🤖 machine learning

Exploiting Local Flatness for Efficient Out-of-Distribution Detection

यह शोध पत्र Fold को प्रस्तुत करता है, जो एक हल्का आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डिटेक्टर है जो इस अवलोकन का लाभ उठाता है कि इन-डिस्ट्रीब्यूशन डेटा की तुलना में OOD इनपुट अधिक हेसियन कर्वेचर (Hessian curvature) प्रदर्शित करते हैं, और न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ अत्याधुनिक प्रदर्शन प्राप्त करने के लिए फीचर हेसियन और आंशिक सामान्यीकरण (partial normalization) का उपयोग करता है।

मूल लेखक: Seonghwan Park, Hyunji Jung, Dongyeop Lee, Namhoon Lee

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Seonghwan Park, Hyunji Jung, Dongyeop Lee, Namhoon Lee

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 आपके पास एक बहुत ही बुद्धिमान रोबोट है जिसने वर्षों तक किताबों के एक विशिष्ट संग्रह (मान लीजिए, बिल्लियों और कुत्तों के बारे में किताबें) का अध्ययन किया है। यह रोबोट बिल्लियों और कुत्तों की पहचान करने में विशेषज्ञ है। हालाँकि, एक दिन, कोई उसे एक टोस्टर या बादल की तस्वीर थमा देता है।

क्योंकि रोबोट ने कभी टोस्टर नहीं देखा है, वह नहीं जानता कि क्या करना है। लेकिन समस्या यह है कि रोबोट अति-आत्मविश्वासी (overconfident) है। वह टोस्टर को देखकर कह सकता है, "यह निश्चित रूप से एक बहुत ही अजीब बिल्ली है!" और वह भी 100% यकीन के साथ। वास्तविक दुनिया में यह खतरनाक है। हमें एक ऐसा तरीका चाहिए जिससे रोबोट यह कह सके, "रुको, मुझे नहीं पता कि यह क्या है," बजाय इसके कि वह गलत अनुमान लगाए।

यह शोध पत्र इन "अज्ञात" वस्तुओं (जिसे आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटा कहा जाता है) को पकड़ने का एक नया, तेज़ और चतुर तरीका पेश करता है, बिना रोबोट को फिर से प्रशिक्षित (retrain) किए या उसे धीमा किए।

यहाँ उनके समाधान, FOLD, का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. मूल विचार: "डगमगाती मेज" बनाम "स्थिर मेज"

शोधकर्ताओं ने खोजा कि रोबोट कैसे "सोचता" है, इसमें एक छिपा हुआ ज्यामितीय गुण (geometric property) है।

ज्ञात चीजें (In-Distribution): जब रोबोट बिल्ली या कुत्ते को देखता है, तो वह बहुत स्थिर महसूस करता है। कल्पना कीजिए कि रोबोट का मस्तिष्क एक मेज है। जब वह बिल्ली को देखता है, तो मेज बिल्कुल सपाट और ठोस होती है। यदि आप इसे थोड़ा सा धक्का देते हैं, तो यह डगमगाती नहीं है।
अज्ञात चीजें (Out-of-Distribution): जब रोबोट टोस्टर को देखता है, तो मेज डगमगाती और नुकीली हो जाती है। यह एक ऊबड़-खाबड़, असमान चट्टान पर खड़े होने जैसा है। यदि आप इसे थोड़ा सा भी धक्का देते हैं, तो मेज ज़ोर से हिलने लगती है।

शोध पत्र सिद्ध करता है कि अज्ञात वस्तुओं के लिए, "डगमगाहट" (गणितीय रूप से जिसे वक्रता (curvature) कहा जाता है) ज्ञात वस्तुओं की तुलना में बहुत अधिक होती है। वस्तु रोबोट द्वारा सीखी गई चीज़ों से जितनी अलग होगी, मेज उतनी ही अधिक डगमगाएगी।

2. पिछले तरीकों के साथ समस्या

इससे पहले, वैज्ञानिक इस "डगमगाहट" को मापने के लिए पूरे रोबोट के मस्तिष्क (इसके अरबों कनेक्शनों) की जाँच करने का प्रयास करते थे।

उपमा: कल्पना कीजिए कि आप एक गगनचुंबी इमारत की स्थिरता को मापने के लिए उसके अंदर की हर ईंट, बोल्ट और तार की जाँच करके कर रहे हैं। इसमें बहुत समय लगेगा और एक विशाल टीम की आवश्यकता होगी। यह वास्तविक समय (real-time) के उपयोग के लिए बहुत धीमा था।

3. समाधान: FOLD (एक "शॉर्टकट")

लेखकों ने एक विधि बनाई जिसे FOLD कहा जाता है, जो पूरे भवन की जाँच किए बिना डगमगाहट को मापती है।

फीचर हेसियन (The Feature Hessian - एक शॉर्टकट): पूरे मस्तिष्क की जाँच करने के बजाय, वे "फीचर" परत (feature layer) को देखते हैं—मस्तिष्क का वह हिस्सा जो आकृतियों और बनावटों को पहचानता है। उन्होंने महसूस किया कि वे केवल इस विशिष्ट परत को देखकर डगमगाहट की गणना कर सकते हैं।
उपमा: गगनचुंबी इमारत की हर ईंट की जाँच करने के बजाय, वे केवल उसकी नींव की जाँच करते हैं। यदि नींव हिल रही है, तो पूरा भवन अस्थिर है। यह अविश्वसनीय रूप से तेज़ है, जिसमें लगभग उतना ही समय लगता है जितना कि केवल चित्र को एक बार देखने में।

4. "वॉल्यूम नॉब" ट्रिक (पार्शियल नॉर्मलाइजेशन)

एक पेच था। कभी-कभी, रोबोट किसी छवि के बारे में इतना उत्साहित हो जाता है कि उसके सिग्नल का "वॉल्यूम" बहुत तेज़ हो जाता है, जो डगमगाहट को छिपा देता है। यह कमरे में भारी मेटल संगीत बजने के बीच एक हल्की चरचराहट सुनने की कोशिश करने जैसा है।

समाधान: उन्होंने एक "वॉल्यूम नॉब" (जिसे पार्शियल नॉर्मलाइजेशन कहा जाता है) पेश किया।
- सरल चित्रों के लिए (जैसे बिल्ली की स्पष्ट फोटो), वे वॉल्यूम को लगभग पूरा कम कर देते हैं ताकि सूक्ष्म डगमगाहट को सुना जा सके।
- जटिल चित्रों के लिए (जैसे व्यस्त शहर का दृश्य), वे वॉल्यूम को थोड़ा ही कम करते हैं, क्योंकि "तेजी" (loudness) में भी उपयोगी सुराग हो सकते हैं।
यह क्यों महत्वपूर्ण है: यह सुनिश्चित करता है कि रोबोट कितनी भी जटिल छवि हो, वह "डगमगाहट" को स्पष्ट रूप से सुन सके।

5. स्व-समायोजन ट्यूनर (AUTOFOLD)

आमतौर पर, सटीक "वॉल्यूम नॉब" सेट करने के लिए, आपको अज्ञात वस्तुओं के एक परीक्षण सेट (जैसे टोस्टरों और बादलों का एक बॉक्स) की आवश्यकता होती है ताकि अभ्यास किया जा सके। लेकिन वास्तविक दुनिया में, अक्सर आपके पास प्रतीक्षा कर रहे अज्ञात वस्तुओं का कोई बॉक्स नहीं होता है।

जादुई ट्रिक: उन्होंने AUTOFOLD बनाया। यह सिस्टम वहीं, उसी क्षण "नकली अज्ञात वस्तुएं" बनाता है।
उपमा: कल्पना कीजिए कि रोबोट एक बिल्ली को देख रहा है। AUTOFOLD कहता है, "ठीक है, चलो मान लेते हैं कि यह बिल्ली वास्तव में एक टोस्टर है।" यह रोबोट को "बिल्ली" वाले उत्तर को छिपाकर और उसे अनुमान लगाने के लिए मजबूर करके धोखा देता है। यह एक नकली "डगमगाहट" पैदा करता है जिसका उपयोग रोबोट अपने वॉल्यूम नॉब को स्वचालित रूप से कैलिब्रेट करने के लिए कर सकता है।
परिणाम: यह बिना किसी बाहरी डेटा या अतिरिक्त प्रशिक्षण के खुद को पूरी तरह से ट्यून करता है।

6. परिणाम: तेज़ और सटीक

शोध पत्र ने बड़े डेटासेट (हजारों छवियों) पर परीक्षण किया।

प्रदर्शन: FOLD ने पिछले तरीकों की तुलना में अधिक "अज्ञात" वस्तुओं को पकड़ा। इसने उन मामलों की संख्या को काफी कम कर दिया जहाँ रोबोट आत्मविश्वास के साथ गलत अनुमान लगाता था।
गति: यह एक मानक "फॉरवर्ड पास" (केवल चित्र को एक बार देखना) के समान तेज़ है। यह रोबोट को बिल्कुल भी धीमा नहीं करता है।
दक्षता: यह "उच्च सटीकता और कम लागत" के बीच के सही संतुलन में स्थित है।

सारांश

यह शोध पत्र FOLD प्रस्तुत करता है, एक ऐसी विधि जो यह पता लगाती है कि रोबोट किसी अज्ञात वस्तु से भ्रमित है या नहीं, इसके लिए कि उसके आंतरिक तर्क में कितनी "डगमगाहट" है।

अज्ञात वस्तुएं रोबोट के तर्क को अधिक डगमगाती हैं।
FOLD इस डगमगाहट को तेज़ी से मापता है मस्तिष्क की एक विशिष्ट परत को देखकर।
यह एक स्मार्ट वॉल्यूम नॉब का उपयोग करता है ताकि डगमगाहट हमेशा सुनाई दे सके।
यह खुद को ट्यून करता है नकली अज्ञात वस्तुएं बनाकर, ताकि यह बिना किसी टेस्ट डेटा के काम कर सके।

यह AI सिस्टम को वास्तविक दुनिया में सुरक्षित और अधिक विश्वसनीय बनाता है, जिससे उन्हें यह पता चलता है कि आत्मविश्वास से अनुमान लगाने के बजाय कब कहना है, "मुझे नहीं पता।"

तकनीकी सारांश: कुशल आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन के लिए लोकल फ्लैटनेस का दोहन

समस्या विवरण

विश्वसनीय मशीन लर्निंग परिनियोजन (deployment) के लिए आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटा—ऐसे नमूने जो प्रशिक्षण सेट से विलग (disjoint) वितरणों से लिए गए हैं—को पहचानने की क्षमता आवश्यक है। आधुनिक डीप न्यूरल नेटवर्क अक्सर ऐसे इनपुट पर अत्यधिक आत्मविश्वासी (overconfident) और त्रुटिपूर्ण भविष्यवाणियां उत्पन्न करते हैं। हालांकि पोस्ट-हॉक डिटेक्शन विधियां (जो पुन: प्रशिक्षण के बिना पूर्व-प्रशिक्षित मॉडलों पर कार्य करती हैं) अपनी दक्षता के कारण आकर्षक हैं, मौजूदा कर्वेचर-आधारित दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं। वे विधियां जो मॉडल अनिश्चितता का अनुमान लगाने के लिए लॉस लैंडस्केप कर्वेचर (जैसे लैप्लेस एप्रोक्सिमेशन के माध्यम से) का उपयोग करती हैं, बड़े नेटवर्क के लिए हेसियन मैट्रिक्स (Hessian matrix) के द्विघाती स्केलिंग (quadratic scaling) के कारण गणनात्मक रूप से निषेधात्मक (prohibitive) होती हैं। इसके अलावा, ये विधियां इन-डिस्ट्रीब्यूशन (ID) और OOD डेटा के बीच लैंडस्केप फ्लैटनेस के अंतर के संबंध में निहित धारणाओं पर निर्भर करती हैं, जिनकी व्यवस्थित रूप से जांच नहीं की गई है।

कार्यप्रणाली

1. कर्वेचर विसंगति पर अनुभवजन्य अवलोकन

लेखक पहले ID और OOD नमूनों द्वारा प्रेरित लॉस लैंडस्केप कर्वेचर का एक व्यवस्थित अनुभवजन्य विश्लेषण प्रदान करते हैं। पूर्ण मैट्रिक्स का निर्माण किए बिना हेसियन सांख्यिकी (सबसे बड़ा आइगेनवैल्यू $\lambda_{max}$ और ट्रेस $tr(H)$) का अनुमान लगाने के लिए हचिंसन के मेथड (Hutchinson's method) का उपयोग करते हुए, वे देखते हैं:

ID बनाम OOD कर्वेचर: ID नमूने लगातार कम कर्वेचर (छोटा $\lambda_{max}$ और ट्रेस) प्रदर्शित करते हैं तुलनात्मक रूप से OOD नम들이 के।
शिफ्ट की गंभीरता: जैसे-जैसे वितरण संबंधी बदलाव (distributional shift) अधिक गंभीर होता जाता है, 'नियर-OOD' से 'फार-OOD' शासन की ओर बढ़ते हुए कर्वेचर का अंतर चौड़ा हो जाता है।
नमूना-स्तरीय पृथक्करणीयता (Sample-Level Separability): प्रति-नमूना हेसियन ट्रेस का वितरण स्पष्ट अलगाव दिखाता है, जहाँ ID नमूने निम्न मानों पर केंद्रित होते हैं और OOD नमूने व्यापक वितरणों के साथ उच्च मानों की ओर स्थानांतरित होते हैं।

2. FOLD: फ्लैटनेस-मॉड्यूलेटेड OOD डिटेक्शन

इस प्रेरणा से कि ID नमूने लॉस लैंडस्केप के चपटे (flatter) क्षेत्रों में स्थित होते हैं, यह शोध पत्र FOLD प्रस्तावित करता है, जो एक हल्का (lightweight) डिटेक्टर है जो पैरामीटर-स्पेस कर्वेचर एप्रोक्सिमेशन की निषेधात्मक लागत से बचता है।

फीचर हेसियन (Feature Hessian): पूर्ण पैरामीटर हेसियन की गणना करने के बजाय, FOLD लॉगिट-स्पेस कर्वेचर को लेटेंट फीचर स्पेस में वापस ले जाता है। एक नेटवर्क को एक फीचर एनकोडर $h(\cdot)$ और एक लीनियर क्लासिफायर $g(\cdot)$ में विभाजित करके, फीचर हेसियन को सेकंड-ऑर्डर चेन रूल के माध्यम से प्राप्त किया जाता है:
$\nabla_{\mathbf{h}}^2 \mathcal{L} = (\nabla_{\mathbf{h}} g) (\nabla_{\mathbf{z}}^2 \mathcal{L}) (\nabla_{\mathbf{h}} g)^{\top}$
यह ऑपरेटर प्रेडिक्टिव अनिश्चितता को क्लासिफायर-प्रेरित फीचर मैनिफोल्ड पर प्रोजेक्ट करता है, जो OOD डिटेक्शन के लिए महत्वपूर्ण ज्यामितीय संरचनाओं को कैप्चर करता है।
आंशिक फीचर नॉर्मलाइजेशन (Partial Feature Normalization): उस समस्या को संबोधित करने के लिए जहाँ बड़े फीचर मैग्नीट्यूड के कारण सॉफ्टमैक्स संतृप्त (saturate) हो जाता है (जिससे लॉस लैंडस्स्केप चपटा हो जाता है और हेसियन लुप्त हो जाता है), FOLD आंशिक फीचर नॉर्मलाइजेशन पेश करता है:
$\tilde{\mathbf{h}} = \frac{\mathbf{h}}{\|\mathbf{h}\|^{\alpha}}, \quad 0 < \alpha \leq 1$
डिटेक्शन स्कोर इस नॉर्मलाइज्ड स्पेस में हेसियन के ट्रेस के रूप में परिभाषित किया गया है: $S_{fold}(\mathbf{x}) = \text{tr}(\nabla_{\tilde{\mathbf{h}}}^2 \mathcal{L})$ $S_{f o l d} (x) = tr (\nabla_{\tilde{h}}^{2} L)$ ।
- डेटासेट निर्भरता: इष्टतम $\alpha$ डेटासेट की जटिलता के अनुसार भिन्न होता है। सरल डेटासेट (जैसे CIFAR) लगभग पूर्ण नॉर्मलाइजेशन ( $\alpha \approx 1$ ) से लाभान्वित होते हैं, जबकि जटिल डेटासेट (जैसे ImageNet) सूचनात्मक मैग्नीट्यूड संकेतों को संरक्षित करने के लिए हल्के दमन ( $\alpha \approx 0.2$ ) की आवश्यकता रखते हैं।

3. AUTOFOLD: सेल्फ-सुपरवाइज्ड कैलिब्रेशन

$\alpha$ को ट्यून करने के लिए बाहरी OOD वैलिडेशन सेटों की आवश्यकता को समाप्त करने के लिए, लेखक AUTOFOLD पेश करते हैं। यह सेल्फ-सुपरवाइज्ड स्कीम:

ID नमूनों के डोमिनेंट लॉगिट को मास्क करके (ट्रू क्लास के लॉगिट को $-\infty$ पर सेट करके) छद्म-OOD (pseudo-OOD) नमूने उत्पन्न करती है, जो अज्ञात-क्लास परिदृश्य का अनुकरण करती है।
मूल ID वैलिडेशन नमूनों और उनके लॉगिट-मास्क्ड समकक्षों के बीच AUROC को अधिकतम करके स्वचालित रूप से इष्टतम $\alpha^*$ का चयन करती है।
अनुमान (inference) के समय न्यूनतम ओवरहेड के साथ पूरी तरह से संचालित होती है, जिसमें किसी पुन: प्रशिक्षण या बाहरी डेटा की आवश्यकता नहीं होती है।

मुख्य योगदान

व्यवस्थित कर्वेचर विश्लेषण: पहला व्यवस्थित जांच जो पुष्टि करता है कि OOD इनपुट ID डेटा की तुलना में बड़ा हेसियन कर्वेचर प्रदर्शित करते हैं, और यह विसंगति मजबूत वितरणल शिफ्ट के तहत बढ़ती है।
कुशल डिटेक्शन एल्गोरिदम (FOLD): एक हल्का तरीका जो बेयसियन कर्वेचर-आधारित विधियों के ओवरहेड के बिना, फीचर हेसियन और आंशिक फीचर नॉर्मलाइजेशन का लाभ उठाकर ID-OOD पृथक्करणीयता को बढ़ाता है।
स्वचालित हाइपरपैरामीटर ट्यूनिंग (AUTOFOLD): बाहरी OOD डेटा के बिना हाइपरपैरामीटर को कैलिब्रेट करने के लिए ID लॉगिट मास्किंग का उपयोग करने वाली एक सेल्फ-सुपरवाइज्ड रणनीति।
सैद्धांतिक और अनुभवजन्य सत्यापन: सरलीकृत बाइनरी क्लासिफिकेशन धारणाओं के तहत सैद्धांतिक विश्लेषण (थ्योरम 1) इस दावे का समर्थन करता है कि फीचर हेसियन का अपेक्षित ट्रेस OOD डेटा के लिए बड़ा होता है। व्यापक प्रयोग विभिन्न आर्किटेक्चर और डेटासेट पर इन निष्कर्षों को मान्य करते हैं।

प्रयोगात्मक परिणाम

लेखकों ने मानक OOD बेंचमार्क (CIFAR-10, CIFAR-100, ImageNet-200, ImageNet-1K) पर एक व्यापक सेट पोस्ट-हॉक बेसलाइन्स (जैसे MSP, ODIN, ReAct, VIM, KNN) के विरुद्ध FOLD और AUTOFOLD का मूल्यांकन किया।

प्रदर्शन: FOLD और इसके वेरिएंट्स लगातार पूर्ववर्ती विधियों से बेहतर प्रदर्शन करते हैं।
- FOLD-R (ReAct के एक्टिवेशन थ्रेशोल्डिंग के साथ संयोजित FOLD) ने सबसे अच्छा औसत प्रदर्शन प्राप्त किया, जिससे मजबूत बेसलाइन्स की तुलना में औसत AUROC में 1.63% का सुधार हुआ और FPR95 में 2.30% की कमी आई।
- AUTOFOLD वेरिएंट्स ने फिक्स्ड- $\alpha$ FOLD के प्रतिस्पर्धी प्रदर्शन प्राप्त किया, जो दर्शाता है कि स्वचालित कैलिब्रेशन मैनुअल ट्यूनिंग के बिना प्रभावी है।
दक्षता: FOLD एक मानक फॉरवर्ड पास के तुल्य कम्प्यूटेशनल दक्षता बनाए रखता है। उन विधियों के विपरीत जिनमें महंगी सेटअप (जैसे KNN, MDS) या अनुमान (जैसे RMDS) की आवश्यकता होती है, FOLD न्यूनतम ओवरहेड के साथ कार्य करता है।
सामान्यीकरण (Generalization): विधि विभिन्न बैकबोन आर्किटेक्चर (RegNet, DenseNet, WRN, ResNeXt) में स्थिर प्रदर्शन प्रदर्शित करती है, जो यह संकेत देती है कि कर्वेचर-आधारित स्कोरिंग के ज्यामितीय लाभ आर्किटेक्चर-अज्ञेय (architecture-agnostic) हैं।
एब्लेशन अध्ययन (Ablation Studies):
- नॉर्मलाइजेशन: पाया गया कि जटिल डेटासेट (ImageNet) पर आंशिक नॉर्मलाइजेशन, पूर्ण नॉर्मलाइजेशन की तुलना में बेहतर था, जहाँ पूर्ण नॉर्मलाइजेशन ने सूचनात्मक मैग्नीट्यूड संकेतों को त्याग दिया, जिससे ID और OOD के बीच स्पेक्ट्रल गैप कम हो गया।
- फीचर हेसियन: लॉगिट हेसियन के उपयोग की तुलना में फीचर हेसियन के उपयोग से उच्च AUROC प्राप्त हुआ, विशेष रूप से जटिल डोमेन में, जो क्लासिफायर-प्रेरित ज्यामिति को शामिल करने के मूल्य की पुष्टि करता है।

महत्व और दावे

शोध पत्र दावा करता है कि यह मजबूत वास्तविक दुनिया के OOD डिटेक्शन के लिए एक सिद्धांतिक और व्यावहारिक समाधान प्रदान करता है। ID डेटा को OOD डेटा की तुलना में फ्लैटर लॉस रीजन में रखने के स्ट्रक्चरल प्रॉपर्टी का लाभ उठाकर, FOLD कर्वेचर-आधारित अनिश्चितता अनुमान के सैद्धांतिक वादे और कम्प्यूटेशनल दक्षता की व्यावहारिक बाधाओं के बीच के अंतर को पाटता है।

लेखक जोर देते हैं कि उनका दृष्टिकोण:

बेयसियन कर्वेचर एप्रोक्सिमेशन के विशिष्ट "निषेधात्मक कम्प्यूटेशनल ओवरहेड" से बचता है।
हाइपरपैरामीटर ट्यूनिंग के लिए बाहरी OOD वैलिडेशन सेटों पर निर्भरता को AUTOFOLD के माध्यम से समाप्त करता है।
एक "प्लग-एंड-प्ले" घटक (आंशिक नॉर्मलाइजेशन) प्रदान करता है जो मौजूदा डिटेक्शन फ्रेमवर्क को बढ़ाता है।
फीचर हेसियन ट्रेस को वितरणल शिफ्ट से जोड़ने वाला एक सैद्धांतिक आधार (थ्योरम 1) प्रदान करता है, जो देखे गए अनुभवजन्य सफलता के लिए एक सहज स्पष्टीकरण देता है।

कार्य निष्कर्ष निकालता है कि FOLD डिटेक्शन सटीकता और कम्प्यूटेशनल दक्षता के बीच एक अनुकूल संतुलन प्राप्त करता है, जो इसे उन परिदृश्यों में तैनाती के लिए उपयुक्त बनाता है जहाँ OOD डेटा वैलिडेशन के लिए उपलब्ध नहीं है और रीयल-टाइम इन्फरेंस की आवश्यकता है।