💻 computer science

Conformal Coverage Guarantees for Any Video Temporal Grounder

यह शोध पत्र COVER प्रस्तुत करता है, जो एक पोस्ट-हॉक, मॉडल-अज्ञेय (model-agnostic) फ्रेमवर्क है जो किसी भी वीडियो टेम्पोरल ग्राउंडर को वास्तविक घटना के क्षण को समाहित करने वाले परिमित-नमूना (finite-sample), वितरण-मुक्त (distribution-free) गारंटियों के साथ टेम्पोरल क्षेत्रों को उत्सर्जित करके एक विश्वसनीय भविष्यवक्ता में बदल देता है, जिससे घटना की सीमाओं की अंतर्निहित अस्पष्टता और वर्तमान प्रणालियों में विश्वसनीयता मेट्रिक्स की कमी को संबोधित किया जाता है।

मूल लेखक: Aseel Mohamed, Rasul Khanbayov, Erchin Serpedin, Hasan Kurban

प्रकाशित 2026-08-10

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aseel Mohamed, Rasul Khanbayov, Erchin Serpedin, Hasan Kurban

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 फिल्म देख रहे हैं और कोई आपसे पूछता है, "नायक अंततः खलनायक को कब पकड़ता है?" आप शायद एक शुरुआत का समय और एक समाप्ति का समय इंगित करेंगे। लेकिन यदि आप अपने दस अलग-अलग दोस्तों से उसी क्लिप पर उन सटीक क्षणों को चिह्नित करने के लिए कहें, तो आपको दस अलग-अलग उत्तर मिल सकते हैं। कुछ कहेंगे कि पीछा एक सेकंड पहले शुरू हुआ था; कुछ कहेंगे कि यह कुछ सेकंड बाद समाप्त हुआ। कंप्यूटर विज़न की दुनिया में, इसे "वीडियो टेम्पोरल ग्राउंडिंग" (video temporal grounding) कहा जाता है। यह कंप्यूटर को वीडियो में विशिष्ट क्षणों को एक टेक्स्ट विवरण के आधार पर खोजने के लिए सिखाने का कार्य है। पेचीदा हिस्सा यह है कि "सत्य" उत्तर टाइमलाइन पर एक एकल, पूर्ण रेखा नहीं है; यह संभावनाओं का एक धुंधला बादल है क्योंकि मानवीय धारणा स्वाभाविक रूप से अस्पष्ट होती है।

वर्तमान में, अधिकांश कंप्यूटर प्रोग्राम ऐसे व्यवहार करते हैं जैसे वे पूरी तरह से आश्वस्त हों। वे टाइमलाइन पर एक एकल बॉक्स खींचते हैं और कहते हैं, "यही है!" लेकिन यदि वह बॉक्स गलत है, तो कंप्यूटर कोई चेतावनी नहीं देता है। यह एक मौसम ऐप की तरह है जो कहता है, "दोपहर 2:00 बजे बारिश होगी," लेकिन यह नहीं बताता कि यह वास्तव में 1:55 पर शुरू हो सकती है या 2:10 पर समाप्त हो सकती है। यदि आप एक रोबोट हैं जो वीडियो संपादित करने की कोशिश कर रहा है या एक सर्च इंजन है जो एक विशिष्ट क्लिप खोजने की कोशिश कर रहा है, तो आपको न केवल यह जानने की आवश्यकता है कि घटना कहाँ है, बल्कि यह भी कि कंप्यूटर कितना निश्चित है। यह शोध पत्र इस समस्या को हल करता है, कंप्यूटर को एक तरीका देकर जिससे वह कह सके, "मैं 90% आश्वस्त हूँ कि घटना इस व्यापक, सुरक्षित क्षेत्र के भीतर कहीं होती है," बिना कंप्यूटर को फिर से प्रशिक्षित किए या उसके मस्तिष्क के अंदर झाँके।

समस्या: "आत्मविश्वासी" गलती

इस पेपर के लेखकों ने, कूर्बन इंटेलिजेंस लैब (Kurban Intelligence Lab) के साथ मिलकर काम करते हुए, देखा कि वीडियो AI के काम करने के तरीके में एक बड़ा अंतर है। जब एक कंप्यूटर वीडियो में एक क्षण खोजने की कोशिश करता है, तो वह आमतौर पर एक एकल अंतराल (एक प्रारंभ समय और एक समाप्ति समय) देता है। समस्या यह है कि "ग्राउंड ट्रुथ" (ground truth)—वास्तविक सही उत्तर—अक्सर एक वितरण (distribution) होता है, जिसका अर्थ है कि अलग-अलग लोग थोड़े अलग समय को चिह्नित करेंगे। क्योंकि कंप्यूटर केवल एक उत्तर देता है, एक गलत भविष्यवाणी बिल्कुल एक सही भविष्यवाणी जैसी ही दिखती है। यदि आप एक ऐसा टूल बना रहे हैं जो इन भविष्यवाणियों पर निर्भर है, तो आपके पास यह जानने का कोई तरीका नहीं है कि कंप्यूटर पर कब भरोसा करना है और कब अपनी खोज को विस्तृत करना है।

कुछ शोधकर्ताओं ने मॉडलों को अपनी अनिश्चितता का अनुमान लगाने के लिए प्रशिक्षित करके, या बस एक निश्चित मात्रा में समय (एक "मार्जिन") जोड़कर इसे ठीक करने की कोशिश की। लेखक तर्क देते हैं कि ये विधियाँ त्रुटिपूर्ण हैं। निश्चित मार्जिन पहनना ऐसा है जैसे सभी के लिए एक ही आकार के जूते पहनना; वे एक बच्चे को पूरी तरह फिट हो सकते हैं लेकिन एक वयस्क या एक विशालकाय व्यक्ति के लिए बहुत बड़े या बहुत छोटे हो सकते हैं। अपने परीक्षणों में, उन्होंने पाया कि केवल एक यादृच्छिक (random) मार्जिन चुनने से कंप्यूटर सही होने की दर वीडियो के आधार पर 10% से 100% तक हो सकती है। अन्य विधियाँ जो शून्य से अनिश्चितता सीखने की कोशिश करती हैं, अक्सर उस विश्वसनीयता को प्रदान करने में विफल रहती हैं जिसका वे वादा करती हैं, कभी-कभी वास्तविक क्षण को चूक जाती हैं भले ही वे 80% आश्वस्त होने का दावा करें।

समाधान: "सेफ्टी रैपर" (कवर)

यहाँ कवर (Cover) आता है, जो इस पेपर में वर्णित एक नया टूल है। कवर को एक नए मस्तिष्क के रूप में नहीं, बल्कि एक स्मार्ट सुरक्षा रैपर (safety wrapper) के रूप में सोचें जिसे आप किसी भी मौजूदा वीडियो-खोजने वाले प्रोग्राम पर लगा सकते हैं, चाहे वह एक जटिल, प्रशिक्षित मॉडल हो या एक ब्लैक-बॉक्स AI जिसके अंदर आप नहीं देख सकते।

यह कैसे काम करता है, एक सरल उपमा का उपयोग करते हुए: कल्पना कीजिए कि आप एक जाल (कंप्यूटर की भविष्यवाणी) में एक फिसलन भरी मछली (सच्ची घटना) को पकड़ने की कोशिश कर रहे हैं। कंप्यूटर एक जाल फेंकता है जो आमतौर पर करीब होता है, लेकिन कभी-कभी पूंछ या सिर को चूक जाता है। कवर कंप्यूटर के फेंकने वाले हाथ को नहीं बदलता है। इसके बजाय, यह ज्ञात वीडियो के एक सेट (एक "कैलिब्रेशन सेट") पर कंप्यूटर का अभ्यास देखता है। यह मापता है कि मछली को हर बार पकड़ने के लिए कंप्यूटर के जाल को वास्तव में कितना खींचने की आवश्यकता है।

एक बार जब यह जान लेता है कि मछली को पकड़ने में, मान लीजिए, 90% आश्वस्त होने के लिए कितना खिंचाव आवश्यक है, तो यह उस खिंचाव को प्रत्येक नई भविष्यवाणी पर लागू करता है। यदि कंप्यूटर कहता है कि घटना 10 सेकंड से 20 सेकंड तक है, तो कवर कह सकता है, "ठीक है, 90% आश्वत होने के लिए, चलिए मान लेते हैं कि यह वास्तव में 8 सेकंड से 22 सेकंड के बीच है।" यह नया, व्यापक क्षेत्र गारंटी के साथ उस संभाव्यता को समाहित करेगा जो आपने मांगी है।

उन्होंने क्या पाया

शोधकर्ताओं ने इस "रैपर" का परीक्षण तीन अलग-अलग वीडियो डेटासेट और पांच अलग-अलग प्रकार के वीडियो-खोजने वाले प्रोग्रामों पर किया। उनके परिणाम काफी स्पष्ट थे:

यह काम करता है: जब उन्होंने 90% गारंटी मांगी, तो सिस्टम ने 90% सफलता दर दी। "रियलाइज्ड कवरेज" (वास्तव में कितनी बार वे सही थे) ने लक्ष्य का लगभग पूरी तरह से पीछा किया।
फिक्स्ड मार्जिन विफल होते हैं: उन्होंने बिना कैलिब्रेशन के केवल एक निश्चित समय जोड़ने (जैसे "10 सेकंड जोड़ें") के पुराने विचार का परीक्षण किया। परिणाम अराजक थे। वीडियो और मॉडल के आधार पर, सफलता दर 0.096 (10% से भी कम!) से लेकर 1.000 (100%) तक बहुत अधिक उतार-चढ़ाव वाली थी। यह साबित करता है कि आप केवल सुरक्षा मार्जिन का अनुमान नहीं लगा सकते; आपको इसे कैलिब्रेट करना ही होगा।
"एविडेंशियल" (Evidential) जाल: उन्होंने विशेष रूप से अपनी अनिश्चितता का अनुमान लगाने के लिए डिज़ाइन किए गए एक विशेष प्रकार के AI का परीक्षण किया। भले ही इस AI ने 80% आश्वस्त होने का दावा किया, लेकिन यह केवल 66% बार ही सही था। हालाँकि, कवर ने उसी AI से ली गई भविष्यवाणियों को एक नए स्तर में लपेटा जिसने वास्तव में वैध 80% गारंटी प्राप्त की। इसने दिखाया कि अनिश्चित होने के लिए बनाए गए मॉडल भी अपनी अनिश्चितता के बारे में गलत हो सकते हैं।
असममिति (Asymmetry) मायने रखती है: उन्होंने पाया कि कुछ मॉडल यह जानने में माहिर हैं कि घटना कब शुरू होती है, लेकिन यह जानने में बहुत खराब हैं कि यह कब समाप्त होती है। इन मॉडलों के लिए, कवर ने पाया कि अंतराल के अंत को खींचने के लिए शुरुआत की तुलना में बहुत अधिक विस्तार की आवश्यकता थी। प्रत्येक तरफ को अलग-अलग खींचने की अनुमति देकर, वे सुरक्षा क्षेत्र को अधिक सटीक और कुशल बना सके।

मुख्य निष्कर्ष

पेपर यह निष्कर्ष निकालता है कि वीडियो टेम्पोरल ग्राउंडिंग के लिए, "सही" उत्तर समय का एक बिंदु नहीं है, बल्कि एक विश्वास कथन (confidence statement) के साथ एक क्षेत्र है। कवर उस क्षेत्र को प्राप्त करने का एक तरीका प्रदान करता है जिसके लिए आपको AI को फिर से प्रशिक्षित करने या उसके आंतरिक कोड तक पहुँचने की आवश्यकता नहीं है। यह किसी भी वीडियो-खोजने वाले टूल को एक ऐसे टूल में बदल देता है जो कह सकता है, "मैं 100% आश्वस्त नहीं हूँ, लेकिन मैं 95% आश्वस्त हूँ कि घटना इस बॉक्स के भीतर है," और यह वास्तव में गणित के साथ अपने दावे को पुख्ता करता है।

लेखक इस बात पर जोर देते हैं कि यह गारंटी तब तक बनी रहती है जब तक कि नए वीडियो अभ्यास के लिए उपयोग किए गए वीडियो के समान हों (एक अवधारणा जिसे "एक्सचेंजेबिलिटी" कहा जाता है)। यदि वीडियो अभ्यास सेट से पूरी तरह से अलग हैं, तो गारंटी कमजोर हो सकती है, लेकिन विधि अभी भी उस बदलाव को मापने और समायोजित करने का एक तरीका प्रदान करती है। अंततः, कवर एक अनुमान लगाने वाले खेल को एक विश्वसनीय, कैलिब्रेटेड प्रक्रिया में बदल देता है, यह सुनिश्चित करता है कि जब कंप्यूटर वीडियो के किसी क्षण की ओर इशारा करता है, तो हमें पता होता है कि उस पर कितना भरोसा किया जा सकता है।

तकनीकी सारांश: किसी भी वीडियो टेम्पोरल ग्राउंडर के लिए कॉन्फॉर्मल कवरेज गारंटी (Conformal Coverage Guarantees for Any Video Temporal Grounder)

समस्या विवरण (Problem Statement)

वीडियो टेम्पोरल ग्राउंडिंग में एक निरंतर वीडियो के भीतर किसी घटना के शुरू होने और समाप्त होने के समयों की पहचान करना शामिल है। इस डोमेन में एक मौलिक चुनौती घटना की सीमाओं (event boundaries) की अंतर्निहित अस्पष्टता है: एक ही क्वेरी-वीडियो जोड़ी को पुन: एनोटेट करने पर अक्सर ऐसे ओवरलैपिंग अंतराल प्राप्त होते हैं जो एक बड़े हिस्से में आधे से भी कम सहमत होते हैं। फलस्वरूप, ग्राउंड ट्रुथ (ground truth) एकल बिंदु के बजाय अंतरालों (intervals) का एक वितरण (distribution) होता है।

वर्तमान टेम्पोरल ग्राउंडर्स, चाहे वे प्रशिक्षित लोकलाइज़र (जैसे कि DETR-शैली के मॉडल) हों या ब्लैक-बॉक्स वीडियो-लैंग्वेज मॉडल्स (VLMs), बिना किसी विश्वसनीयता के बयान के केवल एक अंतराल आउटपुट करते हैं। परिनियोजन (deployment) में, एक आत्मविश्वासी लेकिन गलत अंतराल एक सही अंतराल से अलग नहीं पहचाना जा सकता, जिससे डाउनस्ट्रीम अनुप्रयोगों (रिट्रीवल, एडिटिंग, एविडेंस-सीकिंग एजेंट्स) के पास यह तय करने का कोई सिद्धांतगत तरीका नहीं बचता कि उन्हें कब अपनी खोज को स्थगित करना है या विस्तृत करना है। मौजूदा अनिश्चितता मात्रा निर्धारण (uncertainty quantification) विधियाँ या तो विशिष्ट आर्किटेक्चर को फिर से प्रशिक्षित करने की आवश्यकता रखती हैं, या व्हाइट-बॉक्स एक्सेस पर निर्भर करती हैं, या वे अपने नाममात्र लक्ष्यों (nominal targets) के अनुरूप परिमित-नमूना कवरेज गारंटी (finite-sample coverage guarantees) प्रदान करने में विफल रहती हैं।

कार्यप्रणाली: कवर (Methodology: Cover)

यह शोध पत्र Cover का प्रस्ताव करता है, जो एक पोस्ट-हॉक, मॉडल-अज्ञेयवादी (model-agnostic) रैपर है जो किसी भी मौजूदा टेम्पोरल ग्राउंडर को एक ऐसी प्रणाली में बदल देता है जो उपयोगकर्ता द्वारा निर्दिष्ट कम से कम $1 - \alpha$ की प्रायिकता के साथ वास्तविक क्षण को समाहित करने वाला एक 'टेम्पोरल रीजन' उत्सर्जित करती है। Cover के लिए न तो पुन: प्रशिक्षण की आवश्यकता है, न ही व्हाइट-बॉक्स एक्सेस की, और यह केवल ग्राउंडर के आउटपुट और एक होल्ड-आउट कैलिब्रेशन सेट पर कार्य करता है।

यह विधि कॉन्फॉर्मल प्रेडिक्शन (conformal prediction) सिद्धांतों पर आधारित है जिन्हें टेम्पोरल अंतरालों के लिए अनुकूलित किया गया है:

नॉनकन्फॉर्मिटी स्कोर (Nonconformity Scores): Cover एक ऐसा स्कोर परिभाषित करता है जो उस न्यूनतम विस्तार (widening) को दर्शाता है जो एक अनुमानित अंतराल को ग्राउंड ट्रुथ को समाहित करने के लिए आवश्यक है।
- इंटरवल-वाइडनिंग स्कोर (Interval-Widening Score): उन ग्राउंडर्स के लिए जो एक अंतराल $[\hat{s}, \hat{e}]$ उत्सर्जित करते हैं, स्कोर स्टार्ट और एंड बाउंड्रीज़ पर सामान्यीकृत ओवरशूट (overshoots) का अधिकतम मान है: $s(X, I^*) = \max(\frac{\hat{s}-s^*}{\ell(X)}, \frac{e^*-\hat{e}}{\ell(X)})$ , जहाँ $\ell(X)$ अनुमानित लंबाई (या एक निश्चित स्केल) है। यह दो-तरफा विस्तार (two-sided widening) की अनुमति देता है।
- पर-बाउंड्री वेरिएंट (Per-Boundary Variant): एक दो-पैरामीटर वाला वेरिएंट असममित त्रुटियों (asymmetric errors) को संभालने के लिए स्टार्ट और एंड बाउंड्रीज़ को अलग-अलग कैलिब्रेट करता है।
- सुपर-लेवल-सेट स्कोर (Super-Level-Set Score): उन ग्राउंडर्स के लिए जो एक टेम्पोरल रेलेवेंस सिग्नल $f_X(t)$ उत्सर्जित करते हैं, स्कोर $s(X, I^*) = -\min_{t \in I^*} f_X(t)$ है। यह अनुकूलित (adaptive), संभावित रूप से असंबद्ध (disconnected) क्षेत्र बनाता है जो केवल वहीं टेम्पोरल बजट खर्च करता है जहाँ प्रासंगिकता उच्च होती है।
कैलिब्रेशन (Calibration): एक लेबल किए गए कैलिब्रेशन सेट $\{(X_i, I^*_i)\}_{i=1}^n$ के दिए जाने पर, Cover नॉनकन्फॉर्मिटी स्कोर की गणना करता है और थ्रेशोल्ड $\hat{q}$ को $(1-\alpha)$ एम्पिरिकल क्वांटाइल (विशेष रूप से $\lceil(n+1)(1-\alpha)\rceil$ -वीं सबसे छोटी स्कोर) के रूप में चुनता है।
प्रेडिक्शन (Prediction): एक नए टेस्ट इनपुट के लिए, अंतिम रीजन $\mathcal{C}(X)$ को कैलिब्रेटेड क्वांटाइल $\hat{q}$ द्वारा बेस प्रेडिक्शन को विस्तृत करके बनाया जाता है।
वेरिएंट्स (Variants): फ्रेमवर्क में एक रिस्क-कंट्रोल (risk-control) वेरिएंट शामिल है जो अपेक्षित मिस-रेट को सीमित करता है, और एक स्ट्रैटिफाइड (stratified) वेरिएंट (मोंड्रियन कैलिब्रेशन) शामिल है जो विशिष्ट उप-जनसंख्याओं (जैसे कि इवेंट लेंथ स्ट्रेटा) के भीतर कवरेज सुनिश्चित करता है।

मुख्य योगदान (Key Contributions)

डिस्ट्रीब्यूशन-फ्री अनसर्टेंटी क्वांटिफिकेशन (Distribution-Free Uncertainty Quantification): वीडियो टेम्पोरल ग्राउंडिंग के लिए परिमित-नमूना, डिस्ट्रीब्यूशन-फ्री कवरेज गारंटी प्रदान करने वाला यह पहला तरीका है। यह किसी भी ग्राउंडर (प्रशिक्षित या ब्लैक-बॉक्स) को एक सेट प्रेडिक्टर में बदल देता है जिसमें वास्तविक अंतराल को समाहित करने की गारंटीकृत प्रायिकता होती है।
टेम्पोरल नॉनकन्फॉर्मिटी स्कोर: अंतराल-आधारित और रेलेवेंस-सिग्नल-आधारित ग्राउंडर्स के लिए विशिष्ट स्कोर का परिचय, जिसमें असममित बाउंड्री त्रुटियों को संबोधित करने के लिए एक दो-पैरामीटर वेरिएंट शामिल है।
सैद्धांतिक विश्लेषण (Theoretical Analysis):
- एफिशिएंसी (Efficiency): यह प्रमाण कि कैलिब्रेटेड वाइडनिंग चुने गए क्षेत्रों के परिवार के भीतर एसिम्प्टोटिक रूप से लेंथ-ऑप्टिमल है।
- कंडीशनल कवरेज (Conditional Coverage): यह प्रदर्शन कि जब लेंथ-नॉर्मलाइज्ड स्कोर का उपयोग किया जाता है, तो स्केल मॉडल के तहत कवरेज लेंथ पर सशर्त रूप से बना रहता है।
- एक्सचेंजेबिलिटी बाउंड्स (Exchangeability Bounds): जब एक ही वीडियो के क्षण एक्सचेंजेबिलिटी धारणाओं का उल्लंघन करते हैं, तो कवरेज गिरावट पर एक स्पष्ट सीमा (explicit bound)।
एम्पिरिकल सर्टिफिकेशन (Empirical Certification): एक व्यापक मूल्यांकन जो दिखाता है कि विश्वसनीय कवरेज के लिए कैलिब्रेशन आवश्यक है, जो पॉइंट-मेट्रिक-आधारित मूल्यांकनों और "हैंड-पिक्ड" मार्जिन की खामियों को उजागर करता है।

प्रयोगात्मक परिणाम (Experimental Results)

विधि का मूल्यांकन तीन बेंचमार्क (Charades-STA, ActivityNet-Captions, QVHighlights) और पांच ग्राउंडर्स पर किया गया, जिसमें एक प्रशिक्षित लोकलाइज़र (QD-DETR) और एक ब्लैक-बॉक्स VLM (Qwen2.5-VL-7B-Instruct) शामिल है।

कवरेज वैधता (Coverage Validity): वास्तविक कवरेज सभी डेटासेट्स और मॉडल्स में लक्षित $1-\alpha$ के करीब रहता है। उदाहरण के लिए, 0.90 के लक्ष्य पर, QD-DETR ने ActivityNet-Captions पर $0.895 \pm 0.003$ प्राप्त किया।
एफिशिएंसी (Efficiency): कोई भी एकल स्कोर फैमिली समान रूप से प्रभावी नहीं है। लेंथ-नॉर्मलाइज्ड स्कोर आम तौर पर अच्छा प्रदर्शन करते हैं, जबकि सुपर-लेवल-सेट स्कोर हाई कवरेज लक्ष्यों के लिए QVHighlights पर सबसे कुशल होते हैं।
कैलिब्रेशन बनाम फिक्स्ड मार्जिन (Calibration vs. Fixed Margins): हैंड-पिक्ड फिक्स्ड मार्जिन निरंतर कवरेज प्राप्त करने में विफल रहे, जहाँ चुना गया स्थिर मान (constant) के आधार पर वास्तविक कवरेज 0.096 से 1.000 तक झूलता रहा। यह दिखाया गया कि वांछित लक्ष्य को कुशलतापूर्वक प्राप्त करने के लिए कैलिब्रेशन आवश्यक था।
असममिति का पता लगाना (Asymmetry Detection): पर-बाउंड्री वेरिएंट ने खुलासा किया कि VLM (Qwen) में लगभग सटीक ऑनसेट डिटेक्शन (onset detection) था लेकिन महत्वपूर्ण ऑफसेट त्रुटियां (offset errors) थीं। एक सिंगल-पैरामीटर स्कोर ने सटीक स्टार्ट बाउंड्री पर बजट बर्बाद किया, जबकि दो-पैरामीटर वेरिएंट ने QVHighlights पर रीजन की लंबाई को 9.1% तक कम कर दिया।
अनसर्टेंटी क्वांटिफिकेशन की विफलता (Uncertainty Quantification Failure): अनसर्टेंटी क्वांटिफिकेशन के लिए डिज़ाइन किया गया एक एविडेंशियल ग्राउंडर अपने नाममात्र 0.80 के लक्ष्य को मिस करने में विफल रहा, जिसने केवल 0.660 वास्तविक कवरेज प्राप्त किया। Cover ने समान भविष्यवाणियों पर एक वैध गारंटी बहाल की।
रोबस्टनेस (Robustness): विधि ने वेटेड कॉन्फॉर्मल प्रेडिक्शन का उपयोग करते हुए डिस्ट्रीब्यूशन शिफ्ट (क्रॉस-डेटासेट ट्रांसफर) के तहत वैधता बनाए रखी, हालांकि यह एक "पॉजिटिविटी लिमिट" से टकरा गई जहाँ सोर्स डेटा टारगेट डिस्ट्रीब्यूशन का समर्थन नहीं करता था।

महत्व और दावे (Significance and Claims)

शोध पत्र का दावा है कि Cover टेम्पोरल ग्राउंडिंग के आउटपुट ऑब्जेक्ट को एक पॉइंट एस्टीमेट से एक विश्वसनीय रीजन में मौलिक रूप से बदल देता है। इसका महत्व निम्नलिखित में निहित है:

मॉडल अज्ञेयवाद (Model Agnosticism): यह बिना पुन: प्रशिक्षण के किसी भी ग्राउंडर, जिसमें ब्लैक-बॉक्स VLMs शामिल हैं, पर काम करता है।
विश्वसनीयता (Reliability): यह एक कठोर, परिमित-नमूना गारंटी प्रदान करता है कि एक गलत अंतराल को एक सही अंतराल से अलग पहचाना जा सकता है।
डायग्नोस्टिक पावर (Diagnostic Power): कैलिब्रेशन प्रक्रिया एक माप उपकरण (measurement tool) के रूप में कार्य करती है, जो उन छिपी हुई विशेषताओं को प्रकट करती है (जैसे असममित बाउंड्री त्रुटियां, नेटिव अनसर्टेंटी एस्टीमेट की विफलता) जिन्हें मानक पॉइंट मेट्रिक्स छुपा देते हैं।
व्यावहारिक परिनियोजन (Practical Deployment): यह डाउनस्ट्रीम एजेंट्स के लिए अपनी खोज को स्थगित करने या विस्तृत करने का निर्णय लेने के लिए एक सिद्धांतगत तंत्र प्रदान करता है, जो निरंतर वीडियो समझ (continuous video understanding) की एक मुख्य खुली समस्या को संबोधित करता है।

लेखक विनम्र बने हुए हैं, यह स्वीकार करते हुए कि गारंटी एक्सचेंजेबिलिटी धारणा (exchangeability assumption) पर निर्भर करती है (जिसका उल्लंघन लंबे वीडियो या विभिन्न डेटासेट्स के भीतर किया जा सकता है), और सटीक, एट्रीब्यूट-फ्री कंडीशनल कवरेज सैद्धांतिक रूप से डिस्ट्रीब्यूशन-फ्री रूप से असंभव है। हालाँकि, वे प्रदर्शित करते हैं कि इन स्थितियों के तहत उनका तरीका गरिमापूर्ण रूप से घटता (degrades gracefully) है और यह विश्वसनीय टेम्पोरल ग्राउंडिंग के लिए पहला व्यावहारिक ढांचा प्रदान करता है।