🤖 machine learning

Neural Integral Operators for Inverse Problems: An Operator-Learning Framework for Small-Sample Spectroscopic Classification

यह शोध पत्र एक न्यूरल इंटीग्रल ऑपरेटर (NIO) फ्रेमवर्क प्रस्तुत करता है जो छोटे-डेटा वाले परिदृश्यों में, जहाँ पारंपरिक डीप लर्निंग मॉडल ओवरफिट होने की प्रवृत्ति रखते हैं, मजबूत और उच्च-प्रदर्शन वाली स्पेक्ट्रोस्कोपिक वर्गीकरण प्राप्त करने के लिए मोंटे कार्लो सैंपलिंग के साथ इंटीग्रल समीकरणों का एक निहित रेगुलराइज़र के रूप में उपयोग करता है।

मूल लेखक: Emanuele Zappala, Alice Giola, Andreas Kramer, Saugat Acharya, Enrico Greco

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emanuele Zappala, Alice Giola, Andreas Kramer, Saugat Acharya, Enrico Greco

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

एक बड़ी तस्वीर: बहुत कम सुरागों के साथ एक रहस्य को सुलझाना

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य (एक इनवर्स प्रॉब्लम) को सुलझाने की कोशिश कर रहे हैं। आमतौर पर, आपके पास सीखने के लिए केस फाइलों का एक विशाल पुस्तकालय (बहुत सारा डेटा) होता है। लेकिन स्पेक्ट्रोस्कोपी (spectroscopy) की इस विशिष्ट दुनिया में (फल, मांस या कपड़े जैसी सामग्रियों की पहचान करने के लिए प्रकाश का विश्लेषण करना), जासूस के पास अक्सर केवल कुछ ही केस फाइलें होती हैं।

जब आपके पास बहुत कम डेटा होता है, तो मानक कंप्यूटर "जासूस" (डीप लर्निंग मॉडल) भ्रमित होने लगते हैं। वे वास्तविक नियमों को सीखने के बजाय उनके पास मौजूद कुछ सुरागों को रट लेते हैं, जिसे ओवरफिटिंग (overfitting) कहा जाता है। यह उस छात्र की तरह है जिसने तीन अभ्यास परीक्षाओं के उत्तर रट लिए हैं लेकिन वास्तविक परीक्षा में असफल हो जाता है क्योंकि उसने अवधारणाओं को नहीं समझा था।

इस शोध पत्र के लेखकों ने एक नए प्रकार के जासूस का आविष्कार किया है जिसे न्यूरल इंटीग्रल ऑपरेटर (Neural Integral Operator - NIO) कहा जाता है। उनका दावा है कि यह नया जासूस पुराने जासूसों की तुलना में इन "छोटे डेटा" वाले रहस्यों को सुलझाने में बहुत बेहतर है।

नया जासूस कैसे काम करता है: "स्मूदी" की उपमा

यह समझने के लिए कि NIO कैसे काम करता है, आइए ब्लेंडर के अंदर मौजूद फल का अनुमान लगाने के लिए स्मूदी बनाने की एक उपमा का उपयोग करें।

इनपुट (फल): आपके पास एक स्पेक्ट्रम (प्रकाश का एक ग्राफ) है, जो एक पूरे फल की तरह है।
एनकोडर (चॉपर/कतरने वाली मशीन): सबसे पहले, एक मशीन फल को एक "लेटेंट फंक्शन" (latent function) में काट देती है। इसे फल को एक मोटे, प्री-मिक्स पल्प (गूदे) में बदलने के रूप में सोचें। यह डेटा को सरल बनाता है लेकिन इसके महत्वपूर्ण टेक्सचर को बनाए रखता है।
कर्नेल (रेसिपी बुक): यह ऑपरेशन का मस्तिष्क है। यह नियमों का एक समूह है जो कहता है, "यदि मैं पल्प के इस हिस्से को उस हिस्से के साथ मिलाता हूँ, तो यह मुझे फल के बारे में क्या बताता है?"
इंटीगल (ब्लेंडिंग/मिश्रण): गणित में, एक "इंटीगल" (integral) सब कुछ मिलाने और अंतिम परिणाम प्राप्त करने जैसा है। NIO केवल एक बिंदु को नहीं देखता; यह निर्णय लेने के लिए पूरे स्पेक्ट्रम से जानकारी को मिलाता है।

गुप्त नुस्खा: "पासा फेंकने" की ट्रिक

यही इस शोध पत्र का सबसे अनूठा हिस्सा है। आमतौर पर, जब एक कंप्यूटर स्मूदी बनाता है, तो वह इसे हर बार पूरी तरह से करता है। लेकिन लेखकों ने महसूस किया कि यदि वे मिश्रण की प्रक्रिया को थोड़ा रैंडम (यादृच्छिक) बना दें, तो जासूस वास्तव में अधिक स्मार्ट हो जाता है।

उपमा: कल्पना कीजिए कि आप एक कमरे में लोगों की औसत ऊंचाई का अनुमान लगाने की कोशिश कर रहे हैं।
- मानक विधि: आप हर किसी को पूरी तरह से मापते हैं और औसत की गणना करते हैं।
- NIO विधि: आप अपनी आँखें बंद करते हैं, यादृच्छिक रूप से कुछ लोगों को चुनते हैं (मोंटे कार्लो सैंपलिंग), उन्हें मापते हैं, और औसत का अनुमान लगाते हैं। आप इसे बार-बार करते हैं।

शोध पत्र का तर्क है कि यह "रैंडमनेस" एक स्टोकेस्टिक रेगुलराइज़र (stochastic regularizer) के रूप में कार्य करती है। सरल शब्दों में: कंप्यूटर को एक पूर्ण ग्रिड के बजाय यादृच्छिक नमूनों (random samples) का उपयोग करके अनुमान लगाने के लिए मजबूर करके, यह कंप्यूटर को उपलब्ध कुछ डेटा बिंदुओं के विशिष्ट विवरणों को रटने से रोकता है। यह कंप्यूटर को सत्य के सामान्य आकार को सीखने के लिए मजबूर करता है, जिससे शोर (noise) से धोखा खाना बहुत कठिन हो जाता है।

यह एक संगीतकार को थोड़े बेसुरा पियानो के साथ बजाने के लिए प्रशिक्षित करने जैसा है। जब वे अंततः एक सटीक पियानो पर बजाते हैं, तो वे अद्भुत लगते हैं क्योंकि उन्होंने खामियों के अनुकूल होना सीख लिया है।

प्रयोग: तीन वास्तविक दुनिया के परीक्षण

लेखकों ने अपने नए जासूस का पुराने तरीकों (जैसे डिसीजन ट्री और सपोर्ट वेक्टर मशीन) और आधुनिक डीप लर्निंग तरीकों (जैसे ट्रांसफॉर्मर और CNN) के खिलाफ तीन वास्तविक दुनिया के डेटासेट पर परीक्षण किया:

फ्रूट प्यूरी (आसान टेस्ट): स्ट्रॉबेरी बनाम गैर-स्ट्रॉबेरी प्यूरी का एक डेटासेट।
- परिणाम: NIO ने सर्वश्रेष्ठ डीप लर्निंग मॉडलों के बराबर प्रदर्शन किया। यहाँ सभी को 'A' ग्रेड मिला क्योंकि डेटा पर्याप्त था।
मीट (ट्रिकी टेस्ट): चिकन, पोर्क और टर्की का एक छोटा डेटासेट, जिसमें भ्रमित करने के लिए कुछ "मिलावटी" (नकली) नमूने भी डाले गए थे।
- परिणाम: NIO ने बहुत अच्छा प्रदर्शन किया, जो एक "टाइनी ट्रांसफॉर्मर" के बाद दूसरे स्थान पर रहा। इसने अधिकांश अन्य मॉडलों की तुलना में नकली नमूनों को बेहतर तरीके से संभाला।
टेक्सटाइल्स (कठिन टेस्ट): विभिन्न कपड़ों का एक बहुत छोटा, अव्यवस्थित डेटासेट जहाँ प्रकाश के पैटर्न लगभग एक जैसे दिखते थे।
- परिणाम: यहीं पर NIO चमक उठा। जबकि अन्य डीप लर्निंग मॉडल विफल हो गए (डेटा की कमी के कारण भ्रमित हो गए), NIO स्थिर और सटीक बना रहा। यह एकमात्र मॉडल था जो लगातार तीनों परीक्षणों में शीर्ष स्तर पर बना रहा।

यह क्यों महत्वपूर्ण है

शोध पत्र निष्कर्ष निकालता है कि जब आपके पास एक विशाल, जटिल AI को प्रशिक्षित करने के लिए पर्याप्त डेटा नहीं होता है, तो आपको समस्या में केवल अधिक डेटा नहीं डालना चाहिए। इसके बजाय, आपको अपने आर्किटेक्चर (मस्तिष्क की संरचना) को बदलना चाहिए ताकि इसमें एक ऐसा गणितीय पूर्वाग्रह (mathematic bias) शामिल हो जो रटने के बजाय "स्मूथिंग" और "इंटीग्रेशन" को प्राथमिकता देता हो।

समस्या को फर्स्ट-काइंड इंटीग्रल इक्वेशन (एक विशिष्ट प्रकार की गणितीय पहेली) के रूप में मानकर और रैंडम सैंपलिंग को प्रशिक्षण उपकरण के रूप में उपयोग करके, NIO एक ऐसा सिस्टम बनाता है जो स्वाभाविक रूप से ओवरफिटिंग के प्रति प्रतिरोधी है।

संक्षेप में: लेखकों ने एक नया प्रकार का AI बनाया है जो विशेष रूप से एक "स्मॉल-डेटा स्पेशलिस्ट" के रूप में डिज़ाइन किया गया है। यह रटने के बजाय बड़े चित्र (big picture) को सीखने के लिए रैंडम सैंपलिंग वाले गणितीय ट्रिक का उपयोग करता है, जिससे यह केवल कुछ उदाहरणों के आधार पर सामग्रियों की पहचान करने जैसे कठिन कार्यों के लिए अविश्वसनीय रूप से मजबूत बन जाता है।

तकनीकी सारांश: न्यूरल इंटीग्रल ऑपरेटर्स फॉर इनवर्स प्रॉब्लम्स (Inverse Problems के लिए न्यूरल इंटीग्रल ऑपरेटर्स)

समस्या विवरण (Problem Statement)

यह शोध पत्र सॉफ्ट कंप्यूटिंग में फंक्शन स्पेस के बीच मैपिंग सीखने की चुनौती को संबोधित करता है, विशेष रूप से तब जब प्रशिक्षण डेटा कम हो और मानक डीप लर्निंग आर्किटेक्चर ओवरफिटिंग (overfitting) की ओर प्रवृत्त होते हैं। लेखक इनवर्स प्रॉब्लम्स (inverse problems) पर ध्यान केंद्रित करते हैं, जहाँ लक्ष्य एक अज्ञात इनपुट फंक्शन (या उसके गुणों) को देखे गए सिग्नल से प्राप्त करना होता है। स्पेक्ट्रोस्कोपिक वर्गीकरण (spectroscopic classification) में, यह एक निरंतर डोमेन पर एक स्पेक्ट्रम (एक फंक्शन) के आधार पर एक क्लास लेबल असाइन करने के रूप में प्रकट होता है।

जबकि न्यूरल ऑपरेटर्स ने हाल ही में अनंत-आयामी फंक्शन स्पेस के बीच मैप्स सीखने के लिए उभरते हुए नए रूप लिए हैं, साहित्य मुख्य रूप से फॉरवर्ड प्रॉब्लम्स (forward problems) जो कि पार्शियल डिफरेंशियल इक्वेशंस (PDEs) द्वारा नियंत्रित होते हैं, या सेकंड-काइंड इंटीग्रल इक्वेशंस (second-kind integral equations) (जिनमें संकुचनकारी संरचनाएं होती हैं) पर केंद्रित रहा है। फर्स्ट-काइंड इंटीग्रल इक्वेशंस (first-kind integral equations) के लिए ऑपरेटर लर्निंग को लागू करने में एक महत्वपूर्ण अंतर मौजूद है, जो कई भू-भौतिकी, रसायन विज्ञान और जलवायु विज्ञान के लिए गणितीय रूप से मानक प्रारूप हैं, लेकिन ये अत्यंत 'इल-पोज़्ड' (ill-posed) होते हैं और बिना मजबूत रेगुलराइजेशन के इन्हें हल करना कठिन होता है।

कार्यप्रणाली: न्यूरल इंटीग्रल ऑपरेटर (NIO)

लेखक एक न्यूरल इंटीग्रल ऑपरेटर (NIO) फ्रेमवर्क प्रस्तावित करते हैं जिसे फर्स्ट-काइंड इंटीग्रल इक्वेशन के समाधान को एंड-टू-एंड तरीके से सीखने के लिए डिज़ाइन किया गया है। इस फ्रेमवर्क की संरचना इस प्रकार है:

1. गणितीय सूत्रीकरण (Mathematical Formulation)

वर्गीकरण कार्य को एक विशिष्ट रीडआउट पॉइंट $\sigma_E$ पर एक सीखे गए इंटीग्रल ऑपरेटर $T$ के मूल्यांकन के रूप में मॉडल किया गया है। संबंध को इस प्रकार परिभाषित किया गया है:
$(Tu)(\sigma) = \int_{a'}^{b'} G(u(\omega), \sigma, \omega) \, d\omega$
जहाँ:

$u(\omega)$ एक अज्ञात लेटेंट फंक्शन है जो एनकोडेड इनपुट स्पेक्ट्रम का प्रतिनिधित्व करता है।
$G$ एक यूरिसन कर्नेल (Urysohn kernel) है, जो एक न्यूरल नेटवर्क द्वारा पैरामीटराइज किया गया एक नॉनलीन फंक्शन है।
आउटपुट क्लास लॉजिट्स $z = (Tu)(\sigma_E)$ है, जो एक सीखे गए कोऑर्डिनेट $\sigma_E$ पर इंटीग्रल के मूल्यांकन से प्राप्त होता है।

2. आर्किटेक्चर (Architecture)

फ्रेमवर्क में दो संयुक्त रूप से प्रशिक्षित न्यूरल घटक शामिल हैं:

कन्वोल्यूशनल एनकोडर ( $E_{\phi_E}$ ): एक 1D कन्वोल्यूशनल नेटवर्क जो इनपुट स्पेक्ट्रम $s(\omega)$ को एक कम किए गए स्पेक्ट्रल डोमेन और एक स्केलर रीडआउट कोऑर्डिनेट $\sigma_E$ पर एक डिस्क्रीटाइज्ड लेटेंट फंक्शन $u_{\phi_E}$ में मैप करता है। यह इंटीग्रेशन डोमेन की डाइमेंशनलिटी को कम करता है।
कर्नेल नेटवर्क ( $G_{\theta_G}$ ): एक फीड-फॉरवर्ड मल्टी-लेयर पर्सेप्ट्रॉन (MLP) जो यूरिसन कर्नेल को पैरामीटराइज करता है। यह लेटेंट फंक्शन वैल्यू $u(\omega)$ , मूल्यांकन बिंदु $\sigma$ , और इंटीग्रेशन वेरिएबल $\omega$ को इनपुट के रूप में लेता है। महत्वपूर्ण रूप से, $\omega$ को एक स्पष्ट इनपुट के रूप में प्रदान किया जाता है ताकि नेटवर्क नॉन-ट्रांसलेशन-इनवेरिएंट इंटरैक्शन को कैप्चर कर सके।

3. संख्यात्मक एकीकरण और रेगुलराइजेशन (Numerical Integration and Regularization)

चूंकि इंटीग्रल को क्लोज्ड फॉर्म में हल नहीं किया जा सकता है, इसलिए लेखक इसे मोंटे कार्लो (MC) सैंपलिंग का उपयोग करके अनुमानित करते हैं:
$(T_{\theta_G} u_{\phi_E})(\sigma) \approx \frac{b' - a'}{M} \sum_{m=1}^{M} G_{\theta_G}(u_{\phi_E}(\omega^{(m)}), \sigma, \omega^{(m)})$
जहाँ $\omega^{(m)}$ डोमेन से समान रूप से सैंपल किए गए बिंदु हैं।

प्रमुख कार्यप्रणाली संबंधी अंतर्दृष्टि: शोध पत्र तर्क देता है कि यह स्टोकेस्टिक संख्यात्मक एकीकरण एक इम्प्लिसिट स्टोकेस्टिक रेगुलराइज़र (implicit stochastic regularizer) के रूप में कार्य करता है। पैरामीटर-लेवल रेगुलराइजेशन (जैसे वेट डिके) या इनपुट-लेवल नॉइज़ (जैसे ड्रॉपआउट) के विपरीत, MC इंटीग्रेशन इन्टेग्रैंड (integrand) के स्तर पर शोर इंजेक्ट करता है। यह स्टोकेस्टिसिटी लॉस सरफेस को विक्षेपित करती है, जिससे ऑप्टिमाइजेशन फ्लैट मिनिमा की ओर झुकता है और जनरलाइजेशन में सुधार होता है, विशेष रूप से छोटे डेटा वाले परिदृश्यों में। लेखक इस रेगुलराइजेशन प्रभाव को बनाए रखने के लिए प्रशिक्षण के दौरान कम सैंपल काउंट ( $M_{train} = 2000$ ) का उपयोग करते हैं और वेरिएंस को कम करने के लिए मूल्यांकन के दौरान उच्च काउंट ( $M_{test} = 5000$ ) का उपयोग करते हैं।

4. प्रशिक्षण (Training)

मॉडल को प्रेडिक्टेड क्लास लॉजिट्स पर क्रॉस-एन्ट्रॉपी लॉस का उपयोग करके एंड-टू-एंड प्रशिक्षित किया जाता है। एनकोडर पैरामीटर्स ( $\phi_E$ ) और कर्नेल पैरामीटर्स ( $\theta_G$ ) को एडम (Adam) स्टोकेस्टिक ग्रेडिएंट डिसेंट के माध्यम से संयुक्त रूप से अपडेट किया जाता है।

प्रमुख योगदान (Key Contributions)

शोध पत्र तीन प्राथमिक योगदानों को रेखांकित करता है:

C1: फर्स्ट-काइंड इक्वेशंस के लिए एंड-टू-एंड आर्किटेक्चर: एक सीखने योग्य यूरिसन कर्नेल और एक कन्वोल्यूशनल एनकोडर द्वारा अननोन इंटीग्रल ऑपरेटर को संयुक्त रूप से पैरामीटराइज करने वाले एक ट्रेन करने योग्य आर्किटेक्चर का परिचय। पिछले न्यूरल ऑपरेटर कार्यों के विपरीत जो सेकंड-काइंड इक्वेशंस या फॉरवर्ड प्रॉब्लम्स पर केंद्रित थे, यह स्पष्ट रूप से इनवर्स क्लासिफिकेशन के लिए फर्स्ट-काइंड इंटीग्रल इक्वेशंस को लक्षित करता है।
C2: MC इंटीग्रेशन के माध्यम से स्टोकेस्टिक रेगुलराइजेशन: एक प्रस्ताव और अनुभवजन्य सत्यापन कि मोंटे कार्लो संख्यात्मक एकीकरण एक इम्प्लिसिट रेगुलराइज़र के रूप में कार्य करता है। यह तंत्र मानक रेगुलराइज़र्स का पूरक है और दिखाया गया है कि यह NIO को ओवरफिटिंग के प्रति अधिक मजबूत बनाता है, विशेष रूप से छोटे-डेटा वाले परिदृश्यों में।
C3: व्यापक अनुभवजन्य बेंचमार्किंग: 10 मोंटे कार्लो क्रॉस-वैलिडेशन स्प्लिट्स के माध्यम से तीन वास्तविक दुनिया के स्पेक्ट्रोस्कोपिक डेटासेट्स (FT-IR फ्रूट प्योर, NIR मीट, NIR टेक्सटाइल) पर क्लासिकल मशीन लर्निंग (डिसीजन ट्री, SVM) और आधुनिक डीप लर्निंग बेसलाइन्स (FFNN, CNN, ट्रांसफॉर्मर) के विरुद्ध एक व्यापक मूल्यांकन।

प्रयोगात्मक परिणाम (Experimental Results)

NIO का परीक्षण विभिन्न आकार और जटिलता के तीन डेटासेट्स पर किया गया:

फ्रूट प्योर (FT-IR): लगभग 1,000 नमूनों के साथ एक बाइनरी क्लासिफिकेशन कार्य।
मीट (NIR): 120 नमूनों वाला एक 3-क्लास कार्य, जिसमें जानबूझकर डाले गए आउटलायर्स (मिलावट) शामिल हैं।
टेक्सटाइल (NIR): 223 नमूनों वाला एक 3-क्लास कार्य, जो हाई क्लास इम्बैलेंस और महत्वपूर्ण स्पेक्ट्रल ओवरलैप द्वारा चिह्नित है।

प्रदर्शन की मुख्य बातें:

निरंतरता (Consistency): NIO तीनों डेटासेट्स और चारों मेट्रिक्स (एक्यूरेसी, प्रिसिजन, रिकॉल, F1) में टॉप टू (top two) में रैंक करने वाला एकमात्र मॉडल था।
छोटा-डेटा परिदृश्य (Small-Data Regime): सबसे चुनौतीपूर्ण डेटासेट (टेक्सटाइल) पर, जहाँ डीप लर्निंग बेसलाइन्स (CNN+FFNN, Tiny Transformer) उच्च वेरिएंस और खराब प्रदर्शन (उदाहरण के लिए, CNN+FFNN की एक्यूरेसी हाई स्टैंडर्ड डेविएशन के साथ ~0.82 तक गिर गई) से ग्रस्त थे, NIO ने काफी कम परफॉरमेंस वेरिएंस के साथ सर्वश्रेष्ठ परिणाम (0.922 एक्यूरेसी, 0.911 F1) प्राप्त किए।
बेसलाइन्स के साथ तुलना:
- फ्रूट डेटासेट पर, NIO बेस्ट एक्यूरेसी के लिए CNN+FFNN के साथ बराबरी पर था, जो बड़े डेटा परिदृश्यों में प्रतिस्पर्धात्मकता को दर्शाता है।
- मीट डेटासेट पर, NIO बेस्ट मॉडल (Tiny Transformer) के तुलनीय प्रदर्शन करता है, हालांकि ट्रांसफॉर्मर थोड़ा बेहतर रहा, जो संभवतः "चिकन" क्लास की स्पष्ट सेपरेबिलिटी के कारण है।
- टेक्सटाइल डेटासेट पर, NIO सभी अन्य मॉडलों सहित, यहाँ तक कि सबसे मजबूत क्लासिकल बेसलाइन (SVM+UMAF) से भी काफी बेहतर प्रदर्शन करता है, जो इसकी उच्च-ओवरलैप, छोटे-सैंपल समस्याओं को संभालने की क्षमता को उजागर करता है जहाँ अन्य विधियाँ विफल रहीं।

महत्व और दावे (Significance and Claims)

लेखक दावा करते हैं कि NIO फ्रेमवर्क इनवर्स प्रॉब्लम्स के लिए एक व्यवहार्य सॉफ्ट-कंप्यूटिंग रणनीति का प्रतिनिधित्व करता है, उन परिदृश्यों में जहाँ डेटा की कमी पारंपरिक डीप लर्निंग को सीमित करती है।

इंडक्टिव बायस (Inductive Bias): यह फ्रेमवर्क केवल डेटा ऑग्मेंटेशन या ट्रांसफर लर्निंग पर निर्भर रहने के बजाय, लर्निंग टास्क को फर्स्ट-काइंड इंटीग्रल इक्वेशन की संरचना से जोड़कर एक मजबूत इंडक्टिव बायस पेश करता है।
रेगुलराइजेशन मैकेनिज्म: शोध पत्र एक नवीन संबंध का प्रस्ताव करता है कि मोंटे कार्लो सैंपलिंग में निहित स्टोकेस्टिसिटी, ऑपरेटर लर्निंग में ओवरफिटिंग को रोकने का एक सिद्धांत आधारित तरीका है।
डोमेन एग्नोस्टिक (Domain Agnosticism): हालांकि स्पेक्ट्रोस्कोपी पर मान्य किया गया है, लेखक इस बात पर जोर देते हैं कि यह फ्रेमवर्क डोमेन-एग्नोस्टिक है और किसी भी समस्या पर लागू किया जा सकता है जिसे फर्स्ट-काइंड इंटीग्रल इक्वेशन के रूप में प्रस्तुत किया जा सकता है।

शोध पत्र निष्कर्ष निकालता है कि जबकि अन्य मॉडल विशिष्ट, आसान डेटासेट्स पर तुलनीय प्रदर्शन कर सकते हैं, NIO एकमात्र ऐसा आर्किटेक्चर है जो लगातार विषम, छोटे-सैंपल और उच्च-जटिलता वाले परिदृश्यों में शीर्ष-स्तरीय प्रदर्शन प्रदान करता है, जो इसे स्पेक्ट्रोस्कोपी और उससे परे के इनवर्स प्रॉब्लम्स के लिए एक मजबूत विकल्प बनाता है।