🤖 AI

Separation Power of Equivariant Neural Networks

यह शोध पत्र इक्विवेरिएंट न्यूरल नेटवर्क्स (equivariant neural networks) की पृथक्करण शक्ति का एक व्यापक लक्षण वर्णन प्रदान करता है, जो यह प्रकट करता है कि नॉन-पॉलीनोमियल एक्टिवेशन्स (non-polynomial activations) अधिकतम अभिव्यक्ति क्षमता प्राप्त करते हैं, गहराई केवल एक विशिष्ट सीमा तक सुधार प्रदान करती है, और ब्लॉक डिकंपोजिशन (block decomposition) मॉडल क्षमताओं की तुलना करने के लिए एक पदानुक्रमित ढांचा निर्मित करता है।

मूल लेखक: Marco Pacini, Xiaowen Dong, Bruno Lepri, Gabriele Santin

प्रकाशित 2026-06-05

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marco Pacini, Xiaowen Dong, Bruno Lepri, Gabriele Santin

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 जासूसों की एक टीम (न्यूरल नेटवर्क) है जो एक रहस्य सुलझाने की कोशिश कर रही है। उनका काम सुरागों के ढेर (इनपुट डेटा) को देखना और यह तय करना है: "क्या ये दो सुराग वास्तव में एक ही चीज़ हैं, या वे अलग हैं?"

कभी-कभी सुरागों को छिपाया जाता है। शायद एक सुराग दूसरे का ही घुमा हुआ (rotated), पलटा हुआ (flipped), या इधर-उधर बिखरा हुआ (shuffled) रूप हो। एक अच्छी जासूस टीम को यह जानने की जरूरत है कि कब कहना है, "हे, ये वास्तव में एक ही हैं!" (क्योंकि यह केवल एक भेष है) और कब कहना है, "नहीं, ये पूरी तरह से अलग हैं।"

यह शोध पत्र इन जासूस टीमों की "सेपरेशन पावर" (Separation Power - अलग करने की क्षमता) को मापने के बारे में है। सरल शब्दों में, यह पूछता है: इस विशिष्ट प्रकार का AI अलग-अलग चीजों को पहचानने में कितना अच्छा है, जबकि वह खेल के नियमों (जैसे समरूपता या रोटेशन) का सम्मान भी करता है?

यहाँ एक विवरण दिया गया कि लेखकों ने क्या खोजा, रोजमर्रा के उदाहरणों का उपयोग करते हुए:

1. मुख्य समस्या: "ट्विन" (जुड़वां) चाल

यह पता लगाने के लिए कि क्या एक जासूस टीम दो चीजों के बीच अंतर कर सकती है, लेखकों ने एक चतुर चाल निकाली। यह पूछने के बजाय कि, "क्या आप सुराग A को सुराग B से अलग पहचान सकते हैं?", वे पूछते हैं: "यदि आप सुराग A और सुराग B को एक साथ देखते हैं, तो क्या आप साबित कर सकते हैं कि वे एक समान हैं?"

उन्होंने एक "ट्विन नेटवर्क" बनाया जो दो इनपुट लेता है और उन्हें आपस में घटा देता है। यदि परिणाम शून्य है, तो नेटवर्क सोचता है कि वे एक ही हैं। यह पेपर सटीक रूप से उन इनपुट जोड़ों का मानचित्र बनाता है जो हमेशा शून्य ही परिणाम देंगे, चाहे नेटवर्क को कैसे भी बदला जाए। यह मानचित्र नेटवर्क की दृष्टि की सीमाओं को बताता है।

2. "एक्टिवेशन" (मस्तिष्क की चिंगारी) का जादू

न्यूरल नेटवर्क के पास एक विशेष सामग्री होती है जिसे "एक्टिवेशन फंक्शन" (जैसे ReLU या Sigmoid) कहा जाता है, जो यह तय करता है कि न्यूरॉन्स कैसे सक्रिय होते हैं। यह उस चिंगारी की तरह है जो मस्तिष्क को सोचने के लिए प्रेरित करती है।

निष्कर्ष: जब तक कि वह चिंगारी एक साधारण, सीधी रेखा (पॉलीनोमियल) नहीं है, तब तक यह मायने नहीं रखता कि आप कौन सी चिंगारी का उपयोग करते हैं।
उदाहरण: कल्पना कीजिए कि आप एक केक बना रहे हैं। चाहे आप वैनिला एक्सट्रैक्ट का उपयोग करें, स्ट्रॉबेरी एक्सट्रैक्ट का, या चॉकलेट एक्सट्रैक्ट का (जब तक कि वह केवल सादा पानी न हो), केक उसी अधिकतम ऊंचाई तक फूलेगा। पेपर यह सिद्ध करता है कि कोई भी जटिल, नॉन-लीनियर एक्टिवेशन फंक्शन नेटवर्क को इनपुट्स के बीच अंतर करने की अधिकतम क्षमता प्रदान करता है। आपको किसी "सुपर-चिंगारी" की तलाश करने की ज़रूरत नहीं है; मानक विकल्प पहले से ही अपने शिखर पर हैं।

3. गहराई (Depth): कितनी परतें अंतर पैदा करती हैं?

आप सोच सकते हैं कि अधिक परतें जोड़ना (नेटवर्क को गहरा बनाना) हमेशा इसे स्मार्ट बनाता है।

निष्कर्ष: परतें एक निश्चित बिंदु तक मदद करती हैं, लेकिन फिर वे एक सीमा (ceiling) पर पहुँच जाती हैं।
उदाहरण: "टेलीफोन" (एक दूसरे को संदेश पहुँचाने वाला खेल) के खेल के बारे में सोचें। यदि आप संदेश 2 लोगों के माध्यम से फुसफुसाते हैं, तो यह स्पष्ट हो सकता है। यदि आप इसे 10 लोगों के माध्यम से फुसफुसाते हैं, तो यह और भी स्पष्ट हो सकता है। लेकिन यदि आप इसे 100 लोगों के माध्यम से फुसफुसाते हैं, तो यह 10 की तुलना में अधिक स्पष्ट नहीं होगा। चीजों को अलग करने की नेटवर्क की क्षमता स्थिर हो जाती है। एक बार जब आप एक विशिष्ट गहराई तक पहुँच जाते हैं, तो और परतें जोड़ना बिना किसी अतिरिक्त दृष्टि के केवल अतिरिक्त काम है।

4. "विड्थ" (चौड़ाई) का जाल: अधिक न्यूरॉन्स का मतलब बेहतर दृष्टि नहीं

कई AI मॉडलों में, लोग उम्मीद करते हैं कि मॉडल को बेहतर समझने में मदद करने के लिए परतों को "चौड़ा" (अधिक न्यूरॉन जोड़कर) करने से फायदा होगा।

निष्कर्ष: इन विशिष्ट प्रकार के नेटवर्कों के लिए, छिपी हुई परतों को चौड़ा करना (अधिक इनवेरिएंट फीचर्स जोड़ना) उन्हें अलग-अलग इनपुट्स को पहचानने में मदद नहीं करता है।
उदाहरण: कल्पना कीजिए कि एक दरवाजे पर एक सुरक्षा गार्ड है। यदि आप 1 के बजाय 100 गार्ड नियुक्त करते हैं और उन सभी के पास बिल्कुल एक ही निर्देश और दृष्टि है, तो दरवाजा और अधिक सुरक्षित नहीं होता है। नेटवर्क की इनपुट्स को पहचानने की क्षमता इस बात पर निर्भर करती है कि वह क्या देखता है, न कि इस पर कि कितने नेत्र उसे देख रहे हैं। अधिक "आंखें" जोड़ना जो एक ही तरह से देखती हैं, उसकी सेपरेशन पावर में सुधार नहीं करता है।

5. "ब्लॉक्स" (Blocks) का पदानुक्रम

ये नेटवर्क विभिन्न "ब्लॉक्स" या निर्माण खंडों से बने होते हैं, जो विभिन्न प्रकार की समरूपता (जैसे किसी आकार को घुमाना बनाम ताश के पत्तों को फेंटना) के अनुरूप होते हैं।

निष्कर्ष: कुछ ब्लॉक्स अन्य की तुलना में इनपुट्स को अलग करने में बेहतर होते हैं। एक सख्त पदानुक्रम मौजूद है।
उदाहरण: चाबियों के एक सेट के बारे में सोचें। एक मास्टर की (रेगुलर रिप्रेजेंटेशन) हर दरवाजे को खोल सकती है (लग लगभग सब कुछ अलग कर सकती है)। एक साधारण चाबी (इनवेरिएंट रिप्रेजेंटेशन) केवल एक विशिष्ट दरवाजा खोल सकती है। पेपर दिखाता है कि यदि आप अपने नेटवर्क में "मास्टर की" ब्लॉक्स का उपयोग करते हैं, तो आपको सर्वोत्तम संभव सेपरेशन मिलता है। यदि आप "सिंपल की" ब्लॉक्स का उपयोग करते हैं, तो आपका नेटवर्क अधिक सीमित होता है। यह एक सीढ़ी है: आप जटिलता की सीढ़ी पर जितना ऊपर जाएंगे, आप उतनी ही अधिक चीजों को अलग कर पाएंगे।

6. वास्तविक दुनिया के उदाहरण

लेखकों ने इन नियमों का परीक्षण दो सामान्य प्रकार के AI पर किया:

इनवेरिएंट ग्राफ नेटवर्क्स (IGNs): इनका उपयोग सोशल नेटवर्क या अणुओं के विश्लेषण के लिए किया जाता है। उन्होंने पाया कि ये नेटवर्क ग्राफ को अलग करने में प्रसिद्ध "वेइसफिलेर-लेमैन" (Weisfeiler-Leman) टेस्ट (गणित में एक मानक) जितने ही अच्छे हैं, और उन्हें ऐसा करने के लिए विशाल, महंगे नेटवर्क की आवश्यकता नहीं है।
सर्कुलर CNNs: इनका उपयोग गोलाकार डेटा (जैसे घड़ी का चेहरा या सेंसर का घेरा) के विश्लेषण के लिए किया जाता है। उन्होंने पाया कि "फिल्टर" का आकार (कि फिल्टर एक बार में वृत्त के कितने हिस्से को देखता है) यह बदल देता है कि वे पैटर्न को कितनी अच्छी तरह पहचान सकते हैं। एक फिल्टर जो पूरे वृत्त को देखता है, वह उस फिल्टर से बेहतर है जो केवल एक छोटे से हिस्से को देखता है।

सारांश

यह पेपर इन विशिष्ट प्रकार के AI बनाने के लिए एक नियम पुस्तिका देता है:

एक्टिवेशन फंक्शन की चिंता न करें: बस एक मानक, नॉन-लीनियर फंक्शन चुनें; वे सभी समान रूप से शक्तिशाली हैं।
बहुत गहरे न जाएँ: एक बार जब आप स्थिरता बिंदु (stabilization point) पर पहुँच जाएँ, तो परतें जोड़ना बंद कर दें; अतिरिक्त गहराई बेकार है।
इसे केवल चौड़ा न करें: अधिक न्यूरॉन जोड़ने से चीजों को अलग करने में मदद नहीं मिलती।
अपने ब्लॉक्स सावधानी से चुनें: यदि आप चाहते हैं कि नेटवर्क अधिक अंतर देख सके, तो उपलब्ध सबसे जटिल "ब्लॉक्स" का उपयोग करें।

अनिवार्य रूप से, यह पेपर हमें बताता है कि इन नेटवर्कों के लिए, परतों या न्यूरॉन्स की मात्रा से अधिक संरचना की गुणवत्ता मायने रखती है।

तकनीकी सारांश: इक्विवेरिएंट न्यूरल नेटवर्क की सेपरेशन पावर (Separation Power)

समस्या विवरण (Problem Statement)

मशीन लर्निंग मॉडल्स की अभिव्यंजना शक्ति (expressivity) को अक्सर उनकी सार्वभौमिकता (universality) द्वारा मापा जाता है—अर्थात किसी विशिष्ट वर्ग के भीतर किसी भी फलन (function) को अनुमानित करने की क्षमता। हालाँकि, इक्विवेरिएंट न्यूरल नेटवर्क (वे जो समरूपता जैसे कि परम्यूटेशन या रोटेशन का सम्मान करते हैं) के लिए सार्वभौमिकता, नेटवर्क की उन इनपुट्स के बीच अंतर करने में अंतर्निहित अक्षमता द्वारा सीमित होती है जो समरूपता समूह (symmetry group) के तहत समान हैं। यह सीमा एक नेटवर्क की विशिष्ट इनपुट्स के बीच भेद करने की क्षमता और उन इनवेरिएंट/इक्विवेरिएंट संरचनाओं के बीच एक जटिल अंतःक्रिया उत्पन्न करती है जिन्हें उसे संरक्षित करना होता है।

ग्राफ लर्निंग समुदाय ने ग्राफ न्यूरल नेटवर्क (GNNs) के लिए वीसफाइलर-लेमैन (WL) टेस्ट और होमोमोर्फिज्म काउंटिंग का उपयोग करके उनके सेपरेशन पावर का व्यापक अध्ययन किया है, लेकिन ये कॉम्बिनेटोरियल उपकरण व्यापक श्रेणियों के इक्विवेरिएंट मॉडल्स, विशेष रूप से ज्यामितीय डेटा को प्रोसेस करने वाले या रेगुलर कन्वोल्यूशन का उपयोग करने वाले मॉडल्स पर लागू होने के मामले में गंभीर सीमाओं से ग्रस्त हैं। सामान्य इक्विवेरिएंट न्यूरल नेटवर्क, जिनमें नॉन-पॉलिनॉमियल एक्टिवेशन, परिमित-आयामी निरूपण (finite-dimensional representations) और परम्यूटेशन इक्विवेरिएंस होता है, उनके लिए अविभेद्य इनपुट्स (indistinguishable inputs) के सेट (पहचान संबंध/identification relation) को लक्षणबद्ध करने के लिए सूक्ष्म विश्लेषणात्मक उपकरणों का अभाव है।

कार्यप्रणाली (Methodology)

यह शोध पत्र इक्विवेरिएंट न्यूरल नेटवर्क $\mathcal{N}$ के परिवार की सेपरेशन पावर $\rho(\mathcal{N})$ को लक्षणबद्ध करने के लिए एक सैद्धांतिक ढांचा प्रस्तुत करता है। सेपरेशन पावर को इनपुट जोड़ों $(\alpha, \beta)$ को पहचानने वाले इक्विवेलेंस रिलेशन के रूप में परिभाषित किया गया है जहाँ सभी $f \in \mathcal{N}$ के लिए $f(\alpha) = f(\beta)$ होता है।

मुख्य पद्धतिगत योगदान "ट्विन नेटवर्क ट्रिक" (Twin Network Trick) है, जो अविभेद्य इनपुट्स को पहचानने की समस्या को एक जीरो लोकस समस्या (zero locus problem) में बदल देती है। एक ट्विन नेटवर्क $\hat{\eta}(\alpha, \beta) = \eta(\alpha) - \eta(\beta)$ का निर्माण करके, लेखक पहचान संबंध को ट्विन नेटवर्क स्पेस द्वारा शून्य (zero) पर मैप किए गए बिंदुओं के सेट को खोजने के रूप में पुनर्गठित करते हैं।

यह न्यूनीकरण लेखकों को कार्यात्मक समीकरणों (functional equations) के सिद्धांत से प्राप्त पुनरावर्ती तकनीकों को लागू करने की अनुमति देता है। विशेष रूप से, वे नॉन-पॉलिनॉमियल निरंतर फलनों (जैसे ReLU, sigmoid) वाले रैखिक कार्यात्मक समीकरणों से संबंधित परिणामों का लाभ उठाते हैं ताकि एक स्पष्ट, पुनरावर्ती सूत्र प्राप्त किया जा सके जो जीरो लोकस के लिए है। यह सूत्र गहराई $d$ वाले नेटवर्क के जीरो लोकस को गहराई $d-1$ वाले नेटवर्क के जीरो लोकस से जोड़ता है, जिसमें नेटवर्क के आर्किटेक्चर और बायस टर्म्स द्वारा परिभाषित विशिष्ट सबस्पेस के यूनियन और इंटरसेक्शन शामिल होते हैं।

विश्लेषण निम्नलिखित धारणाओं पर आधारित है:

परम्यूटेशन रिप्रेजेंटेशन: नेटवर्क परिमित सेटों पर वास्तविक-मान वाले फलनों पर कार्य करते हैं, जो परम्यूटेशन के रूप में कार्य करने वाले परिमित समूहों के तहत इक्विवेरिएंट हैं।
नॉन-पॉलिनॉमियल एक्टिवेशन: एक्टिवेशन फंक्शन निरंतर और नॉन-पॉलिनॉमियल हैं।
कम्प्लीट बायस: एफाइन लेयर्स में रिप्रेजेंटेशन स्पेस के ऑर्बिट पार्टीशन के अधीन बायस टर्म्स शामिल हैं।

मुख्य योगदान और परिणाम (Key Contributions and Results)

1. अविभेद्य इनपुट्स का पूर्ण लक्षण वर्णन

यह शोध पत्र एक निश्चित आर्किटेक्चर वाले नेटवर्क द्वारा पहचाने जाने वाले इनपुट जोड़ों के सेट का पूर्ण लक्षण वर्णन प्रदान करता है।

थ्योरम 1 (चरित्रण प्रमेय): एक न्यूरल स्पेस के जीरो लोकस के लिए एक पुनरावर्ती सूत्र स्थापित करता है। यह सूत्र नेटवर्क की गहराई, एक्टिवेशन गुणों और बायस टर्म्स द्वारा प्रेरित रिप्रेजेंटेशन स्पेस के पार्टीशन के आधार पर पहचान संबंध को विघटित करता है।

2. नॉन-पॉलिनॉमियल एक्टिवेशन की समानता

थ्योरम 2: यह सिद्ध करता है कि एक निश्चित आर्किटेक्चर के लिए, कोई भी निरंतर, वास्तविक, एलिमेंट-वाइज, नॉन-पॉलिनॉमियल एक्टिवेशन फंक्शन, समान सेपरेशन पावर प्रदान करता है। फलस्वरूप, सामान्य एक्टिवेशन जैसे ReLU, sigmoid और tanh, इनपुट्स के बीच अंतर करने की अपनी क्षमता में समान हैं और वे सभी उस आर्किटेक्चर के लिए अधिकतम संभव सेपरेशन पावर प्राप्त करते हैं। पॉलिनॉमियल एक्टिवेशन को इस समानता से बाहर रखा गया है।

3. गहराई की भूमिका (The Role of Depth)

थ्योरम 3: यह प्रदर्शित करता है कि नेटवर्क की गहराई केवल एक विशिष्ट रिपिटिशन थ्रेशोल्ड (repetition threshold) तक ही सेपरेशन पावर को बढ़ाती है। इस थ्रेशोल्ड के बाद, उसी प्रकार की परतों को और जोड़ने से इनपुट्स के बीच अंतर करने की क्षमता में सुधार नहीं होता; सेपरेशन पावर स्थिर हो जाती है।
- $k$ -इनवेरिएंट ग्राफ नेटवर्क्स (IGNs) के लिए, यह थ्रेशोल्ड $k$ -WL टेस्ट के थ्रेशोल्ड के आनुपातिक है।
- रेगुलर हिडन रिप्रेजेंटेशन वाले नेटवर्क के लिए, स्थिरता केवल एक लेयर रिपिटिशन के बाद आती है।

4. हिडन फीचर विड्थ और इनवेरिएंट फीचर्स से स्वतंत्रता

थ्योरम 4 और रिमार्क 1: यह दर्शाता है कि सेपरेशन पावर हिडन रिप्रेजेंटेशन में ब्लॉक्स की मल्टीप्लिसिटी (multiplicity) से स्वतंत्र है। विशेष रूप से, इनवेरिएंट हिडन फीचर्स की चौड़ाई (जैसे, IGNs में फीचर स्पेस का आयाम) बढ़ाने से नेटवर्क की इनपुट्स के बीच अंतर करने की क्षमता में सुधार नहीं होता है। $V \otimes \mathbb{R}^f$ हिडन रिप्रेजेंटेशन वाले नेटवर्क की सेपरेशन पावर $V$ वाले नेटवर्क की सेपरेशन पावर के समान है।

5. रिप्रेजेंटेशन प्रकारों का पदानुक्रम (Hierarchy of Representation Types)

थ्योरम 5: लेयर्स में उपयोग किए जाने वाले रिप्रेजेंटेशन के प्रकार के आधार पर सेपरेशन पावर में एक पदानुक्रम स्थापित करता है। सेपरेशन पावर, समरूपता समूह के सबग्रुप्स के आंशिक क्रम (partial ordering) के अनुरूप है।
- छोटे सबग्रूप्स (जैसे, ट्रिवियल सबग्रुप $\{e\}$ , जो रेगुलर रिप्रेजेंटेशन के अनुरूप है) द्वारा प्रेरित रिप्रेजेंटेशन, अधिकतम सेपरेशन पावर प्रदान करते हैं।
- बड़े सबग्रूप्स (जैसे, समूह $G$ स्वयं, जो इनवेरिएंट वेक्टर्स के अनुरूप है) द्वारा प्रेरित रिप्रेजेंटेशन, न्यूनतम सेपरेशन पावर प्रदान करते हैं।
- इसका तात्पर्य यह है कि हिडन लेयर्स में रेगुलर रिप्रेजेंटेशन ( $\mathbb{R}^G$ ) का उपयोग करना उस आर्किटेक्चर द्वारा अनुमत अधिकतम सेपरेशन पावर प्राप्त करने के लिए पर्याप्त है।

व्यावहारिक मॉडल्स के लिए निहितार्थ (Implications for Practical Models)

लेखक इन सामान्य परिणामों को विशिष्ट व्यावहारिक मॉडल्स पर लागू करते हैं:

इनवेरिएंट ग्राफ नेटवर्क्स (IGNs): परिणाम पिछले निष्कर्षों को सुदृढ़ करते हैं, यह दिखाते हुए कि $k$ -IGNs, हिडन फीचर डायमेंशन की परवाह किए बिना, $k$ -WL टेस्ट के सेपरेशन पावर से मेल खाते हैं। यह उन पिछले परिणामों की आवश्यकता को समाप्त करता है जिनमें सार्वभौमिकता प्राप्त करने के लिए "बड़े" हिडन फीचर विड्थ की आवश्यकता थी।
सर्कुलर CNNs: सर्कुलर कन्वोल्यूशनल न्यूरल नेटवर्क की सेपरेशन पावर फिल्टर साइज पर निर्भर करती है। विशेष रूप से, बड़े फिल्टर सपोर्ट वाले नेटवर्क (जो पूर्ण समूह आकार के करीब हैं) का सेपरेशन पावर छोटे सपोर्ट वाले नेटवर्क की तुलना में स्पष्ट रूप से अधिक बारीक (finer) होता है, जो एक सख्त पदानुक्रम बनाता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र इक्विवेरिएंट न्यूरल नेटवर्क की सार्वभौमिकता को समझने के लिए एक आवश्यक शर्त प्रदान करने का दावा करता है। पहचान संबंध $\rho(\mathcal{N})$ का सटीक लक्षण वर्णन करके, लेखक हाइपरपैरामीटर्स और आर्किटेक्चरल चॉइस को दो श्रेणियों में वर्गीकृत करने में सक्षम बनाते हैं:

सेपरेशन-निर्धारक (Separation-Determining): वे विकल्प जो सीधे तौर पर डिस्टिंगुइशेबल इनपुट्स के सेट को प्रभावित करते हैं (जैसे, एक्टिवेशन टाइप, थ्रेशोल्ड तक गहराई, रिप्रेजेंटेशन टाइप)। ये अप्रोक्सिमेशन क्षमता और कंप्यूटेशनल लागत दोनों को महत्वपूर्ण रूप से प्रभावित करते हैं।
सेपरेशन-स्वतंत्र (Separation-Independent): वे विकल्प जो डिस्टिंगुइशेबल इनपुट्स के सेट को प्रभावित नहीं करते (जैसे, हिडन फीचर विड्थ, ब्लॉक्स की मल्टीप्लिसिटी)। ये सेपरेशन पावर के भीतर अप्रोक्सिमेशन को प्रभावित कर सकते हैं लेकिन डिस्टिंगुइशेबल इनपुट्स के वर्ग का विस्तार नहीं करते हैं।

लेखक इस बात पर जोर देते हैं कि उनका ढांचा परम्यूटेशन रिप्रेजेंटेशन और नॉन-पॉलिनॉमियल एक्टिवेशन तक सीमित है। वे स्वीकार करते हैं कि उनका दृष्टिकोण वर्तमान में क्लेbsch-गोर्डन कोएफिशिएंट्स या पॉलिनॉमियल दृष्टिकोणों का उपयोग करने वाले मॉडल्स तक विस्तारित नहीं है, और न ही यह पूरी तरह से उन मामलों को संबोधित करता है जहाँ बायस टर्म अनुपस्थित हैं (हालाँकि यह ऐसे मामलों में बाउंड प्रदान कर सकता है)। यह कार्य ग्राफ-विशिष्ट परीक्षणों के कॉम्बिनेटोरियल प्रतिबंधों से परे इक्विवेरिएंट मॉडल्स की अभिव्यंजना शक्ति का विश्लेषण करने के लिए एक मौलिक सैद्धांतिक उपकरण के रूप में कार्य करता है।