता है, जैसे:

कोवेरिएट शिफ्ट (इनपुट वितरण में परिवर्तन)।
लेबल शिफ्ट।
टेम्पोरल ड्रिफ्ट (सामयिक विचलन)।
अनुकूलन या फीडबैक-संचालित डेटा संग्रह (जैसे, बायोमॉलिक्यूलर डिज़ाइन में)।

यद्यपि पूर्व कार्यों ने विशिष्ट शिफ्ट व्यवस्थाओं (जैसे, ज्ञात कोवेरिएट शिफ्ट के लिए लाइकलीहुड रेश्यो के माध्यम से) के लिए अनुरूप भविष्य कहनेवाला प्रणालियों (CPS) को विस्तारित किया है, लेकिन भार (weights) के अनुमान में अनिश्चितता को ध्यान में रखते हुए, मनमाने वितरण संबंधी बदलावों को संभालने के लिए एक सामान्यीकृत अनुरूप भविष्य कहनेवाला तंत्र (GCPS) हेतु एक सामान्य ढांचे का अभाव था। मुख्य चुनौती ऐसे भविष्य कहनेवाला आवरण (cumulative distribution functions - CDFs के सेट) का निर्माण करना है, जो वैध और कैलिब्रेटेड बने रहें, भले ही परीक्षण बिंदु (test point) प्रशिक्षण डेटा से भिन्न वितरण से लिया गया हो, और जब शिफ्ट को ठीक करने वाले भार ज्ञात होने के बजाय अनुमानित हों।

2. कार्यप्रणाली

2.1. सैद्धांतिक ढांचा: क्रमपरिवर्तन भार (Permutation Weights)

लेखक गैर-विनिमयशील सेटिंग्स के लिए GCPS को क्रमपरिवर्तन भारों के माध्यम से मॉडलिंग करके विस्तारित करते हैं। यह मानते हुए कि परीक्षण बिंदु $Z_{n+1}$ प्रशिक्षण सेट $\{Z_1, \dots, Z_n\}$ के साथ विनिमयशील है, इसके बजाय यह विधि प्रेक्षित परमाणुओं (observed atoms) के अव्यवस्थित मल्टीसेट पर विचार करती है। परीक्षण बिंदु की इन परमाणुओं के बीच पहचान को $w_i$ प्रायिकता वाले भारित चयन के रूप में मॉडल किया जाता है।

भारित अनुभवजन्य नियम (Weighted Empirical Law): एक संभावित प्रतिक्रिया मान $y'$ के लिए, विधि एक भारित प्रेक्षित माप $\mu_{obs}$ और एक काल्पनिक पूर्ण माप $\tilde{\mu}$ का निर्माण करती है, जिसमें परीक्षण परमाणु को उसके वास्तविक भार $w_{n+1}$ के साथ शामिल किया जाता है।
शिफ्ट-जागरूक आवरण (Shift-Aware Envelopes): भविष्य कहनेवाला तंत्र को प्रशिक्षण सेट में परीक्षण परमाणु को उसके विशिष्ट भार के साथ सम्मिलित करके बनाया जाता है। प्रमेय 1 स्थापित करता है कि यदि अंतर्निहित वितरण प्रतिगमन प्रक्रिया $G$ इन-सैंपल कैलिब्रेटेड (संभावित, आइसोटोनिक, या ऑटो-कैलिब्रेटेड) है, तो परिणामी भविष्य कहनेवाला तंत्र $\Pi[X_{n+1}]$ वास्तविक (संभावित रूप से गैर-विनिमयशील) नियम के तहत $Y_{n+1}$ के लिए एक कैलिब्रेटेड भविष्य कहनेवाला CDF को समाहित करता है।

2.2. भार अनिश्चितता को संभालना

व्यवहार में, शिफ्ट भार शायद ही कभी ज्ञात होते हैं और उन्हें अनुमानित किया जाना चाहिए (जैसे, घनत्व अनुपात के माध्यम से), जिससे एपिस्टेमिक अनिश्चितता (epistemic uncertainty) उत्पन्न होती है। इसे संबोधित करने के लिए, लेखक भार-अनिश्चितता बॉक्स (weight-uncertainty boxes) पेश करते हैं:

परिभाषा: अनुमानित भार $\hat{w}_i$ के चारों ओर एक समन्वयवार गुणात्मक सीमा (coordinatewise multiplicative bound), जिसे $L_i \hat{w}_i \leq w_i^* \leq U_i \hat{w}_i$ के रूप में परिभाषित किया गया है।
कॉन्फिडेंस रीजन (Confidence Region): इस बॉक्स $WWU_\alpha$ को वास्तविक भारों के लिए एक $(1-\alpha)$ कॉन्फिडेंस रीजन के रूप में माना जाता है।
मजबूत आवरण (Robust Envelopes): विधि अनिश्चितता बॉक्स के भीतर सभी भार वेक्टर्स पर भविष्य कहनेवाला सिस्टम बाउंड्स को अनुकूलित करके भार-मजबूत CDF आवरण का निर्माण करती है। यह उन CDFs का एक सेट प्रदान करता है जो कम से कम $1-\alpha$ प्रायिकता के साथ एक कैलिब्रेटेड वितरण के समावेशन की गारंटी देता है, भले ही बॉक्स के भीतर भार गलत तरीके से अनुमानित हों।

2.3. कुशल गणना

यह शोध पत्र $G$ के तीन विशिष्ट उदाहरणों के लिए कुशल गणना नियम व्युत्पन्न करता है, जिससे सभी संभावित $y'$ मानों पर नेइव स्वीप (naive sweep) की आवश्यकता समाप्त हो जाती है:

कन्फॉर्मल बिनिंग (CBIN): बिन के भीतर भारित अनुभवजन्य CDF का उपयोग करता है। मजबूत आवरणों को उन परमाणुओं को उनके ऊपरी भार सीमा तक धकेलकर और अन्य को उनकी निचली सीमा तक धकेलकर प्राप्त किए गए क्लोज्ड-फॉर्म अभिव्यक्तियों द्वारा प्राप्त किया जाता है।
कन्फॉर्मिटी-मेजर CPS (CMCPS): यही तर्क CBIN पर लागू करता है, लेकिन यह कच्चे परिणामों के बजाय कन्फॉर्मिटी स्कोर पर कार्य करता है।
कन्फॉर्मल आइसोटोनिक डिस्ट्रिब्यूशनल रिग्रेशन (CIDR): यह एंटीटोनिक रिग्रेशन का उपयोग करता है। मजबूत आवरणों की गणना आइसोटोनिक रिग्रेशन रूटीन (PAVA) को दो बार चलाकर की जाती है: एक बार इंडिकेटर मानों के आधार पर भारों को उनकी ऊपरी सीमाओं पर सेट करके और एक बार निचली सीमाओं पर।

3. प्रमुख योगदान

यह शोध पत्र तीन प्राथमिक योगदान देता है:

गैर-विनिमयशीलता तक विस्तार: यह क्रमपरिवर्तन भारों के माध्यम से विनिमयशीलता से विचलन को एनकोड करके GCPS को गैर-विनिमयशील अनुक्रमों तक विस्तारित करता है, जिससे शिफ्ट-जागरूक भविष्य कहनेवाला आवरण का निर्माण होता है जो मनमाने वितरण संबंधी बदलावों के तहत भी वैध रहता है।
भार अनिश्चितता के प्रति मजबूती: यह भार-अनिश्चितता बॉक्स पर आधारित मजबूत भविष्य कहनेवाला सिस्टम विकसित करता है। ये बॉक्स भारों के लिए एक संयुक्त कॉन्फिडेंस रीजन के रूप में कार्य करते हैं, जो यह गारंटी देते हैं कि आवरण में एक कैलिब्रेटेड भविष्य कहनेवाला CDF शामिल है; आवरण की मोटाई (thickness) सीमित-नमूना अनिश्चितता और भार मिसस्पेसिफिकेशन दोनों को दर्शाती है।
कुशल एल्गोरिदम और अनुभवजन्य सत्यापन: यह CBIN, CMCPS और CIDR के लिए कुशल मूल्यांकन नियम और क्लोज्ड फॉर्म प्रदान करता है। यह अनुभवजन्य रूप से प्रदर्शित करता है कि शिफ्ट-जागरक वेटिंग (weighting) भविष्य कहनेवाला प्रदर्शन में सुधार करती है और फीडबैक कोवेरिएट शिफ्ट के तहत कैलिब्रेशन को बनाए रखती है, जबकि बैंड की चौड़ाई एपिस्टेमिक अनिश्चितता को प्रभावी ढंग से मात्राबद्ध करती है।

4. प्रयोगात्मक परिणाम

4.1. सिंथेटिक कोवेरिएट शिफ्ट

कोवेरिएट शिफ्ट के साथ 5D रिग्रेशन कार्य पर प्रयोग किए गए।

कैलिब्रेशन: अनवेटेड (unweighted) विधियों ने काफी कम कवरेज दिखाया (नाममात्र $0.90 $के मुकाबले कवरेज$ \approx 0.83-0.88$)।
वेटेड विधियाँ: ऑरेकल और अनुमानित वेटिंग ने कवरेज को लगभग नाममात्र स्तर ( $\approx 0.91-0.93$ ) तक बहाल कर दिया।
अनिश्चितता प्रसार: "अनुमानित CI वेटिंग" (अनिश्चितता बॉक्स का उपयोग करके) सबसे रूढ़िवादी था, जिसने $\approx 0.97$ तक कवरेज प्राप्त किया। यह थोड़े उच्च CRPS और व्यापक बैंड की कीमत पर आया, जो भार अनुमान से जुड़ी अतिरिक्त एपिस्टेमिक अनिश्चितता को सही ढंग से दर्शाता है।
नमूना आकार: जैसे-जैसे प्रशिक्षण और कैलिब्रेशन नमूना आकार बढ़ता गया, अनुरूप बैंड (conformal bands) संकुचित होते गए, जो कम होती एपिस्टेमिक अनिश्चितता का संकेत देते हैं।

4.2. फीडबैक-संचालित बायोमॉलिक्यूलर डिज़ाइन (AAV कैप्सिड्स)

इस विधि को एडेनो-एसोसिएटेड वायरस (AAV) कैप्सिड पैकेजिंग डिज़ाइन पर लागू किया गया, जो फीडबैक कोवेरिएट शिफ्ट (FCS) वाला एक परिदृश्य है जहाँ परीक्षण वितरण मॉडल भविष्यवाणियों के आधार पर डिज़ाइन किए जाते हैं।

सेटअप: टेस्ट वितरणों को विभिन्न "इनवर्स टेम्परेचर" पैरामीटर ( $\lambda$ ) के साथ उत्पन्न किया गया, जो उच्च अनुमानित पैकेजिंग फिटनेस वाले अनुक्रमों की ओर द्रव्यमान (mass) को स्थानांतरित करते हैं।
प्रदर्शन: अनवेटेड वेरिएंट की तुलना में, इम्पॉर्टेंस वेटिंग ने विभिन्न शिफ्ट रेंज में लगभग नाममात्र कवरेज बहाल किया।
चरम शिफ्ट: सबसे चरम शिफ्ट ( $\lambda=7$ ) पर, वेटेड विधियों ने थोड़ा खराब CRPS और व्यापक बैंड दिखाया, जो प्रभावी नमूना आकार में गिरावट और बढ़ी हुई एपिस्टेमिक अनिश्चितता के अनुरूप है।
विश्वसनीयता: वेटेड प्रक्रियाओं ने दुर्लभ, उच्च-मूल्य वाले परिणामों (चरम घटनाओं) के लिए अच्छा कैलिब्रेशन बनाए रखा, जो उच्च-जोखिम वाले डिज़ाइन सेटिंग्स में उनकी उपयोगिता की पुष्टि करता है।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि यह Venn-Abers शैली के भविष्यवक्ताओं (जो कि कन्फॉर्मल IDR का एक विशेष मामला है) के लिए वितरण संबंधी बदलावों और भार अनिश्चितता के तहत आउट-ऑफ-सैंपल कैलिब्रेशन गारंटी स्थापित करने वाला पहला एकीकृत भविष्य कहनेवाला सिस्टम है।

लेखक इस बात पर जोर देते हैं कि भविष्य कहनेवाला बैंड की चौड़ाई एपिस्टेमिक अनिश्चितता के एक सूचनात्मक मीट्रिक के रूप में कार्य करती है। उनके शिफ्ट-जागरूक सेटिंग में, बैंड की चौड़ाई $Y|X$ के वितरण को सीखने की अनिश्चितता और शिफ्ट भार का अनुमान लगाने की अनिश्चितता, दोनों को कैप्चर करती है। यह अभ्यासकर्ताओं को अनुमति देता है:

नियमित उपयोग के लिए एक एकल प्रतिनिधि पूर्वानुमान रिपोर्ट करें।
निर्णय-प्रासंगिक मात्राओं (जैसे, टेल रिस्क) पर बैंड-निहित सीमाओं को रिपोर्ट करें ताकि यह सुनिश्चित हो सके कि निर्णय एपिस्टेमिक अनिश्चितता के प्रति मजबूत हैं।

यह कार्य GCPS को केवल कॉन्फॉर्मिटी स्कोर के रैपर के रूप में नहीं, बल्कि एक लचीले कैलिब्रेशन फ्रेमवर्क के रूप में स्थापित करता है जो किसी भी इन-सैंपल कैलिब्रेटेड डिस्ट्रिब्यूशनल रिग्रेशन प्रक्रिया को लपेट सकता है, जिससे इसकी वैधता विनिमयशीलता धारणा से कहीं आगे तक बढ़ जाती है।

6. सीमाएँ

लेखक दो विशिष्ट चेतावनियाँ नोट करते हैं:

संयुक्त कॉन्फिडेंस रीजन: प्रमेय 2 के लिए आवश्यक है कि भार-अनिश्चितता बॉक्स वास्तविक भारों के लिए एक वैध संयुक्त कॉन्फिडेंस रीजन हो। प्रयोगों में, इसे एक फिटेड प्रोपेंसिटी मॉडल के माध्यम से एसिम्प्टोटिक रूप से बनाया गया था।
निश्चित सक्रिय सेट (Fixed Active Sets): CBIN और CIDR के लिए क्लोज्ड-फॉर्म आवरण यह मानते हैं कि अनिश्चितता बॉक्स में सक्रिय सेट (बिनिंग के लिए) या क्रम (IDR के लिए) स्थिर रहता है। यह बिनिंग और ऑर्डरिंग विकल्पों को वेटिंग से पहले परिभाषित किए गए चयन तक सीमित करता है।