📊 statistics

Recent advances in the Bradley--Terry Model: theory, algorithms, and applications

यह शोध पत्र ब्रैडली-टेरी मॉडल और इसके विस्तारों में हालिया सैद्धांतिक और गणनात्मक प्रगति का सर्वेक्षण करता है, जो बड़े पैमाने के परिवेश में साहचर्य गुणों (asymptotic properties), संबद्ध एल्गोरिदम और मशीन लर्निंग में प्राथमिकता संरेखण (preference alignment) जैसे अनुप्रयोगों पर केंद्रित है, साथ ही भविष्य की अनुसंधान चुनौतियों को भी रेखांकित करता है।

मूल लेखक: Shuxing Fang, Ruijian Han, Yuanhang Luo, Yiming Xu

प्रकाशित 2026-01-23

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shuxing Fang, Ruijian Han, Yuanhang Luo, Yiming Xu

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 यह पता लगाने की कोशिश कर रहे हैं कि एक विशाल, अराजक टूर्नामेंट में सबसे अच्छा खिलाड़ी कौन है। शायद वे टेनिस खिलाड़ी हों, शायद एआई चैटबॉट्स हों, या शायद आपके दोस्त इस बात पर बहस कर रहे हों कि कौन सी फिल्म सबसे अच्छी है। आप हर एक व्यक्ति को हर दूसरे व्यक्ति के साथ खेलते हुए नहीं देख सकते; इसमें बहुत समय लगेगा। इसके बजाय, आपके पास केवल इस बात की सूची होती है कि किसने किसे हराया।

यह शोध पत्र ब्रैडली-टेरी (BT) मॉडल नामक एक गणितीय उपकरण के लिए एक "मानचित्र और मार्गदर्शिका" है। यह उपकरण उन अव्यवस्थित सूचियों (जैसे "A ने B को हराया" और "C ने D को हराया") को लेने और प्रत्येक के लिए एक गुप्त "शक्ति स्कोर" (strength score) की गणना करने के लिए डिज़ाइन किया गया है, जिससे आप उन्हें सबसे अच्छे से सबसे खराब के क्रम में रख सकें।

यहाँ इस शोध पत्र का विवरण दिया गया है, जिसमें सरल उपमाओं का उपयोग किया गया है:

1. मूल विचार: "शक्ति स्कोर" (The Core Idea: The "Strength Score")

हर वस्तु (एक खिलाड़ी, एक फिल्म, एक चैटबॉट) को एक गुप्त "शक्ति" संख्या के रूप में सोचें। BT मॉडल कहता है: खिलाड़ी A के खिलाड़ी B को हराने की संभावना पूरी तरह से इस बात पर निर्भर करती है कि A, B से कितना अधिक शक्तिशाली है।

उपमा: कल्पना कीजिए कि एक रस्साकशी (tug-of-war) का खेल हो रहा है। यदि खिलाड़ी A की शक्ति 10 है और खिलाड़ी B की शक्ति 5 है, तो A के जीतने की संभावना दोगुनी है। गणित बस इन छिपी हुई शक्तियों को जीतने की प्रायिकता (probability) में बदल देता है।

2. बड़ी चुनौती: "अनंत भीड़" (The Big Challenge: The "Infinite Crowd")

अतीत में, यह गणित छोटे समूहों (जैसे एक हाई स्कूल बास्केटबॉल लीग) के लिए अच्छा काम करता था। लेकिन आज, हमारे पास विशाल डेटासेट हैं:

पैमाना (The Scale): हम 100,000 वस्तुओं की तुलना कर सकते हैं।
विरलता (The Sparsity): हमारे पास पूर्ण राउंड-रोबिन टूर्नामेंट नहीं है जहाँ हर कोई हर किसी के साथ खेलता है। यह कुछ बिखरे हुए मैचों के समान है। यह 10,000 धावकों को रैंक करने जैसा है जब आपके पास केवल यादृच्छिक जोड़ों के बीच कुछ यादृच्छिक स्प्रिंट के परिणाम हैं।

यह शोध पत्र इस बात की समीक्षा करता है कि गणितज्ञों और कंप्यूटर वैज्ञानिकों ने इन विशाल, विरल भीड़ (massive, sparse crowds) को संभालने के लिए नियमों को कैसे अपडेट किया है। वे पूछ रहे हैं: क्या हम अभी भी सही रैंकिंग पा सकते हैं यदि हमारे पास पर्याप्त डेटा नहीं है कि हर कोई हर किसी के साथ खेले?

3. शोध पत्र के तीन स्तंभ (The Three Pillars of the Paper)

A. सिद्धांत (The Theory - "खेल के नियम")

लेखक उन नए गणितीय नियमों को समझाते हैं जो गारंटी देते हैं कि डेटा की कमी होने पर भी रैंकिंग सटीक है।

कनेक्टिविटी (Connectivity): सभी को रैंक करने के लिए, "गेम ग्राफ" (किसने किससे खेला) का जुड़ा होना आवश्यक है। यदि आपके पास खिलाड़ियों के दो अलग समूह हैं जिन्होंने कभी एक-दूसरे के साथ नहीं खेला, तो आप समूह A की तुलना समूह B से नहीं कर सकते। शोध पत्र सिद्ध करता है कि जब तक नेटवर्क "पर्याप्त रूप से जुड़ा" (connected enough) है (भले ही वह विरल हो), गणित काम करता है।
एकरूपता (Uniformity): वे दिखाते हैं कि गणित न केवल औसत रूप से काम करता है; यह सूची के प्रत्येक खिलाड़ी के लिए काम करता है, यहाँ तक कि उनके लिए भी जिन्होंने बहुत कम खेल खेले हैं।

B. एल्गोरिदम (The Algorithms - "तेज़ इंजन")

100,000 वस्तुओं के लिए इन स्कोरों की गणना करना कठिन है। यह शोध पत्र विभिन्न "इंजनों" (एल्गोरिदम) की समीक्षा करता है जो इस गणित को तेज़ी से हल करते हैं:

पुनरावृत्ति अपडेट (Iterative Updates): "हॉट पोटैटो" (गर्म आलू) के खेल की कल्पना करें। आप सभी के स्कोर के अनुमान के साथ शुरू करते हैं। फिर, आप परिणामों को देखते हैं, स्कोर को थोड़ा समायोजित करते हैं, और दोहराते हैं। यह शोध पत्र इस "समायोजन" के विभिन्न तरीकों की तुलना करता है कि कौन सा सबसे तेज़ और सबसे स्थिर है।
स्पेक्ट्रल मेथड्स (Spectral Methods): यह टूर्नामेंट के "प्रवाह" को देखने जैसा है। केवल जीत और हार को देखने के बजाय, आप पूरे नेटवर्क को एक एकल बहती हुई नदी के रूप में देखते हैं। यदि नदी मुख्य रूप से A से B की ओर बहती है, तो A अधिक शक्तिशाली है। यह पारंपरिक "हॉट पोटोटो" विधि की तुलना में अक्सर तेज़ होता है।
बायेसियन दृष्टिकोण (Bayesian Approach): यह एक "सुरक्षा जाल" जोड़ने जैसा है। यदि डेटा बहुत अव्यवस्थित है कि निश्चित उत्तर दे सके, तो यह विधि "पूर्व धारणाओं" (जैसे यह धारणा कि एक खिलाड़ी अच्छा है) का उपयोग करती है ताकि परिणामों को सुचारू बनाया जा सके ताकि गणित विफल न हो।

C. विस्तार (The Extensions - "विशेष नियम")

वास्तविक जीवन हमेशा एक साधारण "A बनाम B" मैच नहीं होता है। शोध पत्र देखता है कि यह मॉडल कैसे संभालता है:

टाई (Ties): क्या वे ड्रॉ (बराबर) हो जाते हैं?
समूह (Groups): क्या 5 लोग एक साथ दौड़ रहे हैं (केवल 2 के बजाय)?
संदर्भ (Context): क्या एक टेनिस खिलाड़ी मिट्टी के कोर्ट (clay courts) पर घास के कोर्ट की तुलना में अधिक मजबूत है? शोध पत्र "कोवेरिएट-असिस्टेड" (covariate-assisted) मॉडल के बारे में चर्चा करता है, जो गणित को यह कहने की अनुमति देता है, "खिलाड़ी A मजबूत है, लेकिन खिलाड़ी B और भी अधिक मजबूत है जब बारिश हो रही हो।"
मिश्रण (Mixtures): कभी-कभी एक समूह एकसमान नहीं होता। शायद आधे खिलाड़ी "आक्रामक" हैं और आधे "रक्षात्मक" हैं। शोध पत्र इन छिपे हुए उप-समूहों में भीड़ को विभाजित करने वाले मॉडलों को देखता है।

4. इसका उपयोग कहाँ होता है? (Where is this used? - "वास्तविक दुनिया")

शोध पत्र तीन मुख्य स्थानों पर उजागर करता है जहाँ इस गणित का वर्तमान में उपयोग किया जा रहा है:

खेल (Sports): टेनिस खिलाड़ियों, शतरंज के ग्रैंडमास्टर या घुड़दौड़ के खिलाड़ियों को रैंक करना। कुछ खेलों में सघन डेटा होता है (सीजन में हर कोई एक-दूसरे के साथ खेलता है), जबकि अन्य में (जैसे ई-स्पोर्ट्स या घुड़दौड़) विरल डेटा होता है।
सामाजिक विज्ञान (Social Science): मानव प्राथमिकताओं को समझना। उदाहरण के लिए, भावनाओं के आधार पर GIF को रैंक करना या यह देखना कि बंदर कैसे परस्पर क्रिया करते हैं।
मशीन लर्निंग (Machine Learning - "नया मोर्चा"): यह सबसे चर्चित क्षेत्र है। बड़े भाषा मॉडल (LLMs) को प्रशिक्षित करते समय, इंजीनियर मानव प्राथमिकताओं के साथ एआई को संरेखित करने के लिए BT मॉडल का उपयोग करते हैं। वे मनुष्यों से पूछते हैं: "इन दो एआई उत्तरों में से कौन सा बेहतर है?" मॉडल फिर BT गणित का उपयोग करके एक "रिवॉर्ड फंक्शन" सीखने के लिए करता है जो एआई को उस तरह से व्यवहार करने में मदद करता है जैसा मनुष्य चाहते हैं।

5. अभी क्या कमी है? (What's Still Missing? - "खुले प्रश्न")

शोध पत्र निष्कर्ष निकालता है कि हालांकि हमने बड़ी प्रगति की है, लेकिन हमारे पास अभी भी सभी उत्तर नहीं हैं:

"परफेक्ट" सिद्धांत: हमारे पास अभी भी एक एकल, एकीकृत गणितीय सिद्धांत नहीं है जो वास्तविक दुनिया में पाए जाने वाले प्रत्येक अजीब, अव्यवस्थित नेटवर्क संरचना के लिए पूरी तरह से काम करता हो।
अनुमान (Inference): हम रैंकिंग खोजने में अच्छे हैं, लेकिन यह कहना कठिन है कि हम उस रैंकिंग में कितने आश्वस्त हैं या यह परीक्षण करना कि क्या कोई विशिष्ट कारक (जैसे "होम-फील्ड एडवांटेज") वास्तव में मायने रखता है।
गति (Speed): जटिल मिश्रणों (छिपे हुए समूहों में खिलाड़ियों को विभाजित करना) के लिए, हमें अभी भी तेज़, अधिक विश्वसनीय कंप्यूटर एल्गोरिदम की आवश्यकता है।

सारांश

इस शोध पत्र को रैंकिंग सिस्टम के अत्याधुनिक मैनुअल के रूप में समझें। यह हमें बताता है कि जबकि पुराना गणित छोटे समूहों के लिए काम करता है, हमने आधुनिक दुनिया के विशाल, अव्यवस्थित और विरल डेटा को संभालने के लिए उपकरणों को सफलतापूर्वक अपग्रेड किया है। यह शुद्ध गणित (यह सिद्ध करना कि रैंकिंग सही है) और कंप्यूटर विज्ञान (गणनाओं को उपयोगी बनाने के लिए उन्हें तेज़ बनाना) के बीच के अंतर को पाटता है, और विशेष रूप से इस बात पर प्रकाश डालता है कि यह एआई को प्रशिक्षित करने के तरीके में कैसे क्रांति ला रहा है।

तकनीकी सारांश: ब्रैडली-टेरी (Bradley–Terry) मॉडल में हालिया प्रगति

समस्या विवरण

ब्रैडली-टेरी (BT) मॉडल युग्वात्मक तुलना डेटा (pairwise comparison data) के विश्लेषण के लिए एक मौलिक लेटेंट-स्कोर फ्रेमवर्क है, जिसे मूल रूप से ज़र्मेलो (1 1929) द्वारा पेश किया गया था और ब्रैडली एवं टेरी (1952) द्वारा औपचारिक रूप दिया गया था। हालांकि ऐतिहासिक रूप से इसका उपयोग साइकोमेट्रिक्स और स्पोर्ट्स एनालिटिक्स में किया जाता रहा है, आधुनिक मशीन लर्निंग (जैसे, बड़े भाषा मॉडल के लिए मानव फीडबैक से सुदृढीकरण शिक्षण/RLHF) और बड़े पैमाने पर सोशल चॉइस में अनुप्रयोगों ने ऐसे डेटासेट का विश्लेषण करना आवश्यक कर दिया है जिनमें उच्च आयामीता (dimensionality) और विरलता (sparsity) अधिक है।

यह सर्वेक्षण जिस केंद्रीय समस्या को संबोधित करता है, वह BT मॉडल और इसके विस्तार का सांख्यिकीय और कम्प्यूटेशनल व्यवहार है, जहाँ वस्तुओं की संख्या ( $n$ ) और तुलनाओं का आयतन दोनों ही अनंत की ओर बढ़ते हैं। पारंपरिक स्पर्शोन्मुखी सिद्धांत (asymptotic theory), जो निश्चित संख्या में पैरामीटर्स को मानता है, सीधे तौर पर लागू नहीं होता जब $n \to \infty$ होता है। वास्तविक दुनिया के तुलनात्मक ग्राफ अक्सर विरल (sparse), विषम (heterogeneous) होते हैं, और उनमें शास्त्रीय अधिकतम संभावना अनुमान (MLE) के अस्तित्व के लिए आवश्यक मजबूत कनेक्टिविटी की कमी हो सकती है। इस शोध पत्र का लक्ष्य अनुमान स्थिरता (estimation consistency), स्पर्शोन्मुखी सामान्यता (asymptotic normality), और बड़े पैमाने की ऐसी विरल स्थितियों के तहत एल्गोरिदम दक्षता के संबंध में हालिया सैद्धांतिक प्रगति को संश्लेषित करना है, जबकि इसमें प्लैकट-लूस (Plackett–Luce - PL) मॉडल, मिश्रण मॉडल (mixture models), और सहचर-सहायता प्राप्त (covariate-assisted) वेरिएंट्स जैसे विस्तार भी शामिल हैं।

कार्यप्रणाली और ढांचा

1. मॉडल परिभाषाएं और विस्तार

यह शोध पत्र BT मॉडल को उपयोगिता पैरामीट्रिकरण $u_i = \log \gamma_i$ का उपयोग करके औपचारिक रूप देता है, जहाँ वस्तु $i$ के वस्तु $j$ को हराने की प्रायिकता $\sigma(u_i - u_j)$ है। यह BT मॉडल को सामान्य युग्वात्मक तुलनाओं (Han et al., 2023) के एक एकीकृत ढांचे के भीतर स्थापित करता है, जहाँ परिणाम एक वितरण $f(Y_{ij}; u_i - u_j)$ का पालन करते हैं जो समरूपता (symmetry) और एकदिष्टता (monotonicity) को संतुष्ट करता है। चर्चा किए गए प्रमुख विस्तारों में शामिल हैं:

प्लैकट-लूस (PL) मॉडल: लूस के चॉइस एक्सिओम (Luce's choice axiom) के आधार पर कुल क्रमों (total orders) के लिए BT का विस्तार करता है।
मिश्रण मॉडल (Mixture Models): यह मानता है कि तुलना की प्रायिकताएँ $H$ लेटेंट BT मॉडलों के एक उत्तल संयोजन (convex combination) से उत्पन्न होती हैं, जो जनसंख्या विषमता को संबोधित करती हैं।
सहचर-सहायता प्राप्त मॉडल (PlusDC): उपयोगिता फलन में गतिशील सहचरों (जैसे, होम-फील्ड एडवांटेज, RLHF में प्रॉम्प्ट संदर्भ) को एकीकृत करता है, जिससे संदर्भ-निर्भर प्राथमिकताओं की अनुमति मिलती है।

2. डेटा संरचना

डेटा को एक हाइपरग्राफ $\mathcal{H}_n(\mathcal{E})$ के रूप में मॉडल किया गया है जहाँ किनारे (edges) तुलना उपसमुच्चयों का प्रतिनिधित्व करते हैं। शोध पत्र अंतर करता है:

समरूप सेटिंग्स (Homogeneous settings): अर्दोस-रेनी (Erdős–Rényi - ER) मॉडल से लिए गए ग्राफ।
विषम सेटिंग्स (Heterogeneous settings): क्लस्टरिंग, असंतुलित डिग्री, या स्टोकेस्टिक ब्लॉक स्ट्रक्चर (SBM) वाले ग्राफ, जो वास्तविक दुनिया के नेटवर्क को बेहतर ढंग से दर्शाते हैं।
सहचर (Covariates): स्थिर (वस्तु के अंतर्निहित गुण) और गतिशील (संदर्भ-विशिष्ट) सहचरों के बीच अंतर करता है, यह नोट करते हुए कि पहचान (identifiability) के लिए गतिशील सहचरों की महत्वपूर्ण भूमिका है।

3. सांख्यिकीय सिद्धांत

यह सर्वेक्षण स्पर्शोन्मुखी सिद्धांत के तीन स्तंभों की समीक्षा करता है:

पहचान क्षमता (Identifiability): मॉडल एक योगात्मक स्थिरांक (additive constant) तक पहचानने योग्य है। सहचर-सहायता प्राप्त मॉडलों के लिए, पहचान के लिए आवश्यक है कि सहचर "जेनेरिक स्थितियों" में हों या पर्याप्त रूप से यादृच्छिक हों; केवल स्थिर सहचर अतिरिक्त बाधाओं के बिना आंतरिक गुणों को पहचानने में विफल हो सकते हैं।
संगति (Consistency): शोध पत्र एकसमान संगति ( $\ell_\infty$ $ℓ_{\infty}$ नॉर्म) पर ध्यान केंद्रित करता है, जो $\ell_2$ $ℓ_{2}$ अभिसरण से अधिक मजबूत है और विश्वसनीय रैंकिंग के लिए आवश्यक है। प्रमुख सैद्धांतिक उपकरण शामिल हैं:
- लीव-वन-आउट (कैविटी) विधियाँ: ER ग्राफों के लिए इष्टतम विरलता सीमा $p_n \gtrsim (\log n)/n$ तक अभिसरण दर को तेज करने के लिए उपयोग की जाती हैं।
- ग्राफ-आधारित चेनिंग (Chaining): विषम और क्लस्टर्ड ग्राफों को संभालने के लिए अनुमान त्रुटि को ग्राफ टोपोलॉजी (Cheeger constants) से जोड़ता है।
- प्रीकंडीशन्ड ग्रेडिएंट डिसेंट (PGD): स्पेक्ट्रल ग्राफ थ्योरी का उपयोग करके एंट्री-वाइज एरर कंट्रोल के लिए विश्लेषण किया गया है।
स्पर्शोन्मुखी सामान्यता (Asymptotic Normality): हालिया उपलब्धियां (जैसे, Gao et al., 2023; Han and Xu, 2025) इष्टतम विरलता के तहत MLE और स्पेक्ट्रल अनुमानों के लिए सामान्यता स्थापित करती हैं। तकनीकों में निर्भरताओं को अलग करने के लिए "लीव-टू-वन-आउट" विधियाँ और विषम ग्राफों के लिए ट्रंकेटेड एरर विश्लेषण शामिल हैं। ये परिणाम कॉन्फिडेंस इंटरवल और परिकल्पना परीक्षणों के निर्माण को सक्षम करते हैं।

4. एल्गोरिदम

यह शोध पत्र पैरामीटर अनुमान के लिए कम्प्यूटेशनल विधियों का सर्वेक्षण करता है:

MLE के लिए पुनरावृत्ति विधियाँ (Iterative Methods):
- ज़र्मेलो का एल्गोरिदम (फिक्स्ड-पॉइंट इटरेशन): प्रथम-क्रम अनुकूलन स्थितियों पर आधारित एक क्लासिक विधि, हालांकि यह अक्सर धीमी होती है।
- न्यूमैन का एल्गोरिदम: एक वैकल्पिक FPI जिसे कई परिदृश्यों में तेजी से अभिसरण करते देखा गया है।
- स्पेक्ट्रल विधियाँ: रैंकसेंट्रलिटी (RankCentrality - RC) और लूस स्पेक्ट्रल रैंकिंग (Luce Spectral Ranking - LSR) जैसे एल्गोरिदम मार्कोव श्रृंखलाओं के स्थिर वितरण के रूप में अनुमान समीकरणों की व्याख्या करते हैं। त्वरित संस्करण (ASR) और पुनरावृत्ति संस्करण (I-LSR) पर चर्चा की गई है।
बायेसियन दृष्टिकोण: पूर्व धारणाओं (priors) को शामिल करके MLE के अस्तित्व न होने की समस्या को संबोधित करते हैं। विधियों में पोस्टीरियर सन्निकटन के लिए एक्सपेक्टेशन प्रोपेगेशन (EP) और सटीक पोस्टीरियर सैंपलिंग के लिए डेटा ऑग्मेंटेशन के माध्यम से गिब्स सैंपलिंग शामिल है।
मिश्रण मॉडल (Mixture Models): मुख्य रूप से एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) फ्रेमवर्क का उपयोग करते हैं। M-स्टेप अक्सर गैर-उत्तल (non-convexity) उद्देश्य को संभालने के लिए भारित फिक्स्ड-पॉइंट इटरेशन या स्पेक्ट्रल इनिशियलाइजेशन (EM-LSR) का उपयोग करता है।

प्रमुख योगदान और परिणाम

बड़े पैमाने के सिद्धांत का व्यवस्थित संश्लेषण: यह शोध पत्र विशेष रूप से $n \to \infty$ शासन के लिए स्पर्शोन्मुखी सिद्धांत की व्यापक समीक्षा प्रदान करता है। यह उन परिणामों को समेकित करता है जो दिखाते हैं कि यदि विशिष्ट कनेक्टिविटी और संतुलन शर्तें पूरी होती हैं, तो विरल शासन ( $p_n \sim (\log n)/n$ ) और विषम ग्राफ संरचनाओं में भी एकसमान संगति और स्पर्शोन्मुखी सामान्यता प्राप्त की जा सकती है।
पहचान क्षमता की शर्तों में प्रगति: यह स्पष्ट करता है कि सहचर-सहायता प्राप्त मॉडल किन परिस्थितियों में पहचानने योग्य होते हैं, और आंतरिक योग्यता को संदर्भ प्रभावों से अलग करने के लिए गतिशील सहचरों की आवश्यकता पर जोर देता है।
एल्गोरिदम संबंध: सर्वेक्षण स्पेक्ट्रल विधियों, मार्कोव श्रृंखलाओं और MLE के बीच संबंधों को स्पष्ट करता है, यह दर्शाता है कि कैसे स्पेक्ट्रल एल्गोरिदम कुशल प्रॉक्सी या इनिशियलाइज़र के रूप में कार्य कर सकते हैं।
आधुनिक ML के लिए अनुप्रयोग: यह शोध पत्र RLHF में रिवॉर्ड मॉडलिंग को शून्य आंतरिक योग्यता ( $u \equiv 0$ ) वाले सहचर-सहायता प्राप्त BT मॉडल के रूप में फ्रेम करते हुए, इन सैद्धांतिक ढांचों को LLM अलाइनमेंट से स्पष्ट रूप से जोड़ता है।

महत्व और भविष्य की दिशाएं

यह शोध पत्र आधुनिक, बड़े पैमाने के डेटा के लिए सांख्यिकीय और कम्प्यूटेशनल चुनौतियों पर ध्यान केंद्रित करके मौलिक सर्वेक्षणों (जैसे, डेविड, 1988; एग्रेशी, 1990) के पूरक के रूप में खुद को स्थापित करता है। इसका महत्व शास्त्रीय सांख्यिकीय सिद्धांत और समकालीन मशीन लर्निंग अनुप्रयोगों की मांगों के बीच के अंतर को पाटने में निहित है।

लेखक कई खुले प्रश्नों की पहचान करते हैं:

एकीकृत स्पर्शोन्मुखी सिद्धांत: एक व्यवस्थित सिद्धांत जो सामान्य, विषम तुलनात्मक ग्राफों (ER या SBM जैसे विशिष्ट मामलों से परे) के लिए एकसमान संगति लागू करता है, एक खुला प्रश्न बना हुआ है।
सहचरों के लिए निष्कर्ष (Inference): PlusDC जैसे मॉडलों में सहचर प्रभावों के लिए सांख्यिकीय निष्कर्ष विधियाँ (परिकल्पना परीक्षण, कॉन्फिडेंस इंटरवल) काफी हद तक विकसित नहीं हुई हैं।
मिश्रण मॉडल दक्षता: जबकि मिश्रण मॉडल विषमता को पकड़ते हैं, सिद्ध अभिसरण गारंटी और कुशल गणना वाले एल्गोरिदम की आवश्यकता है।
ML में BT से परे: LLM फाइन-ट्यूनिंग में BT के सफल अनुप्रयोग से अन्य युग्वात्मक तुलना मॉडलों की व्यवस्थित जांच की आवश्यकता का पता चलता है ताकि यह निर्धारित किया जा सके कि क्या वे प्रशिक्षण दक्षता और अलाइनमेंट में और सुधार प्रदान करते हैं।

शोध पत्र निष्कर्ष निकालता है कि हालांकि विरल, उच्च-आयामी डेटा के अनुकूल BT मॉडल को ढालने में महत्वपूर्ण प्रगति हुई है, लेकिन जटिल, वास्तविक दुनिया की नेटवर्क संरचनाओं के लिए मजबूत सैद्धांतिक ढांचे का विकास और इन विधियों को व्यापक मशीन लर्निंग संदर्भों तक विस्तारित करना भविष्य के अनुसंधान के लिए उर्वर क्षेत्र बना हुआ है।