📊 statistics

Conformal Calibration for Multi-Modal Regression with Missing Modalities

यह शोध पत्र एक मोडैलिटी-अवेयर कॉन्फॉर्मल कैलिब्रेशन लेयर प्रस्तुत करता है जो विसंगत या विरोधाभासी डेटा के साथ मल्टी-मोडल रिग्रेशन के लिए प्रेडिक्शन इंटरवल विश्वसनीयता में सुधार करता है, जो अंतराल की चौड़ाई को गतिशील रूप से स्केल करने या कैलिब्रेशन को स्ट्रैटिफाई करने के लिए एक डिसएग्रीमेंट स्कोर का लाभ उठाता है, जिससे विविध डेटासेट्स और मिसिंगनेस रिजीम्स में बेहतर प्रदर्शन और सुदृढ़ कवरेज प्राप्त होता है।

मूल लेखक: Ilia Azizi

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ilia Azizi

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 विशेषज्ञों की एक टीम के माध्यम से भविष्य की भविष्यवाणी करने की कोशिश कर रहे हैं। कुछ विशेषज्ञ मौसम देखते हैं, कुछ शेयर बाजार देखते हैं, और कुछ सोशल मीडिया ट्रेंड्स देखते हैं। जब वे सभी सहमत होते हैं, तो आप आत्मविश्वास महसूस करते हैं। लेकिन क्या होता है जब मौसम विशेषज्ञ "धूप" कहता है जबकि स्टॉक विशेषज्ञ "क्रैश" के लिए चिल्ला रहा हो? या क्या होगा यदि एक विशेषज्ञ अचानक छुट्टी पर चला जाए और बात करना बंद कर दे? यह आधुनिक आर्टिफिशियल इंटेलिजेंस, विशेष रूप से मशीन लर्निंग नामक क्षेत्र का दैनिक संघर्ष है। AI मॉडल अनुमान लगाने में बहुत अच्छे होते हैं, लेकिन वे अक्सर हमें यह बताना भूल जाते हैं कि वे कितने आश्वस्त हैं।

इसे ठीक करने के लिए, वैज्ञानिक कन्फॉर्मल प्रेडिक्शन (conformal prediction) नामक एक चतुर तकनीक का उपयोग करते हैं। इसे एक सुरक्षा जाल (safety net) की तरह समझें। केवल एक संख्या देने के बजाय (जैसे "किराया $2,000 होगा"), AI एक रेंज देता है (जैसे " $1,800 और$ 2,200 के बीच")। लक्ष्य यह सुनिश्चित करना है कि समय के साथ, वास्तविक उत्तर 95% बार उस रेंज के भीतर आए। इसे "कवरेज गारंटी" कहा जाता है। यह एक मौसम पूर्वानुमान की तरह है जो 20 में से 19 बार सही होने का वादा करता है। लेकिन यहाँ एक पेंच है: पारंपरिक सुरक्षा जाल "एक ही आकार के सभी के लिए" (one-size-fits-all) होते हैं। वे हर भविष्यवाणी के लिए समान रूप से खिंचते हैं, चाहे विशेषज्ञ पूरी तरह से सहमत हों या एक-दूसरे पर चिल्ला रहे हों। यह पेपर इस उलझी हुई वास्तविकता को संबोधित करता है जहाँ AI इनपुट (जैसे टेक्स्ट, इमेज और नंबर्स) कभी-कभी आपस में टकराते हैं या गायब हो जाते हैं, और पूछता है: क्या हम सुरक्षा जाल को स्मार्ट बना सकते हैं ताकि यह केवल तभी फैले जब वास्तव में इसकी आवश्यकता हो?

समस्या: "एक ही आकार के सभी के लिए" वाला सुरक्षा जाल

मल्टी-मोडल AI की दुनिया में, एक कंप्यूटर केवल एक चीज़ नहीं देखता; वह एक साथ कई चीज़ें देखता है। यह एक घर की लिस्टिंग (टेक्स्ट) पढ़ सकता है, कमरे की एक फोटो (इमेज) देख सकता है, और पड़ोस के आंकड़े (नंबर्स) की जांच कर सकता है। आमतौर पर, ये स्रोत एक-दूसरे की मदद करते हैं। लेकिन कभी-कभी, वे असहमत होते हैं। हो सकता है कि टेक्स्ट कहे कि अपार्टमेंट "कोज़ी" (आरामदायक) है, लेकिन फोटो एक छोटे से क्लोजेट (अलमारी) को दिखाती है। या शायद फोटो पूरी तरह से गायब है क्योंकि फ़ाइल खराब हो गई है।

इसे संभालने का पुराना तरीका एक ग्लोबल क्वांटाइल (global quantile) का उपयोग करना था। कल्पना कीजिए कि एक शिक्षक कक्षा के हर छात्र को, चाहे वे ए+ ग्रेड वाले छात्र हों या संघर्ष कर रहे हों, एक ही आकार का सुरक्षा जाल देता है। यदि AI के स्रोत पूरी तरह से सहमत हैं, तो सुरक्षा जाल बहुत ढीला है (बर्बादी)। यदि स्रोत आपस में लड़ रहे हैं, तो सुरक्षा जाल बहुत तंग हो सकता है (खतरनाक), जिससे वास्तविक उत्तर रेंज से बाहर जा सकता है। पेपर का तर्क है कि जब इनपुट अस्त-व्यस्त या अधूरे होते हैं, तो यह "औसत" दृष्टिकोण विफल हो जाता है।

समाधान: एक स्मार्ट, आकार बदलने वाला सुरक्षा जाल

लेखक, इलिया अज़ीज़ी (Ilia Azizi), एक नया इंटेलिजेंस लेयर प्रस्तावित करते हैं जिसे मोडैलिटी-अवेयर कन्फॉर्मल कैलिब्रेशन लेयर (modality-aware conformal calibration layer) कहा जाता है। इसे AI की विशेषज्ञों की टीम के ऊपर खड़े एक स्मार्ट सुपरवाइजर के रूप में समझें।

असहमति स्कोर (The Disagreement Score): सुपरवाइजर विशेषज्ञों की बात सुनता है। यदि टेक्स्ट विशेषज्ञ, इमेज विशेषज्ञ और नंबर विशेषज्ञ सभी कहते हैं "किराया $2,000 है," तो सुपरवाइजर नोट करता है, "बहुत बढ़िया, वे सहमत हैं!" (कम असहमति)। यदि टेक्स्ट "$ 2,000" कहता है और इमेज "$3,500" का सुझाव देती है, तो सुपरवाइजर नोट करता है, "ओह, बड़ा संघर्ष!" (उच्च असहमति)।
दो उपकरण: पेपर इस स्कोर का उपयोग करके सुरक्षा जाल को ठीक करने के दो तरीके पेश करता है:
- "लचीला" तरीका (Disagreement-Scaled): यह एक जादुई रबर बैंड की तरह है। जब विशेषज्ञ सहमत होते हैं, तो रबर बैंड सिकुड़ जाता है, जिससे एक सटीक और तंग भविष्यवाणी मिलती है। जब वे लड़ते हैं, तो रबर बैंड चौड़ा होकर फैल जाता है ताकि वास्तविक उत्तर को पकड़ सके, जिससे सुरक्षा सुनिश्चित होती है। यह तरीका 95% बार सही होने के समग्र वादे को बनाए रखता है लेकिन भविष्यवाणियों को बहुत अधिक सटीक बनाता है।
- "ग्रुप" तरीका (Mondian Calibration): यह छात्रों को उनकी स्थिति के आधार पर अलग-अलग क्लासरूम में छांटने जैसा है। यदि फोटो गायब है, तो छात्र "गायब फोटो" वाले क्लासरूम में जाता है, जिसका अपना विशिष्ट सुरक्षा जाल आकार होता है। यदि टेक्स्ट गायब है, तो वे "गायब टेक्स्ट" वाले क्लासरूम में जाते हैं। प्रत्येक समूह को उनकी विशिष्ट समस्या के लिए सटीक आकार का सुरक्षा जाल मिलता है।

उन्होंने क्या पाया: स्मार्ट नेट, कम गलतियाँ

टीम ने स्विस अपार्टमेंट रेंटल, पेट फोटोज और मूवी रिव्यूज सहित चार अलग-अलग वास्तविक दुनिया के डेटासेट्स पर इस विचार का परीक्षण किया। उन्होंने यह सुनिश्चित करने के लिए कि वे निश्चित हों, प्रयोगों को 60 बार अलग-अलग सेटिंग्स के साथ चलाया।

"लचीला" तरीका जीतता है: 60 में से 59 परीक्षणों में, नया डिसएग्रीमेंट-स्केल्ड तरीका पुराने "एक ही आकार के सभी के लिए" वाले तरीके की तुलना में बेहतर प्रेडिक्शन इंटरवल प्रदान करता है। यह सटीकता खोए बिना इंटरवल को संकीर्ण (अधिक सटीक) बनाने में सफल रहा। वास्तव में, इसने "कवरेज" (सही होने की दर) को लक्ष्य के 95% के बहुत करीब रखा।
मिसिंग डेटा को ठीक करना: असली जादू तब हुआ जब उन्होंने मिसिंग डेटा (जैसे फोटो या टेक्स्ट को हटाना) का अनुकरण किया। सबसे कठिन मामलों में, जहाँ AI के पास जानकारी का एक पूरा प्रकार गायब था, पुराना तरीका बुरी तरह विफल रहा, जो केवल लगभग 76% बार ही सही हो पाया। नए "मास्क-मैच्ड" (mask-matched) तरीके ने इसे ठीक कर दिया, सफलता दर को बढ़ाकर 95.3% कर दिया। यह 19.5 प्रतिशत अंक की बड़ी रिकवरी है।
ट्रेड-ऑफ (समझौता): डेटा गायब होने पर वह अतिरिक्त सुरक्षा पाने के लिए, सुरक्षा जाल को चौड़ा होना पड़ा। उदाहरण के लिए, जब केवल टैबुलर डेटा उपलब्ध था, तो प्रेडिक्शन इंटरवल की चौड़ाई 125% बढ़ गई। लेकिन लेखक का तर्क है कि यह एक उचित सौदा है: लक्ष्य से चूक जाने वाले तंग नेट की तुलना में एक चौड़ा, सुरक्षित नेट होना बेहतर है।

यह क्यों महत्वपूर्ण है

यह पेपर केवल एक नया गणितीय ट्रिक नहीं सुझाता है; यह एक व्यावहारिक, "प्लग-एंड-प्ले" लेयर प्रदान करता है जिसे लगभग किसी भी AI सिस्टम में जोड़ा जा सकता है। यह इससे फर्क नहीं डालता कि AI पेड़ों (trees) का उपयोग करता है, न्यूरल नेटवर्क का, या कुछ भी। मुख्य बात यह है कि अनिश्चितता स्थिति के आधार पर बदलनी चाहिए। जब AI भ्रमित हो या पहेली के टुकड़े गायब हों, तो उसे अपने अनुमान को चौड़ा करके स्वीकार करना चाहिए। जब वह आश्वस्त हो, तो उसे सटीक होना चाहिए।

असहमति और गायब डेटा को त्रुटियों के बजाय संकेतों के रूप में मानकर, लेखक दिखाते हैं कि हम ऐसे AI सिस्टम बना सकते हैं जो न केवल स्मार्ट हैं, बल्कि वे जो जानते हैं और जो नहीं जानते, उसके बारे में भी ईमानदार हैं। यह एक ऐसे AI की ओर एक कदम है जो केवल अनुमान नहीं लगाता, बल्कि यह जानता है कि कब कहना है, "मैं निश्चित नहीं हूँ, इसलिए सावधानी के तौर पर यहाँ एक बड़ा रेंज दे रहा हूँ।"

तकनीकी सारांश: मल्टी-मोडल रिग्रेशन के लिए कॉन्फॉर्मल कैलिब्रेशन (Conformal Calibration for Multi-Modal Regression)

समस्या विवरण (Problem Statement)
मल्टी-मोडल रिग्रेशन सिस्टम, जो सारणीबद्ध डेटा (tabular data), टेक्स्ट और इमेज जैसे विविध इनपुट स्रोतों को एकीकृत करते हैं, विश्वसनीय अनिश्चितता अनुमान (uncertainty estimates) उत्पन्न करने में महत्वपूर्ण चुनौतियों का सामना करते हैं। हालांकि इन स्रोतों का संलयन (fusion) अक्सर पॉइंट प्रेडिक्शन सटीकता में सुधार करता है, मानक कॉन्फॉर्मल प्रेडिक्शन विधियाँ आमतौर पर अंतराल निर्माण के लिए एक एकल वैश्विक क्वांटाइल (global quantile) पर निर्भर करती हैं। यह वैश्विक दृष्टिकोण इनपुट डेटा के विभिन्न रेजिम्स (regimes) के बीच व्यवस्थित अंतरों को ध्यान में रखने में विफल रहता है, जैसे कि जब मोडैलिटीज (modalities) सहमत हों, संघर्ष कर रही हों, या जब टेस्ट के समय विशिष्ट मोडैलिटी अनुपलब्ध हो। फलस्वरूप, एक एकल मार्जिनल कवरेज गारंटी, कठिन सबग्रुप्स (जैसे उच्च असहमति या लुप्त डेटा) में अंडर-कवरेज को छिपा सकती है और आसान मामलों में अक्षमता ला सकती है। यह शोध एक ऐसे कैलिब्रेशन लेयर की आवश्यकता को संबोधित करता है जो मोडैलिटी पैटर्न और स्रोत असहमति के आधार पर अंतराल की चौड़ाई को अनुकूलित कर सके और साथ ही कठोर परिमित-नमूना कवरेज गारंटी (finite-sample coverage guarantees) बनाए रख सके।

कार्यप्रणाली (Methodology)
प्रस्तावित विधि एक मोडैलिटी-अवेयर कॉन्फॉर्मल कैलिब्रेशन लेयर पेश करती है जो एक निश्चित बेस प्रेडिक्टर और प्रति-स्रोत सहायक प्रेडिक्टर्स के सेट के इर्द-गिर्द संचालित होती है। मुख्य तंत्र एक असहमति स्कोर (disagreement score) और मोडैलिटी उपलब्धता द्वारा संचालित दो पूरक रणनीतियों में शामिल है:

असहमति स्कोर निर्माण (Disagreement Score Construction):
प्रत्येक उदाहरण $x$ के लिए, प्रति-स्रोत प्रेडिक्टर्स $g_k$ अपने संबंधित सोर्स ब्लॉक्स $x^{(k)}$ से भविष्यवाणियाँ $\hat{y}_k$ उत्पन्न करते हैं। असहीति स्कोर $d(x)$ इन प्रति-स्रोत भविष्यवाणियों का मानक विचलन (standard deviation) है:
$d(x) = \left( \frac{1}{K_x} \sum_{k \in A(x)} (g_k(x^{(k)}) - \bar{g}_{A(x)})^2 \right)^{1/2}$
जहाँ $A(x)$ उपलब्ध स्रोतों का सेट है। यदि केवल एक स्रोत उपलब्ध है, तो $d(x)=0$ है।
असहमति-स्केल्ड कैलिब्रेशन (Disagreement-Scaled Calibration - निरंतर दृष्टिकोण):
यह विधि असहमति स्कोर के आधार पर अंतराल की चौड़ाई को निरंतर पुनर्वितरित करती है। एक स्केलिंग फंक्शन $a_\gamma(x) = \sqrt{1 + \gamma d(x)^2}$ को कॉन्फॉर्मलाइज्ड क्वांटाइल रिग्रेशन (CQR) स्कोर्स पर लागू किया जाता है। पैरामीटर $\gamma$ को एक ट्यूनिंग स्प्लिट पर चुना जाता है और कैलिब्रेशन से पहले स्थिर कर दिया जाता है।

तंत्र: नॉन-कन्फॉर्मिटी स्कोर को सामान्यीकृत किया जाता है: $s_i = \max\{e_i, 0\} / a_\gamma(X_i)$ ।
प्रभाव: उच्च असहमति से बड़ा स्केलिंग फैक्टर मिलता है, जिससे अंतराल चौड़ा हो जाता है; कम असहमति से अंतराल संकुचित हो जाता है।
गारंटी: यह मानक मार्जिनल स्प्लिट-कॉन्फॉर्मल कवरेज गारंटी ( $1-\alpha$ ) को बनाए रखता है, बशर्ते कि स्केलिंग नियम को कैलिब्रेशन से पहले स्थिर किया गया हो।

मोंड्रियन (स्तरीकृत) कैलिब्रेशन (Mondian (Stratified) Calibration - असतत दृष्टिकोण):
यह विधि असहमति स्कोर (बिन किया हुआ) या मोडैलिटी उपलब्धता रेजिम्स (जैसे, "टेक्स्ट गायब है," "इमेज गायब है") द्वारा परिभाषित पूर्व-निर्धारित स्ट्रेटा (strata) के लिए अलग-अलग कैलिब्रेशन क्वांटाइल्स का निर्माण करती है।

तंत्र: कैलिब्रेशन सेट को स्ट्रेटा $h$ में विभाजित किया जाता है। प्रत्येक स्ट्रटम के लिए एक विशिष्ट क्वांटाइल $\hat{q}_h$ की गणना की जाती है।
गारंटी: यह पूर्व-निर्धारित स्ट्रेटा के लिए परिमित-स्ट्रटम कंडीशनल कवरेज गारंटी प्रदान करता है, बशर्ते कि स्ट्रेटा की परिभाषा कैलिब्रेशन से पहले तय हो और कैलिब्रेशन/टेस्ट उदाहरण प्री-कैलिब्रेशन डेटा पर संयुक्त रूप से विनिमय योग्य (exchangeable) हों।

लुप्त मोडैलिटीज को संभालना (Handling Missing Modalities):
फ्रेमवर्क "रेजीम" स्ट्रेटा को परिभाषित करके लुप्त मोडैलिटीज को स्पष्ट रूप से संभालता है। स्ट्रेस टेस्ट में, एक "मास्क-मैच्ड" रीकैलिब्रेशन का उपयोग किया जाता है जहाँ कैलिब्रेशन उदाहरणों को टेस्ट उदाहरणों के समान मिसिंगनेस मास्क का उपयोग करके रूपांतरित किया जाता है। यह सिस्टम को अनुपलब्ध स्रोतों के लिए भविष्यवाणियाँ बनाने के बजाय विशिष्ट लुप्त-डेटा रेजिम्स के लिए कवरेज को पुनः प्राप्त करने की अनुमति देता है।

मुख्य योगदान (Key Contributions)
यह शोध चार प्राथमिक योगदान देता है:

असहमति स्कोर की परिभाषा: यह एक मॉडल-एग्नोस्टिक असहीति स्कोर को परिभाषित करता है जो प्रति-स्रोत रिग्रेशन भविष्यवाणियों से प्राप्त होता है, जो एक कैलिब्रेशन कोवेरिएट (covariate) के रूप में कार्य करता है जिसे कॉन्फॉर्मल स्कोर की गणना से पहले बनाया जाता है।
असहमति-स्केल्ड CQR: यह एक सामान्यीकृत स्प्लिट-कॉन्फॉर्मल CQR पद्धति में इस स्कोर को शामिल करता है, जो कैलिब्रेशन से पहले सोर्स-डिसाग्रीमेंट स्केल चुनता है और वैधता के लिए आवश्यक सटीक स्प्लिट स्थितियों को बताता है।
मोंड्रियन निर्माण: यह मोडैलिटी उपलब्धता या असहमति स्तरों के आधार पर पूर्व-निर्धारित स्ट्रेटा के भीतर कवरेज के लिए एक औपचारिक निर्माण प्रदान करता है।
व्यापक मूल्यांकन: विधि का मूल्यांकन विभिन्न मल्टी-मोडल डेटासेट्स (Swiss Real Estate, Mercari, Pawpularity, IMDB-WIKI) पर विभिन्न बेस प्रेडिक्टर्स (XGBoost पॉइंट/क्वांटाइल, SEMF एन्सेम्बल्स) का उपयोग करके किया गया है और इसमें लुप्त मोडैलिटीज के साथ स्ट्रेस टेस्ट भी शामिल हैं।

प्रायोगिक परिणाम (Experimental Results)

दक्षता और कवरेज: 60 युग्मित रन (4 डेटासेट $\times$ 3 प्रेडिक्टर $\times$ 5 सीड) में, असहमति-स्केल्ड विधि ने इंटरवल कॉन्फिडेंस रैंक प्रोबेबिलिटी स्कोर (CRPS) के लिए 59 में से 60 मामलों में मार्जिनल कॉन्फॉर्मल बेसलाइन की बराबरी की या उसमें सुधार किया और अंतराल की चौड़ाई के लिए 60 में से 52 मामलों में ऐसा किया। एम्पिरिकल कवरेज 95% लक्ष्य (0.949 बनाम 0. 949) के करीब रहा।
असहमति रेजिम्स: विधि कम-असहमति वाले उदाहरणों के लिए अंतराल को सफलतापूर्वक संकुचित करती है और उच्च-असहमति वाले उदाहरणों के लिए इसे चौड़ा करती है, जिससे मानक मार्जिनल कैलिब्रेशन के तहत देखे गए अंडर-कवरेज को सुधारा जा सके।
लुप्त मोडैलिटीज: लुप्त मोडैलिटीज के साथ स्ट्रेस टेस्ट में, "मास्क-मैच्ड रीकैलिब्रेशन" (मोंड्रियन कैलिब्रेशन का एक विशेष मामला) ने कवरेज को महत्वपूर्ण रूप से पुनः प्राप्त किया। सबसे चुनौतीपूर्ण फिक्स्ड-मास्क रेजिम (केवल टेबुलर डेटा के साथ IMDB-WIKI) में, कवरेज को 19.5 प्रतिशत अंक (0.758 से 0.953 तक) से पुनः प्राप्त किया गया, हालांकि इसके साथ अंतराल की चौड़ाई में वृद्धि (125%) भी हुई।
मजबूती (Robustness): परिणाम ग्रेडिएंट-बूस्टेड ट्रीज़ और SEMF डिकोडर्स से प्राप्त मोंटे कार्लो एन्सेम्बल्स सहित विभिन्न बेस प्रेडिक्टर्स में स्थिर रहे।

महत्व और दावे (Significance and Claims)
यह शोध दावा करता है कि यह मल्टी-मोडल रिग्रेशन सिस्टम के लिए एक सरल, मॉडल-एग्नोस्टिक विश्वसनीयता परत (reliability layer) प्रदान करता है। इसका महत्व निम्नलिखित है:

कैलिब्रेशन का फ्यूजन से अलगाव: यह लेयर किसी भी फिक्स्ड बेस प्रेडिक्टर (ट्री, न्यूरल, एन्सेम्बल) के साथ काम करती है और इसके लिए फ्यूजन मॉडल को फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है।
अनुकूलन योग्य अनिश्चितता (Adaptive Uncertainty): यह "एक ही आकार सबके लिए" (one-size-fits-all) वाले वैश्विक क्वांटाइल से आगे बढ़ता है, जिससे अनिश्चितता अनुमान यह दर्शा सकता है कि इनपुट रेजिम (सहमति बनाम संघर्ष बनाम लुप्तता) की विश्वसनीयता कितनी है।
कठोर गारंटी: हीयुरिस्टिक समायोजन के विपरीत, यह विधि एक सख्त स्प्लिट प्रोटोकॉल का पालन करके सख्त परिमित-नमूना कवरेज गारंटी (मार्जिनल या कंडीशनल) बनाए रखती है, जहाँ सभी डेटा-संचालित विकल्प (असहमति स्केल और स्ट्रेटा परिभाषा सहित) कैलिब्रेशन चरण से पहले निर्धारित किए जाते हैं।
व्यावहारिक उपयोगिता: यह तैनात मॉडल्स के लिए एक व्यावहारिक समाधान प्रदान करता है जहाँ मोडैलिटी उपलब्धता गतिशील होती है, यह सुनिश्चित करता है कि अनिश्चितता अनुमान वैध बना रहे, भले ही इनपुट वितरण बदल जाए (जैसे, सेंसर गायब होना या टेक्स्ट खराब होना)।

लेखक विनम्रतापूर्वक नोट करते हैं कि गारंटी के लिए फिटिंग, ट्यूनिंग और कैलिब्रेशन डेटा के बीच सख्त अलगाव आवश्यक है, और कि स्केलर असहमति स्कोर सभी स्रोतों के साथ समान व्यवहार करता है, जिससे संभावित रूप से क्रॉस-मोडल निर्भरता या स्रोत विश्वसनीयता के अंतर छूट सकते हैं। इस पद्धति को एक नए फ्यूजन आर्किटेक्चर के बजाय मौजूदा सिस्टम को बेहतर बनाने वाले एक 'रैपर' के रूप में प्रस्तुत किया गया है।

समस्या: "एक ही आकार के सभी के लिए" वाला सुरक्षा जाल

समाधान: एक स्मार्ट, आकार बदलने वाला सुरक्षा जाल

उन्होंने क्या पाया: स्मार्ट नेट, कम गलतियाँ

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर