🤖 machine learning

Modeling Stochastic Conditional Dynamics from Sparse Observations via Kernel-Stabilized Flow Matching

यह शोध पत्र कंडीशनल वेरिएबल फ्लो मैचिंग (CVFM) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो स्टेट और कंडीशनिंग वेरिएबल्स पर फ्लो को संयुक्त रूप से सैंपल करते हुए, एक कंडीशनिंग मिसमैच कर्नेल और कंडीशनल वासरस्टीन डिस्टेंस का उपयोग करके प्रशिक्षण को स्थिर करने और अभिसरण (कन्वर्जेंस) में सुधार करने के माध्यम से, विरल (स्पार्स), अनपेयर्ड अवलोकनों से स्टोकेस्टिक कंडीशनल डायनेमिक्स सीखने में सक्षम बनाता है।

मूल लेखक: Adam P. Generale, Andreas E. Robertson, Surya R. Kalidindi

प्रकाशित 2026-06-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Adam P. Generale, Andreas E. Robertson, Surya R. Kalidindi

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि एक जटिल प्रणाली समय के साथ कैसे बदलती है। आइए हम एक बेकिंग (केक बनाने) के उदाहरण का उपयोग करें।

समस्या: "विनाशकारी" केक (The "Destructive" Cake)

कल्पना कीजिए कि आप सीखना चाहते हैं कि केक का बैटर (घोल) एक पके हुए केक में कैसे बदल जाता है।

आदर्श परिदृश्य: आपके पास एक विशिष्ट केक बैटर है। आप उसे देखते हैं, हर सेकंड उसकी एक फोटो लेते हैं, और देखते हैं कि वह विशेष बैच ठीक कैसे फूलता है और भूरा होता है। आप जानते हैं कि किस सामग्री (शर्त/condition) ने किस बदलाव का कारण बनाया।
वास्तविक दुनिया की समस्या: विज्ञान के कई क्षेत्रों में (जैसे पदार्थ विज्ञान या जीव विज्ञान), आप ऐसा नहीं कर सकते। प्रक्रिया विनाशकारी (destructive) होती है। सामग्री की "स्थिति" (state) की जांच करने के लिए, आपको नमूने को नष्ट करना पड़ता है।
- आप एक ही केक को पकते हुए नहीं देख सकते।
- इसके बजाय, आप 1,000 अलग-अलग केक बनाते हैं।
- प्रत्येक केक के लिए, आप शुरुआत की स्थिति जानने के लिए एक हिस्सा नष्ट करते हैं, और अंत की स्थिति जानने के लिए दूसरा हिस्सा नष्ट करते हैं।
- चुनौती: आपको यह नहीं पता कि कौन सा "शुरुआती हिस्सा" किस "अंतिम हिस्से" से संबंधित है। आपको यह भी नहीं पता कि शुरुआत और अंत के हिस्सों की तुलना करते समय तापमान या ओवन की सेटिंग्स (शर्तें) बिल्कुल एक जैसी थीं या नहीं।

यही वह चीज़ है जिसे पेपर में "अनपेयर्ड डेटा" (unpaired data) कहा गया है। आपके पास "पहले" की तस्वीरों का एक ढेर है और "बाद" की तस्वीरों का एक ढेर है, लेकिन वे आपस में मिले हुए हैं, और सेटिंग्स (जैसे तापमान) दोनों ढेरों के बीच पूरी तरह से मेल नहीं खा सकती हैं।

पुराना तरीका: अनुमान लगाना और अराजकता (The Old Way: Guessing and Chaos)

पिछले AI तरीकों ने इसे हल करने के लिए बस एक "पहले" की फोटो को एक "बाद" की फोटो के साथ बेतरतीब ढंग से जोड़ने की कोशिश की और उम्मीद की कि वे मैच हो जाएंगे।

उदाहरण: कल्पना कीजिए कि आप एक छात्र को बेकिंग सिखाने की कोशिश कर रहे हैं, उसे गर्म ओवन के कच्चे बैटर की फोटो और एक ठंडे ओवन के जले हुए केक की फोटो दिखाते हैं, और कहते हैं, "यह बैटर केक में कैसे बदलता है।"
परिणाम: छात्र भ्रमित हो जाता है। वह गलत नियम सीख लेता है। पेपर की भाषा में, इसके कारण "उच्च-विचलन अस्थिरता" (high-variance instability) होती है। AI दो ऐसी चीजों के बीच रास्ता बनाने की कोशिश करता है जिनका आपस में कोई संबंध नहीं होना चाहिए, जिससे बेतुकी और अनिश्चित भविष्यवाणियाँ होती हैं।

समाधान: CVFM (द स्मार्ट मैचमेकर)

लेखक एक नई विधि प्रस्तावित करते हैं जिसे कंडीशनल वेरिएबल फ्लो मैचिंग (CVFM) कहा जाता है। CVFM को एक सुपर-स्मार्ट मैचमेकर के रूप में सोचें जो जानता है कि सही "पहले" और "बाद" की तस्वीरों को कैसे जोड़ा जाए, भले ही वे अव्यवस्थित और अनपेयर्ड हों।

यह इस अराजकता को ठीक करने के लिए तीन चतुर तरीकों का उपयोग करता है:

"सॉफ्ट फ़िल्टर" (The Mismatch Kernel):
- कल्पना कीजिए कि AI एक "पहले" की फोटो को एक "बाद" की फोटो के साथ जोड़ने की कोशिश कर रहा है। वह ओवन के तापमान (कंडीशन) को देखता है।
- यदि "पहले" की फोटो कहती है "350°F" और "बाद" की फोटो कहती है "200°F," तो AI जानता है कि यह एक बुरा मिलान है।
- CVFM एक कर्नेल (kernel) (एक गणितीय फ़िल्टर) का उपयोग करता है यह कहने के लिए, "हे, ये दोनों अच्छी तरह से मेल नहीं खाते। चलिए इस जोड़ी को अनदेखा करते हैं या इसे बहुत कम महत्व देते हैं।" यह प्रभावी रूप से AI को बताता है, "इन दोनों को जोड़ने की कोशिश मत करो; ये बहुत अलग हैं।" यह AI को खराब उदाहरणों से सीखने से रोकता है।
"एकतरफा रास्ता" (Anisotropic Transport):
- AI को यह समझने की आवश्यकता है कि केक का आकार (स्टेट) कैसे बदलता है, बिना तापमान के बदलावों से भ्रमित हुए।
- CVFM एक नियम निर्धारित करता है: "हमें केक के आकार को स्वतंत्र रूप से बदलने की अनुमति है, लेकिन यदि हम तापमान को बदलने की कोशिश करते हैं, तो हमें भारी दंड (penalty) दिया जाएगा।"
- यह AI को ऐसे रास्ते खोजने के लिए मजबूर करता है जहाँ तापमान लगभग समान रहता है, जिससे यह सुनिश्चित होता है कि वह वास्तविक बेकिंग प्रक्रिया सीख रहा है, न कि केवल रैंडम शोर (noise)।
"दो-ट्रैक" प्रणाली (The Two-Track System):
- एक विशाल, भ्रमित करने वाला नियम सीखने के बजाय, CVFM एक साथ दो चीजें सीखता है:
  - स्टेट (cake) कैसे बदलता है।
  - कंडीशन (तापमान) कैसे बदलता है।
- इन दोनों ट्रैक्स को अलग रखते हुए भी आपस में जोड़कर, यह सुनिश्चित करता है कि AI समझ सके कि केक तापमान के कारण बदलता है, न कि केवल बेतरतीब ढंग से।

यह क्यों महत्वपूर्ण है (परिणाम)

पेपर ने दो प्रकार की समस्याओं पर इसका परीक्षण किया:

टॉय प्रॉब्लम्स (Toy Problems): सरल गणितीय पहेलियाँ जहाँ उन्हें सही उत्तर पता था। CVFM ने पिछले तरीकों की तुलना में बहुत तेज़ी से और अधिक सटीकता से उत्तर सीखा, विशेष रूप से जब डेटा कम (sparse) था।
वास्तविक विज्ञान (पदार्थ विज्ञान): उन्होंने मॉडल किया कि विनिर्माण (manufacturing) के दौरान एक धातु की आंतरिक संरचना कैसे बदलती है (एक प्रक्रिया जिसे "स्पिनोडल डिकंपोजिशन" कहा जाता है)।
- यह भविष्यवाणी करने जैसा है कि ठंडा होने के दौरान धातु की आंतरिक "ग्रेन" संरचना कैसे बदलती है।
- क्योंकि यह प्रक्रिया अराजक है और डेटा अनपेयर्ड है, पुराने तरीके विफल हो गए या बहुत अजीब भविष्यवाणियाँ दीं।
- CVFM ने धातु की संरचना के विकास की सफलतापूर्वक भविष्यवाणी की, जिसने परिवर्तनों की जटिल और यादृच्छिक प्रकृति को बिना सटीक, पेयर्ड डेटा के भी पकड़ लिया।

मुख्य निष्कर्ष (The Bottom Line)

CVFM वैज्ञानिकों के लिए एक नया उपकरण है जिनके पास अव्यवस्थित और अपूर्ण डेटा है। यह उन्हें यह सिखाने की अनुमति देता है कि प्रणालियाँ समय के साथ कैसे विकसित होती हैं (जैसे कि सामग्रियां बदलना या कोशिकाओं का बढ़ना), भले ही वे व्यक्तिगत नमूनों को शुरू से अंत तक ट्रैक न कर सकें। यह बहुत सख्ती से केवल उन डेटा पॉइंट्स को जोड़ने पर ध्यान केंद्रित करता है जो वास्तव में एक साथ सही अर्थ रखते हैं, जिससे AI को "गलत मिलान" से सीखने से रोका जा सके।

यह पेपर क्या दावा नहीं करता है:

यह दावा नहीं करता कि यह बीमारियों का इलाज करता है या शेयर बाजार की भविष्यवाणी करता है।
यह दावा नहीं करता कि यह किसी भी मात्रा में डेटा के साथ पूरी तरह काम करेगा (यह अभी भी संघर्ष करता है यदि डेटा अत्यंत उच्च-आयामी (high-dimensional) हो या स्थितियाँ समय के साथ बहुत नाटकीय रूप से बदल जाएं)।
यह विशेष रूप से स्टोकेस्टिक (stochastic) (यादृच्छिक) प्रणालियों पर केंद्रित है जहाँ परिणाम पूरी तरह से अनुमानित नहीं होता है, जो भौतिकी और जीव विज्ञान में आम है।

तकनीकी सारांश: कंडीitonal Variable Flow Matching (CVFM)

समस्या विवरण (Problem Statement)

समय के साथ कंडीशनल प्रोबेबिलिटी डेंसिटीज़ (conditional probability densities) को रूपांतरित करना सीखना, जैविक और भौतिक डोमेन (जैसे, सिंगल-सेल जीनोमिक्स, सामग्री विज्ञान) में स्टोकेस्टिक नॉनलीन डायनेमिकल सिस्टम्स को मॉडल करने के लिए एक मौलिक चुनौती है। हालांकि फ्लो-आधारित मॉडल प्रोबेबिलिटी डिस्ट्रीब्यूशन के टेम्पोरल इवोल्यूशन की भविष्यवाणी कर सकते हैं, मौजूदा दृष्टिकोण वैज्ञानिक अनुप्रयोगों में दो महत्वपूर्ण सीमाओं का सामना करते हैं:

अनपेयर्ड स्टेट ऑब्जर्वेशन (Unpaired State Observations): प्रयोगात्मक बाधाएं (जैसे, विनाशकारी परीक्षण/destructive testing) अक्सर एक ही सैंपल को कई समय चरणों (time steps) में मापने से रोकती हैं, जिसके परिणामस्वरूप अनपेयर्ड स्टेट डेटा ( $x_0 \sim p_0(x)$ और $x_1 \sim p_1(x)$ स्वतंत्र हैं) प्राप्त होता है।
अनपेयर्ड कंडीशनिंग (Unpaired Conditioning): कई परिदृश्यों में, डिस्क्रीट टाइम फ्रेम्स पर देखे गए कंडीशनिंग वेरिएबल्स (जैसे, तापमान या पावर जैसे प्रोसेस पैरामीटर्स) भी अनपेयर्ड होते हैं। अर्थात, डेटा जॉइंट डिस्ट्रीब्यूशन $(x_0, y_0) \sim p_0(x, y)$ और $(x_1, y_1) \sim p_1(x, y)$ से लिया जाता है जिसमें इस बात की कोई गारंटी नहीं है कि $y_0 = y_1$ होगा।

मौजूदा कंडीशनल फ्लो मैचिंग (CFM) और ऑप्टिमल ट्रांसपोर्ट (OT) विधियां आमतौर पर पेयर्ड कंडीशनिंग या डिस्क्रीट, कैटेगोरिकल कंडीशंस को मानती हैं। जब इन्हें निरंतर (continuous), स्पार्स (sparse) और अनपेयर्ड कंडीशनिंग डेटा पर लागू किया जाता है, तो स्टैंडर्ड मिनी-बैच एप्रोक्सिमेशन कंडीशनल कपलिंग्स के कारण हाई-वैरिएंस इंस्टेबिलिटी (high-variance instabilities) का शिकार होते हैं, जिससे ट्रेनिंग डायवर्जेंस या नॉन-कन्वर्जेंस होता है।

कार्यप्रणाली: कंडीशनल वेरिएबल फ्लो मैचिंग (CVFM)

लेखक कंडीशनल वेरिएबल फ्लो मैचिंग (CVFM) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे निरंतर कंडीशनल डेंसिटी स्पेस में एम्ोर्टाइजेशन (amortization) के साथ कंडीशनल डिस्ट्रीब्यूशन को रूपांतरित करने वाले फ्लो सीखने के लिए डिज़ाइन किया गया है, भले ही डेटा अनपेयर्ड हो।

मुख्य सैद्धांतिक अंतर्दृष्टि (Core Theoretical Insights)

यह फ्रेमवर्क इस सैद्धांतिक निष्कर्ष पर आधारित है कि एम्ोर्टाइज्ड कंडीशनल वेक्टर फील्ड लर्निंग के सुसंगत (consistent) होने के लिए, कंडीशनिंग वेरिएबल पेयर्स $(y_0, y_1)$ को एक इन्डेनिटी कपलिंग (identity coupling) का पालन करना चाहिए (अर्थात, $y_0 = y_1$ )। स्टैंडर्ड मिनी-बैच OT सॉल्वर्स स्पार्स रिजीम में इसे लागू करने में विफल रहते हैं, और अक्सर अलग-अलग कंडीशनिंग वैल्यूज ( $y_A \neq y_B$ ) वाले सैंपल्स को पेयर कर देते हैं, जो हाई-वैरिएंस, मिसमैच्ड फ्लो बनाता है।

इसे संबोधित करने के लिए, CVFM तीन प्रमुख घटकों को एकीकृत करता है:

स्टेट और कंडीशन पर जॉइंट सैंपलिंग: विधि स्टेट वेरिएबल्स ( $x$ ) और कंडीशनिंग वेरिएबल्स ( $y$ ) पर फ्लो को संयुक्त रूप से सैंपल करती है, यह मानते हुए कि जॉइंट प्रोबेबिलिटी पाथ $p_t(x, y|z, w) = p_t(x|z)p_t(y|w)$ का विघटन करता है।
एनिसोट्रोपिक ऑप्टिमल ट्रांसपोर्ट (Anisotropic Optimal Transport): $y$ पर आइडेंटिटी कपलिंग को हार्ड कंस्ट्रेंट्स (जो निरंतर डेटा के लिए अव्यवहारिक हैं) के बिना एप्रोक्सिमेट करने के लिए, CVFM एक एनिसोट्रोपिक ग्राउंड कॉस्ट फंक्शन का उपयोग करता है:
$c_\eta((x, y), (x', y')) = \|x - x'\|_p^p + \eta\|y - y'\|_p^p$
यहाँ, $\eta$ एक हाइपरपैरामीटर है जो कंडीशनिंग डायमेंशन में ट्रांसपोर्ट को भारी दंड (penalize) देता है, जो प्रभावी रूप से OT सॉल्वर को समान $y$ मानों वाले सैंपल्स को पेयर करने के लिए प्रोत्साहित करता है।
कंडीशनिंग मिसमैच कर्नेल (Conditioning Mismatch Kernel): ट्रेनिंग को और अधिक स्थिर करने और स्पार्स डेटा में गलत पेयरिंग से होने वाले वैरिएंस को दबाने के लिए, CVFM लॉस ऑब्जेक्टिव में एक स्टेशनरी, आइसोट्रोपिक कर्नेल $\alpha(w)$ पेश करता है:
$\alpha(w) = \exp(-\|y_0 - y_1\|_2^2 / 2\sigma_y^2)$
यह कर्नेल एक सॉफ्ट फिल्टर के रूप में कार्य करता है, जो बड़े कंडीशनिंग मिसमैच ( $y_0 \neq y_1$ ) वाले पेयर्स के लॉस योगदान को कम करता है। थ्योरम 3.2 (Theoretical analysis) दिखाता है कि यह कर्नेल ग्रेडिएंट एरर को बाउंड करता है, जिससे स्थिरता सुनिश्चित होती है, भले ही कंडीशनिंग मैनिफोल्ड का सघन (dense) सैंपलिंग संभव न हो।

एल्गोरिद्मिक कार्यान्वयन (Algorithmic Implementation)

ट्रेनिंग ऑब्जेक्टिव एक न्यूरल नेटवर्क एप्रोक्सिमेटर $v_\theta(x, y, t)$ और टारगेट कंडीशनल वेक्टर फील्ड के बीच की दूरी को कम करता है, जिसे मिसमैच कर्नेल द्वारा वेट किया जाता है:
$L_{CVFM}(\theta) = \mathbb{E}_{t, q(z,w), p_t(x|z)} \left[ \alpha(w) \|v_\theta(x, y, t) - u_t(x|z)\|^2 \right]$
फ्रेमवर्क डिटर्मिनिस्टिक ऑर्डिनरी डिफरेंशियल इक्वेशन (ODE) पाथ और स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) पाथ (Score और Flow Matching एक्सटेंशन के माध्यम से) दोनों का समर्थन करता है, जिससे यह कंडीशनल श्रोडिंगर ब्रिज (Schrödinger bridges) को एप्रोक्सिमेट करने में सक्षम होता है।

मुख्य योगदान (Key Contributions)

CVFM फ्रेमवर्क: पूरी तरह से अनपेयर्ड डेटासेट्स (स्टेट और कंडीशनिंग वेरिएबल्स दोनों) से कंडीशनल फ्लो सीखने के लिए एक सामान्य दृष्टिकोण, जो उन मौजूदा तरीकों के गैप को भरता है जिन्हें पेयर्ड कंडीशनिंग की आवश्यकता होती है।
स्टेबलाइजेशन मैकेनिज्म: स्पार्स, कंटीन्यूअस कंडीशनल डेटा रिजीम में निहित हाई-वैरिएंस इंस्टेबिलिटी को हल करने के लिए कंडीशनिंग मिसमैच कर्नेल को एनिसोट्रोपिक OT के साथ जोड़ना।
सैद्धांतिक औचित्य (Theoretical Justification): सुसंगत वेक्टर फील्ड लर्निंग के लिए एक पूर्व शर्त के रूप में कंडीशनल आइडेंटिटी कपलिंग की औपचारिक स्थापना और यह प्रमाण कि प्रस्तावित कर्नेल विशिष्ट कपलिंग कंडीशंस के तहत ग्रेडिएंट एरर को $O(\epsilon^2)$ तक कम करता है।
स्टोकेस्टिक डायनेमिक्स में विस्तार: स्कोर और फ्लो मैचिंग (SFM) में इन स्टेबिलिटी मैकेनिज्म के विस्तार का प्रदर्शन, जो कंडीशनल श्रोडिंगर ब्रिज को सिम्युलेट करने में सक्षम बनाता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखक सिंथेटिक बेंचमार्क्स और एक वास्तविक दुनिया के मटेरियल साइंस केस स्टडी पर CVFM का मूल्यांकन करते हैं:

2D टॉय प्रॉब्लम्स: "8 Gaussians – Moons" और "Moons – Moons" जैसे कार्यों में, जिसमें कंटीन्यूअस कंडीशनिंग शामिल है, CVFM ने COT-FM, T-COT-FM और CFM जैसे बेसलाइन्स की तुलना में कम Wasserstein-2, एनर्जी डिस्टेंस और मैक्सिमम मीन डिस्क्रिपेंसी (MMD) एरर हासिल किया।
- वैरिएंस रिडक्शन: चित्र 2 प्रदर्शित करता है कि जबकि COT-FM छोटे बैच साइज (स्पार्स डेटा) में "वैरिएंस एक्सप्लोजन" दिखाता है, CVFM इस वैरिएंस को एक ऑर्डर ऑफ मैग्नीट्यूड तक दबा देता है, जिससे स्थिर कन्वर्जेंस संभव होता है।
- एब्लेशन (Ablation): कर्नेल (COT-FM) या आइडेंटिटी कपलिंग सैंपलिंग (CFM) को हटाने से काफी अधिक एरर देखा गया, जो दोनों घटकों की आवश्यकता को प्रमाणित करता है।
मटेरियल साइंस केस स्टडी: इस विधि को स्पिनोडल डिकंपोजिशन (एक स्टोकेस्टिक फेज सेपरेशन प्रक्रिया) के दौरान मटेरियल माइक्रोस्ट्रक्चर के टेम्पोरल इवोल्यूशन को मॉडल करने के लिए लागू किया गया:
- सेटअप: कंटीन्यूअस मैन्युफैक्चरिंग पैरामीटर्स (मोबिलिटी, कंसंट्रेशन) को कंडीशनिंग वेरिएबल्स के रूप में उपयोग करते हुए 10,000 सिमुलेशन ट्रेजेक्टरीज।
- प्रदर्शन: SDE-आधारित वेरिएंट (CVSFM) ने ट्रेजेक्टरी डायनेमिक्स की भविष्यवाणी करने में पारंपरिक बेसलाइन्स (Neural ODEs, LSTHS) और अन्य OT विधियों (T-COT-SFM) को पछाड़ दिया।
- मैकेनिज्म: लेखक CVSFM की सफलता का श्रेय सीखे गए स्कोर फंक्शन को एक "रिस्टोरेटिव फील्ड" (restorative field) के रूप में देते हैं, जो स्टिफ, हाई-ग्रेडिएंट शुरुआती चरण के दौरान न्यूमेरिकल ड्रिफ्ट को ठीक करता है जहाँ डिटर्मिनिस्टिक मॉडल विफल रहे थे।
- डिस्ट्रीबशनल एक्यूरेसी: CVSFM ने विभिन्न कंडीशनल पैरामीटर्स के सबसेट्स के माध्यम से मार्जिनल डिस्ट्रीब्यूशन को सटीक रूप से पुनर्गठित किया, जिससे समय के साथ डिस्ट्रीब्यूशन की चौड़ाई और आकार का विकास कैप्चर हुआ।

महत्व और दावे (Significance and Claims)

लेखक का दावा है कि CVFM उन रिजीम्स में कंडीशनल स्टोकेस्टिक डायनेमिकल प्रोसेस को सीखने के लिए एक मजबूत, सिम्युलेशन-फ्री फ्रेमवर्क प्रदान करता है जहाँ मानक विधियाँ अस्थिरता का सामना करती हैं। इसका प्राथमिक महत्व उन वैज्ञानिक प्रणालियों को मॉडल करने में सक्षम बनाना है जहाँ डेटा संग्रह विनाशकारी या महंगा होता है, जिसके परिणामस्वरूप स्टेट-कंडीशन पेयर्स के स्पार्स, अनपेयर्ड ऑब्जर्वेशन प्राप्त होते हैं।

कंडीशनिंग मैनिफोल्ड पर मिसमैच कर्नेल और एनिसोट्रोपिक ट्रांसपोर्ट के माध्यम से लोकल कंसिस्टेंसी को स्पष्ट रूप से लागू करके, CVFM स्टेट-कंडीशन पेयर्स के स्पार्स अनपेयर्ड मेजरमेंट्स से डायनेमिक्स सीखने की अनुमति देता है। लेखक नोट करते हैं कि हालांकि यह विधि यह मानती है कि कंडीशनिंग वेरिएबल का मार्जिनल डिस्ट्रीब्यूशन समय के साथ स्थिर रहता है (जो मैन्युफैक्चरिंग प्रक्रियाओं में एक सामान्य सेटिंग है), यह सफलतापूर्वक निरंतर, अनपेयर्ड डेटा वाले ऑप्टिमल ट्रांसपोर्ट और व्यावहारिक वैज्ञानिक खोज अनुप्रयोगों के बीच के अंतर को पाटता है।