🤖 machine learning

Generative Model Proposal based Particle Filtering for Data Assimilation

यह शोध पत्र फ्लो प्रपोजल पार्टिकल फिल्टर्स (FPPF) को प्रस्तुत करता है, जो एक नवीन डेटा आत्मसातीकरण (डेटा एसिमिलेशन) विधि है जो इष्टतम प्रपोजल वितरण का अनुमान लगाने के लिए एक सीखे हुए कंडीशनल जेनेरेटिव मॉडल का लाभ उठाता है, जिससे वेट वेरिएंस कम होता है और उन उच्च-आयामी, गैर-रेखीय और गैर-गॉसियन प्रणालियों में सटीक बायेसियन अपडेट सक्षम होता है जहाँ पारंपरिक पार्टिकल फिल्टर्स और जेनेरेटिव दृष्टिकोण आमतौर पर विफल हो जाते हैं।

मूल लेखक: Chandni Nagda, Mayank Shrivastavam Gudrun Thorkelsdottir, Gan Zhang, Morteza Mardani, Arindam Banerjee

प्रकाशित 2026-07-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chandni Nagda, Mayank Shrivastavam Gudrun Thorkelsdottir, Gan Zhang, Morteza Mardani, Arindam Banerjee

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 घने, कोहरे से भरे जंगल में एक खोए हुए हाइकर (हाइकर) का पीछा कर रहे हैं। आपके पास इस बात का एक नक्शा है कि हाइकर आमतौर पर कैसे चलते हैं (डायनामिक्स), और कभी-कभी, आपको रेडियो बीकन से एक धुंधला, अधूरा सिग्नल मिलता है (ऑब्जर्वेशन)। आपका लक्ष्य यह अनुमान लगाना है कि हाइकर अभी ठीक कहाँ है, न कि केवल एक स्थान, बल्कि उन सभी जगहों की एक पूरी तस्वीर कि वे कहाँ हो सकते हैं और प्रत्येक स्थान की संभावना कितनी है। यह डेटा एसिमिलेशन (Data Assimilation) की समस्या है।

द दशकों से, वैज्ञानिक इसे हल करने के लिए मुख्य रूप से दो तरीकों का उपयोग करते रहे हैं:

"गौसियन" अनुमान (The "Gaussian" Guess): वे मानते हैं कि हाइकर पिछले ज्ञात स्थान के आसपास एक सुंदर, गोल घेरे में होने की संभावना है। यह तब अच्छा काम करता है जब जंगल सरल हो, लेकिन यदि इलाका कठिन (नॉन-लीनियर) हो या हाइकर भ्रमित (नॉन-गौसियन) हो, तो यह गोला एक बहुत ही खराब अनुमान बन जाता है।
"पार्टिकल" झुंड (The "Particle" Swarm): वे हाइकर के संभावित रास्तों को सिम्युलेट करने के लिए हजारों छोटे ड्रोन (पार्टिकल्स) छोड़ते हैं। जब कोई रेडियो सिग्नल आता है, तो वे देखते हैं कि कौन से ड्रोन सिग्नल के सबसे करीब हैं। समस्या यह है कि एक विशाल जंगल (उच्च आयामों/dimensions) में, लगभग सभी ड्रोन गलत जगह पर पहुँच जाते हैं। "अच्छे" ड्रोन्स को इतने कम वोट मिलते हैं कि सिस्टम ढह जाता है, और आप हाइकर का पीछा करना खो देते हैं।

हाल ही में, कुछ वैज्ञानिकों ने AI जेनेरेटिव मॉडल्स (जैसे कि AI आर्ट के पीछे की तकनीक) का उपयोग करके यह अनुमान लगाने की कोशिश की कि हाइकर आगे कहाँ जाता है। ये मॉडल जटिल पैटर्न सीखने में माहिर हैं। हालाँकि, वे आमतौर पर केवल एक अनुमान को "आगे बढ़ाते" (roll forward) हैं बिना यह जांचे कि क्या वह सांख्यिकीय रूप से सही है। समय के साथ, यह एकल अनुमान पथ से भटक जाता है, जैसे एक नशे में धुत व्यक्ति जो एक सीधी रेखा में चल रहा है जो धीरे-धीरे एक घेरे में बदल जाती है।

नया समाधान: FPPF (फ्लो प्रपोजल पार्टिकल फिल्टर्स)

लेखक इस पेपर में एक नया तरीका पेश करते हैं जिसे फ्लो प्रपोजल पार्टिकल फिल्टर्स (FPPF) कहा जाता है। इसे अपने ड्रोन के झुंड को एक AI-संचालित स्मार्ट दिशा-सूचक यंत्र (compass) देने के रूप में समझें, जो उन्हें रेडियो सिग्नल मिलने से पहले ही उसकी ओर निर्देशित करता है।

यह इस प्रकार काम करता है, सरल उपमाओं का उपयोग करते हुए:

1. "स्मार्ट कंपास" (सीखा हुआ प्रपोजल - The Learned Proposal)

ड्रोन को पुराने नक्शों के आधार पर बेतरतीब ढंग से भटकने देने के बजाय, FPPF एक AI को एक कंडीशनल कंपास के रूप में प्रशिक्षित करता है।

पुराना तरीका: "यहाँ हाइकर था। हवा के आधार पर आगे बढ़ो।" (अंत तक नए रेडियो सिग्नल को अनदेखा करता है)।
FPPF का तरीका: "यहाँ हाइकर था, और यहाँ नया रेडियो सिग्नल है। इस तरह आगे बढ़ो जो उस सिग्नल से मेल खाने की संभावना रखता हो।"
जादू: AI ड्रोन्स को सीधे "उच्च-संभावना" वाले क्षेत्रों की ओर मोड़ने में सक्षम है। इसका मतलब है कि जब सिस्टम ड्रोन्स की जाँच करता है, तो वे पहले से ही सही पड़ोस में होते हैं, इसलिए उन सभी को एक अच्छा स्कोर मिलता है। यह उस "कोलैप्स" को रोकता है जहाँ केवल एक ही ड्रोन महत्वपूर्ण रह जाता है।

2. "स्कोरकार्ड" (बेयसियन अपडेट - The "Scorecard")

भले ही हमारे पास एक स्मार्ट कंपास हो, AI एकदम सटीक नहीं हो सकता है। इसलिए, FPPF केवल AI पर आँख मूंदकर भरोसा नहीं करता है।

यह AI के अनुमान को सत्यापित करने के लिए एक स्कोरकार्ड (गणितीय रूप से जिसे 'इम्पॉर्टेंस वेट्स' कहा जाता है) का उपयोग करता है।
क्योंकि AI को फ्लो मैचिंग (Flow Matching) नामक एक विशिष्ट गणित का उपयोग करके बनाया गया है, सिस्टम AI के अनुमान के "स्कर्ष" की गणना सटीक और तेजी से कर सकता है।
यह सिस्टम को सबसे अच्छे ड्रोन्स को बनाए रखने और खराब ड्रोन्स को हटाने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि अंतिम उत्तर गणितीय रूप से सही है (एक वास्तविक "बेयसियन अपडेट"), न कि केवल एक भाग्यशाली अनुमान।

3. "स्थानीय पड़ोस" (बड़े जंगलों के लिए L-FPPF - The "Local Neighborhoods")

क्या होगा यदि जंगल एक महाद्वीप जितना बड़ा हो? एक स्मार्ट कंपास भी लाखों ड्रोन्स को कुशलतापूर्वक गाइड नहीं कर सकता; गणित बहुत भारी हो जाता है, और झुंड फिर से ढह जाता है।

उन्होंने L-FPPF नामक एक स्थानीय संस्करण बनाया।
पूरे झुंड को गाइड करने के लिए एक विशाल मस्तिष्क के बजाय, वे कई छोटे मस्तिष्क का उपयोग करते हैं।
वे जंगल को छोटे-छोटे हिस्सों में बाँट देते हैं। AI अगले कदम का निर्णय लेने के लिए केवल हाइकर के तत्काल पड़ोस को देखता है।
यह देश के हर गाँव के लिए एक स्थानीय गाइड रखने जैसा है। यह गणित को सरल रखता है और सिस्टम को मौसम के पूर्वानुमान (weather forecasting) जैसी विशाल, उच्च-आयामी समस्याओं को बिना क्रैश हुए संभालने की अनुमति देता है।

उन्होंने क्या सिद्ध किया?

टीम ने इसे तीन प्रसिद्ध "अराजक" (chaotic) सिस्टम्स (गणितीय मॉडल जो भविष्यवाणी करने में notoriously कठिन हैं) पर परखा:

Lorenz-63: एक छोटा, 3D मॉडल जो "बटरफ्लाई" आकार बनाता है। यह परीक्षण करता है कि सिस्टम जंगली, नॉन-लीनियर उतार-चढ़ाव को कितनी अच्छी तरह संभालता है।
Lorenz-96: एक मॉडल जिसे आप जितना चाहें उतना बड़ा बना सकते हैं (5 से लेकर 1,000 वेरिएबल्स तक)। यह परीक्षण करता है कि क्या यह तरीका समस्या के बहुत बड़ा होने पर भी काम करता है।
Kuramoto-Sivashinsky: एक जटिल वेव इक्वेशन जो अराजक तरल गति (chaotic fluid motion) का अनुकरण करती है। यह परीक्षण करता है कि क्या सिस्टम बहुत कम रेडियो सिग्नल्स के साथ लंबे समय तक स्थिर रह सकता है।

परिणाम:

बेहतर सटीकता: FPPF ने पारंपरिक तरीकों (जैसे कलमन फिल्टर) और अन्य AI तरीकों की तुलना में "हाइकर" को अधिक सटीकता से खोजा।
स्थिरता: "एकल अनुमान" वाले AI तरीकों के विपरीत, जो समय के साथ भटक जाते हैं, FPPF लंबे समय तक ट्रैक पर रहा।
अराजकता को संभालना: जब डेटा अव्यवस्थित था या हाइकर का रास्ता अजीब था (नॉन-गौसियन), तो FPPF टूटा नहीं। इसने पुराने "गोल घेरे" वाले तरीकों की तुलना में अनिश्चितता को बहुत बेहतर तरीके से संभाला।
स्केलेबिलिटी: स्थानीय संस्करण (L-FPPF) पूरी तरह से काम कर गया, भले ही समस्या का आकार बढ़कर 1,000 आयामों तक पहुँच गया, जबकि मानक तरीके पूरी तरह विफल हो गए।

संक्षेप में

यह पेपर अराजक वातावरण में चलती वस्तुओं को ट्रैक करने का एक नया तरीका प्रस्तावित करता है। यह AI की लचीलेपन (जटिल पैटर्न सीखने के लिए) को सांख्यिकी की कठोरता (यह सुनिश्चित करने के लिए कि उत्तर सही है) के साथ जोड़ता है। सत्य की ओर कणों (particles) को "स्टीयर" करने के लिए AI का उपयोग करके और फिर एक सटीक गणितीय स्कोर के साथ उस अनुमान को सत्यापित करके, उन्होंने एक ऐसा सिस्टम बनाया है जो मौसम के पूर्वानुमान जैसे क्षेत्रों में वर्तमान में उपयोग किए जाने वाले किसी भी सिस्टम की तुलना में अधिक सटीक, स्थिर और स्केलेबल है।

तकनीकी सारांश: फ्लो प्रपोजल पार्टिकल फिल्टर्स (FPPF)

समस्या विवरण
डेटा एसिमिलेशन (DA) में इम्पफेक्ट (अपूर्ण) अनुक्रमिक अवलोकनों (sequential observations) से एक डायनेमिकल सिस्टम के लेटेंट स्टेट ट्राजेक्टरी का अनुमान लगाना शामिल है। फ़िल्टरिंग सेटिंग में, उद्देश्य समय $t$ तक के सभी अवलोकनों $p(x_t | o_{1:t})$ के आधार पर पोस्टीरियर वितरण की गणना करना है। जबकि क्लासिकल समाधान जैसे कलमन फ़िल्टर (KF) और एनसेम्बल KF (EnKF) लीनियर-गौसियन सिस्टम के लिए प्रभावी हैं, वे नॉन-लीनियर, नॉन-गौसियन या हाई-डायमेंशनल रिजीम में विफल हो जाते हैं। पार्टिकल फिल्टर्स (PFs) एक भारित समूह (weighted ensemble) के साथ पोस्टीरियर को प्रदर्शित करके एक सामान्य विकल्प प्रदान करते हैं, लेकिन वे उच्च आयामों में "वेट डिजनरेसी" (weight degeneracy) से ग्रस्त होते हैं: प्रभावी स्टेट डायमेंशन को रोकने के लिए आवश्यक पार्टिकल्स की संख्या एक्सपोनेंशियल रूप से बढ़ती है।

हालिया जनरेटिव दृष्टिकोण सीधे कंडीशनल स्टेट ट्रांजिशन को सीखने का प्रयास करते हैं, लेकिन अक्सर उन्हें बिना किसी सिद्धांत आधारित बेयसियन अपडेट के ऑटोरिग्रेसिव तरीके से तैनात किया जाता है। इससे लंबे क्षितिज (horizons) पर त्रुटि संचय (error accumulation) होता है क्योंकि बेयज़ नियम के माध्यम से प्रायर (prior) और लाइकलीहुड (likelihood) को जोड़कर फ़िल्टरिंग पोस्टीरियर को सही ढंग से कभी नहीं बनाया जाता है। इसके विपरीत, मानक PF एक "बूटस्ट्रैप" प्रपोजल का उपयोग करते हैं जो प्रेडिक्शन स्टेप के दौरान आने वाले अवलोकनों को अनदेखा करता है, जिससे पार्टिकल्स लो-लाइलीहुड क्षेत्रों में लैंड कर जाते हैं और तीव्र वेट कोलैप्स का परिणाम देते हैं।

कार्यप्रणाली
लेखक फ्लो प्रपोजल पार्टिकल फिल्टर्स (FPPF) का प्रस्ताव करते हैं, जो एक विधि है जो वेरिएंस-मिनिमाइजिंग ऑप्टिमल प्रपोजल $q^*(x_t | x_{t-1}, o_t) = p(x_t | x_{t-1}, o_t)$ को अनुमानित करने के लिए सीक्वेंशियल इम्पोर्टेंस रीसैंपलिंग (SIR) फ्रेमवर्क में एक सीखे हुए कंडीशनल जनरेटिव मॉडल को एकीकृत करती है।

कंडीशनल फ्लो मैचिंग प्रपोजल:
ट्रांजिशन प्रायर $p(x_t | x_{t-1})$ को प्रपोजल के रूप में उपयोग करने के बजाय, FPPF कंडीशनल फ्लो मैचिंग (FM) का उपयोग करके एक कंडीशनल डिस्ट्रीब्यूशन $q_\phi(x_t | x_{t-1}, o_t)$ सीखता है। यह फ्रेमवर्क एक टाइम-डिपेंडेंट वेलोसिटी फील्ड $v_\phi$ के माध्यम से प्रपोजल को पैरामीटराइज करता है, जो एक सरल बेस डिस्ट्रीब्यूशन (जैसे, गौसियन नॉइज़) से टारगेट प्रपोजल डिस्ट्रीब्यूशन तक एक ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) के माध्यम से सैंपल्स को ट्रांसपोर्ट करता है।
- ट्रेनिंग: वेलोसिटी फील्ड को सिम्युलेटेड टुपल्स $(x_{t-1}, o_t, x_t)$ पर प्रेडिक्टेड वेलोसिटी और टारगेट वेलोसिटी (नॉइज़ और ट्रू स्टेट के बीच लीनियर इंटरपोलेशन) के बीच मीन स्क्वेयर्ड एरर को मिनिमाइज करके ऑफलाइन प्रशिक्षित किया जाता है।
- कंडीशनिंग: नेटवर्क को पिछले स्टेट $x_{t-1}$ और वर्तमान ऑब्जर्वेशन $o_t$ दोनों पर कंडीशन किया जाता है। नॉइज़ी ऑब्जर्वेशन पर अत्यधिक निर्भरता को रोकने के लिए, ट्रेनिंग में ऑब्जर्वेशन ड्रॉपआउट और पिछले स्टेट पर कोऑर्डिनेट मास्किंग का उपयोग किया जाता है।
ट्रैक्टेबल इम्पोर्टेंस वेट्स:
फ्लो मैचिंग का एक महत्वपूर्ण लाभ यह है कि यह इंस्टेंटेनियस चेंज-ऑफ-वेरियबल्स फॉर्मूला के माध्यम से एक्जैक्ट लाइकलीहुड इवैल्यूएशन की अनुमति देता है। यह SIR अपडेट के लिए आवश्यक इम्पोर्टेंस वेट्स की गणना करने में सक्षम बनाता है:
$\tilde{w}_t^{(i)} \propto w_{t-1}^{(i)} \frac{p(o_t | x_t^{(i)}) p(x_t^{(i)} | x_{t-1}^{(i)})}{q_\phi(x_t^{(i)} | x_{t-1}^{(i)}, o_t)}$
चूंकि डिनोमिनेटर $q_\phi$ ट्रैक्टेबल है, इसलिए फ़िल्टर एक सिद्धांत आधारित बेयसियन अपडेट करता है, जो प्रपोजल की किसी भी खामियों को ठीक करता है। डेंसिटी इवैल्यूएशन के लिए आवश्यक जैकोबियन के ट्रेस का अनुमान कुशलतापूर्वक हचिनसनसॉन ट्रेस एस्टीमेटर का उपयोग करके लगाया जाता है।
हाई डायमेंशन्स के लिए लोकलाइजेशन (L-FPPF):
स्पेशियली एक्सटेंडेड सिस्टम्स में 'कर्स ऑफ डायमेंशनलिटी' को संबोधित करने के लिए, लेखक L-FPPF पेश करते हैं। यह वेरिएंट ग्लोबल वेलोसिटी नेटवर्क के स्थान पर एक पैच-बेस्ड नेटवर्क का उपयोग करता है जो लोकल नेबरहुड्स पर काम करता है।
- वेलोसिटी फील्ड को इस तरह फैक्टराइज किया गया है कि एक साइट की वेलोसिटी केवल उसके स्थानीय नेबरहुड पर निर्भर करती है।
- यह आर्किटेक्चर सुनिश्चित करता है कि प्रपोजल का लॉग-डेंसिटी साइट्स के बीच फैक्टराइज होता है, जिससे इम्पोर्टेंस वेट्स को स्थानीय रूप से कंप्यूट किया जा सकता है।
- यह मेथड ब्लॉक-वाइज रीसैंपलिंग का उपयोग करता है, जिससे रीसैंपलिंग समस्या के प्रभावी डायमेंशन को ग्लोबल स्टेट डायमेंशन के बजाय लोकलाइजेशन रेडियस तक सीमित किया जाता है।

मुख्य योगदान

FPPF फ्रेमवर्क: एक ऐसी फ़िल्टरिंग विधि का परिचय जो ऑप्टिमल प्रपोजल को एप्रोक्सिमेट करने वाले ऑब्जर्वेशन-इंफॉर्म्ड कंडीशनल जनरेटिव प्रपोजल को सीखती है, जिसे एक मानक SIR फ्रेमवर्क में एकीकृत किया गया है।
फ्लो मैचिंग के माध्यम से ट्रैक्टेबल डेंसिटी: यह प्रदर्शन कि कंडीशनल फ्लो मैचिंग कुशल सैंपलिंग और सटीक डेंसिटी इवैल्यूएशन की अनुमति देता है, जिससे अनुमानित गाइडेंस मैकेनिज्म पर निर्भर किए बिना सिद्धांत आधारित इम्पोर्टेंस वेट कंप्यूटेशन संभव होता है।
लोकलाइज्ड वेरिएंट (L-FPPF): पैच-बेस्ड वेलोसिटी नेटवर्क के माध्यम से प्रपोजल लॉग-डेंसिटी को फैक्टराइज करके हाई-डायमेंशनल सेटिंग्स के लिए सीखे गए प्रपोजल्स का विस्तार, जो लोकल रीसैंपलिंग और बड़े स्टेट डायमेंशन्स तक स्केलिंग को सक्षम बनाता है।
एम्पिरिकल वैलिडेशन: लोरेंज-63, लोरेंज-96, और कुरामोटो-सिवाश्की जैसे अराजक (chaotic) डायनेमिकल सिस्टम्स पर व्यापक मूल्यांकन, जो क्लासिकल फिल्टर्स, अन्य सीखे गए प्रपोजल मेथड्स और ऑटोरिग्रेसिव जनरेटिव बेसलाइन्स की तुलना में श्रेष्ठ प्रदर्शन प्रदर्शित करता है।

प्रायोगिक परिणाम
लेखक FPPF और L-FPPF का तीन रिजीम्स में बेसलाइन्स (जिनमें BPF, APF, EnKF, और ऑटोरिग्रेसिव जनरेटिव मेथड्स जैसे FlowDAS, NASMC, InfNN शामिल हैं) के विरुद्ध मूल्यांकन करते हैं:

स्टेट डायमेंशन के साथ स्केलिंग: लोरेंज-96 सिस्टम पर, FPPF डायमेंशन बढ़ने के साथ बेसलाइन्स की तुलना में लगातार कम RMSE और CRPS प्राप्त करता है। जहाँ ग्लोबल PF (BPF, APF) वेट कोलैप्स का शिकार होते हैं, वहीं FPPF उच्च प्रभावी सैंपल साइज (ESS) बनाए रखता है। L-FPPF एक निश्चित एनसेम्बल साइज के साथ 1,000 डायमेंशन तक सफलतापूर्वक स्केल करता है, जबकि ग्लोबल मेथड्स विफल हो जाते हैं।
नॉन-गौसियन रिजीम्स: नॉन-गौसियन ऑब्जर्वेशन ऑपरेटर्स (जैसे, $h(x) = \min(x^4, 10)$ ) और मल्टीमॉडल प्रायर (स्पार्स ऑब्जर्वेशन के साथ लोरेंज-63) के प्रयोगों में, EnKF अपने गौसियन अनुमानों के कारण बुरी तरह विफल हो जाता है। FPPF मल्टीमॉडल स्ट्रक्चर को सटीक रूप से कैप्चर करके सभी बेसलाइन्स, जिसमें अन्य सीखे गए मेथड्स भी शामिल हैं, को पछाड़ देता है।
लॉन्ग-होरिजन स्टेबिलिटी: टेम्पोरली स्पार्स ऑब्जर्वेशन के साथ कुरामोटो-सिवाश्की इक्वेशन पर, ऑटोरिग्रेसिव जनरेटिव मेथड्स (FlowDAS) लंबी ट्रेजेक्टरीज पर महत्वपूर्ण त्रुटियां जमा करते हैं। FPPF अपने सिद्धांत आधारित बेयसियन अपडेट स्टेप के कारण स्थिर रहता है और कम एरर रेट बनाए रखता है।
कन्वर्जेंस: एक लीनियर-गौसियन सेटिंग में, सीखा गया फ्लो प्रपोजल क्लोज्ड-फॉर्म ऑप्टिमल प्रपोजल की ओर कन्वर्ज होता है, और परिणामी ESS सैद्धांतिक अधिकतम के करीब पहुँच जाता है।

महत्व और दावे
यह पेपर दावा करता है कि FPPF जनरेटिव मॉडल्स की लचीलापन (flexibility) और बेयसियन फ़िल्टरिंग की सांख्यिकीय कठोरता (statistical rigor) के बीच के तनाव को हल करता है। एक ऐसा प्रपोजल सीखकर जो वेटिंग से पहले हाई-लाइलीहुड क्षेत्रों की ओर पार्टिकल्स को निर्देशित करता है, FPPF वेट वेरिएंस को कम करता है और डिजनरेसी को रोकता है। महत्वपूर्ण रूप से, शुद्ध जनरेटिव रोलआउट्स के विपरीत, FPPF पूर्ण SIR करेक्शन को बरकरार रखता है, यह सुनिश्चित करता है कि फ़िल्टर वास्तविक पोस्टीरियर को लक्षित करे भले ही प्रपोजल अपूर्ण हो।

लेखक जोर देते हैं कि L-FPPF इन लाभों को हाई-डायमेंशनल सिस्टम्स तक विस्तारित करता है जहाँ स्टैंडर्ड PF अव्यवहारिक हैं, जो लोकल स्पेशियल कोरिलेशन का लाभ उठाकर बड़े स्टेट डायमेंशन्स के लिए ज़ीरो-शॉट जनरलाइजेशन हासिल करता है। यह कार्य सुझाव देता है कि सीखे हुए, ऑब्जर्वेशन-इंफॉर्म्ड प्रपोजल्स को सटीक डेंसिटी इवैल्यूएशन के साथ जोड़ना जटिल, नॉन-लीनियर और हाई-डायमेंशनल साइंटिफिक डोमेन में डेटा एसिमिलेशन के लिए एक मजबूत मार्ग प्रदान करता है।