🤖 machine learning

Certified World Models as Sensing Clocks: Drift-Aware Deadlines for Active Perception

यह शोध पत्र एक प्रमाणित, ड्रिफ्ट-अवेयर सेंसिंग क्लॉक प्रस्तुत करता है जो अनुकूलतम री-सेंसिंग समय सीमा (डेडलाइन) को गतिशील रूप से निर्धारित करने के लिए ऑडिटेड वर्ल्ड मॉडल्स का लाभ उठाता है, जिससे सख्त सेंसिंग बजट के भीतर काम करते हुए प्रेडिक्शन उल्लंघन और इवेंटफुल-टेल जोखिमों को न्यूनतम किया जा सके।

मूल लेखक: Hongbo Wang

प्रकाशित 2026-07-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hongbo Wang

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 इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: AI भविष्यवाणियों के लिए एक "स्मार्ट" एक्सपायरी डेट (समाप्ति तिथि)

कल्पित करें कि आप कोहरे से भरी सड़क पर कार चला रहे हैं। आपके पास एक GPS है जो अगले कुछ मील तक सड़क कहाँ होगी, इसका पूर्वानुमान लगाता है।

समस्या: GPS अच्छा है, लेकिन यह पूर्ण नहीं है। अंततः, कोहरा इतना घना हो जाता है, या सड़क इतनी तेज़ी से मुड़ जाती है, कि GPS की भविष्यवाणी बेकार हो जाती है।
पुराना तरीका: अधिकांश सिस्टम निश्चित समय अंतराल पर GPS की जाँच करते हैं (जैसे, "हर 10 सेकंड में सड़क को देखें")। यदि सड़क सीधी और साफ़ है तो यह संसाधनों की बर्बादी है, और यदि सड़क अचानक बदल जाती है तो यह खतरनाक है।
प्रतिक्रियात्मक (Reactive) तरीका: अन्य सिस्टम तब तक प्रतीक्षा करते हैं जब तक कि वे कोई गलती न देख लें (जैसे गड्ढे से टकरा जाना) और फिर दोबारा देखना शुरू करते हैं। यह बहुत देर हो चुकी होती है।
नया तरीका (यह शोध पत्र): लेखकों ने एक "सर्टिफाइड सेंसिंग क्लॉक" (प्रमाणित संवेदन घड़ी) बनाई है। यह एक स्मार्ट टाइमर की तरह है जो GPS को ठीक उसी समय बताता है जब उसकी भविष्यवाणी विफल होने वाली होती है, गलत होने से पहले ही। जब टाइमर शून्य पर पहुँचता है, तो एजेंट अनुमान लगाना बंद कर देता है और वास्तविक दुनिया को फिर से देखता है।

यह कैसे काम करता है: "ड्रिफ्ट-अवेयर" (विचलन-जागरूक) क्लॉक

लेखक इस क्लॉक को काम करने के योग्य बनाने के लिए दो मुख्य अवधारणाएँ पेश करते हैं:

1. "कोस्टिंग" (Coasting) चरण
जब एजेंट (कार) दुनिया को महसूस करता है, तो वह अपने विश्वास (belief) को रीसेट करता है। फिर, वह अपने आंतरिक मॉडल का उपयोग करके भविष्य की भविष्यवाणी करते हुए "कोस्ट" करता है (बिना देखे आगे बढ़ता है)। क्लॉक यह गिनती है कि यह कोस्टिंग कितनी देर तक सुरक्षित है।

2. "ड्रिफ्ट" (Drift) बनाम "स्पेक्ट्रल रेट" (Spectral Rate)
लेखकों ने इस टाइमर की गणना करने के तरीके में एक पेचीदा समस्या की खोज की:

नादान दृष्टिकोण (स्पेक्ट्रल रेट): कल्पना करें कि आप मानचित्र देखते हैं और देखते हैं कि सड़क थोड़ी मुड़ रही है। आप सोच सकते हैं, "ठीक है, मैं भटकने से पहले 30 सेकंड तक गाड़ी चला सकता हूँ।" यह सड़क की स्थानीय ज्यामिति (geometry) पर आधारित है।
वास्तविक दुनिया (ड्रिफ्ट): वास्तव में, कार का इंजन थोड़ा खराब हो सकता है, या सड़क की सतह फिसलन भरी हो सकती है। भले ही सड़क सीधी दिख रही हो, कार इन छिपी हुई त्रुटियों के कारण धीरे-धीरे रास्ते से भटक सकती है।
खोज: लेखकों ने पाया कि केवल "मानचित्र" (स्पेक्ट्रल रेट) पर भरोसा करने से टाइमर बहुत अधिक आशावादी हो जाता है। यह कहता है कि आप 30 सेकंड तक कोस्ट कर सकते हैं, लेकिन वास्तव में, आपको "ड्रिफ्ट" के कारण 3 सेकंड के बाद रुक जाना चाहिए।
समाधान: उन्होंने एक "ड्रिफ्ट-अवेयर क्लॉक" बनाई। यह आशावादी मानचित्र को अनदेखा करती है और इसके बजाय एक "सुरक्षा घेरे" (safety envelope) का उपयोग करती है जो इस बात पर आधारित है कि वास्तविक दुनिया में मॉडल वास्तव में कितना भटकता है। यह सुनिश्चित करता है कि एजेंट गलती करने से पहले ही संवेदना (sensing) लेना बंद कर दे।

"थ्योरम-बेड" (Theorem-bed) प्रयोग

यह सिद्ध करने के लिए कि यह काम करता है, लेखकों ने एक कृत्रिम परीक्षण वातावरण बनाया जिसे वे "थ्योरम-बेड" कहते हैं। इसे एक नियंत्रित रेस ट्रैक की तरह समझें जहाँ हर कार एक ही इंजन (AI मॉडल) का उपयोग करती है, लेकिन वे अलग-अलग नियमों का उपयोग करती हैं कि सड़क को कब देखना है।

विजेता: "सर्टिफाइड क्लॉक" वाली कार।
हारने वाला: वह कार जो "अपेक्षित सूचना" (expected information) के आधार पर अनुमान लगाती है (एक सामान्य विधि जो यह अनुमान लगाने की कोशिश करती है कि वह सबसे अधिक क्या सीखेगी)।
परिणाम: सर्टिफाइड क्लॉक कार ने "खतरनाक टेल" (दुर्लभ, कठिन क्षणों) में बहुत कम गलतियाँ कीं। दूसरी कार को समान सुरक्षा स्तर प्राप्त करने के लिए 3 गुना अधिक बार सड़क को देखने की आवश्यकता थी। सर्टिफाइड क्लॉक यह तय करने में स्मार्ट थी कि कब देखना है, जिससे ऊर्जा बचाते हुए सुरक्षा बनी रही।

यह पेपर क्या दावा नहीं करता (सीमाएँ)

लेखक इस बारे में बहुत ईमानदार हैं कि उनकी क्लॉक अभी क्या नहीं कर सकती। वे स्पष्ट रूप से कहते हैं:

यह हमेशा सबसे तेज़ नहीं है: कुछ छोटी, सरल स्थितियों में, एक सरल "कॉन्फॉर्मल" विधि (एक सांख्यिकीय सुरक्षा जाल) उनकी फैंसी क्लॉक की तरह ही अच्छी तरह काम करती है। उनकी क्लॉक हर स्थिति में हर अन्य विधि को हराने वाला कोई जादुई समाधान नहीं है।
यह अभी तक "खतरों" की भविष्यवाणी नहीं करती: क्लॉक आपको बताती है कि कब देखना है, लेकिन यह आवश्यक रूप से यह नहीं बताती कि वर्तमान अल्पकालिक परीक्षणों में कौन सी बुरी चीज़ आने वाली है (जैसे कोई विशिष्ट खतरा)।
यह एक "प्रिमिटिव" (Primitive) है: वे इसे एक "प्रिमिटिव" कहते हैं। इसे एक मशीन के लिए नए प्रकार के गियर के आविष्कार की तरह समझें। उन्होंने अभी तक पूरी कार नहीं बनाई है; उन्होंने बस यह साबित किया है कि यह विशिष्ट गियर काम करता है और इसे कैसे स्थापित किया जाए।

एक वाक्य में सारांश

यह शोध पत्र AI एजेंटों के लिए एक नया "स्मार्ट टाइमर" प्रस्तुत करता है जो उन्हें ठीक से बताता है कि कब अनुमान लगाना बंद करना है और वास्तविक दुनिया को फिर से देखना है, जो एक ऐसी सुरक्षा गणना का उपयोग करता है जो केवल सैद्धांतिक गणित के बजाय वास्तविक दुनिया की त्रुटियों (ड्रिफ्ट) को ध्यान में रखता है, जिससे वे ऊर्जा बर्बाद किए बिना सुरक्षित रहते हैं।

तकनीकी सारांश: सेंसिंग क्लॉक के रूप में प्रमाणित विश्व मॉडल (Certified World Models as Sensing Clocks)

समस्या विवरण (Problem Statement)
वर्तमान विश्व मॉडल भविष्य की अवस्थाओं की भविष्यवाणी कर सकते हैं, लेकिन उनमें यह निर्धारित करने के लिए एक अंतर्निहित तंत्र का अभाव है कि उनकी भविष्यवाणियाँ कब समाप्त (expire) हो जाती हैं। ओपन-लूप भविष्यवाणियों ("कोस्टिंग") पर निर्भर एजेंट एक महत्वपूर्ण समझौते (trade-off) का सामना करते हैं: बहुत देर से सेंसिंग करना मॉडल की वैधता गारंटी को खो देता है, जबकि बहुत जल्दी सेंसिंग करना एक दुर्लभ सेंसिंग बजट को बर्बाद करता है। मौजूदा दृष्टिकोण या तो निश्चित पुन: नियोजन (re-planning) अवधियों का उपयोग करते हैं (मॉडल विश्वसनीयता की अनदेखी करते हुए), या प्रतिक्रियाशील मॉनिटर्स (reactive monitors) का उपयोग करते हैं जो केवल तब कार्य करते हैं जब भविष्यवाणियों में त्रुटियां पहले ही बढ़ चुकी होती हैं। यह शोध पत्र एक लुप्त प्रिमिटिव (primitive) को संबोधित करता है: एक प्रमाणित सेंसिंग क्लॉक (certified sensing clock) जो एक विश्व मॉडल के वैधता क्षितिज (validity horizon) को एक परिचालन समय-सीमा (operational deadline) में बदल देता है कि एजेंट को कब पुनः सेंस (re-sense) करना चाहिए।

कार्यप्रणाली (Methodology)
प्रस्तावित विधि एक ऑडिटेड, इक्विवेरिएंट (equivariant) विश्व मॉडल से एक सक्रिय सेंसिंग डेडलाइन व्युत्पन्न करती है। मुख्य नवाचार एक ड्रिफ्ट-अवेयर डिप्लॉयमेंट विधि (drift-aware deployment method) है जो सहज स्पेक्ट्रल क्षितिजों (naive spectral horizons) को ठीक करती है।

स्पेक्ट्रल क्षितिज (सहज - Naive): सैद्धांतिक रूप से, यदि त्रुटि शुद्ध रूप से एक स्थानीय विस्तार दर $\lambda$ द्वारा बढ़ती है, तो डेडलाइन $T_\lambda$ को $\log(\epsilon/e_0)/\lambda$ से व्युत्पन्न किया जाता है। हालांकि, लेखक प्रदर्शित करते हैं कि वास्तविक फ्रोजन (frozen) विश्व मॉडलों पर, केवल ऑन-मैनिफोल्ड लयापुनोव दर ( $\lambda$ ) पर भरोसा करने से कोस्टिंग अंतराल का अत्यधिक आकलन (overestimate) होता है।
ड्रिफ्ट-अवेयर सुधार (Drift-Aware Correction): तैनात डेडलाइन एक कैलिब्रेटेड नेटिव रोलआउट-ड्रिफ्ट एनवेलप ( $b^{UCB}_h$ $b_{h}^{U C B}$ ) द्वारा शासित होती है, जो नेटिव मॉडल बायस, ऑफ-मैनिफोल्ड डिपार्चर और रोलआउट ड्रिफ्ट को कैप्चर करती है जिसे $\lambda$ $λ$ मिस कर देता है।
- वास्तविक त्रुटि सीमा को इस प्रकार परिभाषित किया गया है: $r_h \le b^{UCB}_h + C e^{\lambda h}e_0 + \eta_h$ ।
- फुल-रीसेंस रिजीम (full-resense regime) में (जहाँ पोस्ट-सेंस त्रुटि $e_0 \approx 0$ है), स्पेक्ट्रल टर्म लुप्त हो जाता है, और डेडलाइन ड्रिफ्ट-एनवेलप क्लॉक में बदल जाती है: $T_{drift}(\epsilon) = \sup \{h : b^{UCB}_h \le \epsilon_{cert}\}$ ।
क्लॉक के रूप में प्रमाण-पत्र (Certificate-as-Clock): सिस्टम एक इंटरवल-सिमल्टेनियस सर्टिफिकेट वायलेशन (ICV) मीट्रिक को परिभाषित करता है: वह संभावना कि कोस्टिंग अंतराल के किसी भी स्टेप के भीतर भविष्यवाणी त्रुटि एक प्रमाणित सहनशीलता $\epsilon_{cert}$ से अधिक हो जाती है। डेडलाइन इस तरह सेट की जाती है कि यह संभावना एक लक्षित $\alpha$ द्वारा सीमित हो।

मुख्य योगदान (Key Contributions)
यह शोध पत्र चार विशिष्ट सकारात्मक योगदान देता है और स्पष्ट रूप से एक सीमा (boundary) बताता है:

सेंसिंग-क्लॉक प्रिमिटिव: एक प्रमाणित कोस्टिंग डेडलाइन जो इंटरवल-सिमल्टेनियस सर्टिफिकेट वायलेशन को नियंत्रित करती है। निश्चित-अवधि क्लॉक्स या प्रतिक्रियाशील मॉनिटर्स के विपरीत, यह एक सक्रिय, प्रमाण-आधारित ट्रिगर है।
ड्रिफ्ट-अवेयर डिप्लॉयमेंट विधि: यह प्रदर्शन कि तैनात डेडलाइन केवल $\lambda$ पर निर्भर नहीं हो सकतीं। ऑन-मैनिफोल्ड स्पेक्ट्रल दर एक सैद्धांतिक ऑडिट इंटरफेस के रूप में कार्य करती है, लेकिन नेटिव रोलआउट-ड्रिफ्ट एनवेलप वास्तविक गारंटी वहन करता है।
वास्तविक मॉडलों पर इंस्टांशिएशन: इस विधि को एक फ्रोजन 3D VN-JEPA (वेक्टर-न्यूरॉन जॉइंट एम्बेडिंग प्रेडिक्टिव आर्किटेक्चर) इक्विवेरिएंट विश्व मॉडल पर स्थापित किया गया। परिणामी क्लॉक ने कई सीड्स और डेटा शार्ड्स में होल्ड-आउट इंटरवल-ICV को सफलतापूर्वक नियंत्रित किया।
रिएक्टिव-कॉन्ट्रास्ट थ्योरम-बेड: एक सिंथेटिक बेंचमार्क में जहाँ सभी शेड्यूलर बिल्कुल एक ही मॉडल साझा करते हैं, प्रमाणित क्लॉक डिप्लॉयमेंट डिस्ट्रीब्यूशन पर वैध रही और समान सेंसिंग बजट पर एक्सपेक्टेड-ब्रीफ एक्सपेक्टेड-बलीफ शेड्यूलिंग (MB-EIG) की तुलना में इवेंटफुल-टेल वायलेशन (0.36 से 0.16 तक) को काफी कम कर दिया। MB-EIG को समान टेल प्रोटेक्शन प्राप्त करने के लिए लगभग 3 $\times$ अधिक बजट की आवश्यकता थी।

परिणाम और सीमाएं (Results and Limitations)
शोध पत्र कठोर परिणाम रिपोर्ट करता है और स्पष्ट रूप से अपने दावों को सीमित करता है:

वैलिडेशन: सेंसिंग-क्लॉक प्रिमिटिव ने फ्रोजन VN-JEPA मॉडल पर ICV को सफलतापूर्वक नियंत्रित किया (स्टेज 1b-lite)।
टेल रिस्क: प्रमाणित क्लॉक दुर्लभ, उच्च-जोखिम वाले "इवेंटफुल" अंतरालों को प्रबंधित करने में एक्सपेक्टेड-बलीफ रिएक्टिव शेड्यूलर से बेहतर प्रदर्शन करती है (स्टेज 2A)।
शून्य परिणाम (सीमाएं):
- लीड-टाइम: शॉर्ट-होरिजन, स्टेट-डिपेंडेंट बेंचमार्क में, प्रमाणित क्लॉक ने पीरियोडिक या रेसिडुअल-रिएक्टिव शेड्यूलर की तुलना में लीड-टाइम लाभ प्रदान नहीं किया (स्टेज 2B)।
- प्रतिस्थापनीयता (Replaceability): शॉर्ट-होरिजन, फुल-रीसेंस रिजीम में, एक शुद्ध एम्पिरिकल कॉन्फॉर्मल होराइजन (गैर-स्पेक्ट्रल) ने तैनात क्लॉक की वैधता और बजट प्रदर्शन की बराबरी की। यह सुझाव देता है कि इस विशिष्ट रिजीम में स्पेक्ट्रल टर्म एम्पिरिकली डोमिनेंट नहीं है (स्टेज 2C-V)।
- स्पेक्ट्रल एज: एक आंशिक-रीसेट अन्वेषण जिसे स्पेक्ट्रल टर्म ( $\lambda$ ) को सक्रिय करने के लिए डिज़ाइन किया गया था, ने कॉन्फॉर्मल होराइजन पर कोई स्पष्ट बजट-मैच्ड लाभ नहीं दिखाया (E0)।

महत्व और दावे (Significance and Claims)
यह शोध पत्र स्पष्ट रूप से अपने योगदान को एक नए प्रिमिटिव और एक डिप्लॉयमेंट विधि के रूप में फ्रेम करता है, न कि सार्वभौमिक अनुभवजन्य प्रभुत्व के दावे के रूप में।

क्या स्थापित है: "सर्टिफिकेट-एज़-क्लॉक" इंटरफेस, जो एक वैधता क्षितिज को एक परिचालन पुनः-सेंसिंग डेडलाइन में बदल देता है, और वास्तविक दुनिया के डिप्लॉयमेंट के लिए ड्रिफ्ट-अवेयर सुधारों की आवश्यकता।
क्या दावा नहीं किया गया है: लेखक यह दावा नहीं करते हैं कि स्पेक्ट्रल क्लॉक्स सभी रिजीम में सभी गैर-स्पेक्ट्रल शेड्यूलर (जैसे कॉन्फॉर्मल या रोबस्ट शेड्यूलर) पर अनुभवजन्य रूप से हावी हैं।
सैद्धांतिक पहचान: यह कार्य सक्रिय अनुमान (active inference) के साथ प्रमाणित विश्व मॉडलों को जोड़ता है, यह दिखाते हुए कि एक गौसियन टॉय मॉडल में, प्रमाणित क्लॉक और एपिस्टेमिक-थ्रेशोल्ड शेड्यूलर एक ही शेड्यूल फैमिली को पैरामीटराइज करते हैं।

संक्षेप में, यह शोध पत्र एक कठोर ढांचा स्थापित करता है कि एजेंट को कब कोस्टिंग रोकनी चाहिए और पुनः सेंस करना चाहिए, जबकि ईमानदारी से यह रिपोर्ट करता है कि वर्तमान शॉर्ट-होरिजन, फुल-रीसेंस रिजीम में, सरल कॉन्फॉर्मल विधियां प्रदर्शन में बराबरी कर सकती हैं, जिससे लंबे-क्षितिज या आंशिक-सेंसिंग रिजीम के लिए स्पेक्ट्रल दृष्टिकोण की श्रेष्ठता भविष्य के कार्य के रूप में शेष रहती है।

मुख्य विचार: AI भविष्यवाणियों के लिए एक "स्मार्ट" एक्सपायरी डेट (समाप्ति तिथि)

यह कैसे काम करता है: "ड्रिफ्ट-अवेयर" (विचलन-जागरूक) क्लॉक

"थ्योरम-बेड" (Theorem-bed) प्रयोग

यह पेपर क्या दावा नहीं करता (सीमाएँ)

एक वाक्य में सारांश

इसी तरह के और पेपर