🔭 astrophysics

Comparison of symbolic regression algorithms in Star/galaxy/quasar separation

यह अध्ययन प्रदर्शित करता है कि चार अत्याधुनिक सिम्बोलिक रिग्रेशन फ्रेमवर्क SDSS DR17 डेटा का उपयोग करके तारों, आकाशगंगाओं और क्वासरों को संक्षिप्त, व्याख्या योग्य विश्लेषणात्मक फलनों के माध्यम से प्रभावी ढंग से वर्गीकृत कर सकते हैं, जो पारंपरिक मशीन लर्निंग प्रदर्शन के साथ मेल खाते हैं और साथ ही खगोलीय सीमाओं में पारदर्शी गणितीय अंतर्दृष्टि प्रदान करते हैं।

मूल लेखक: Rachit Deshpande, Shantanu Desai

प्रकाशित 2026-03-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rachit Deshpande, Shantanu Desai

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 ब्रह्मांडीय लाइब्रेरियन (cosmic librarian) हैं जो किताबों के एक विशाल, अराजक ढेर (खगोलीय पिंडों) को तीन विशिष्ट अलमारियों में व्यवस्थित करने की कोशिश कर रहे हैं: तारे (जैसे हमारा सूर्य), आकाशगंगाएँ (जैसे हमारी मिल्की वे), और क्वासर्स (जैसे अत्यधिक चमकीले, दूर स्थित दानव)।

लंबे समय से, लाइब्रेरियन ने इन किताबों को छांटने के लिए "ब्लैक बॉक्स" मशीनों (जैसे डीप न्यूरल नेटवर्क) का उपयोग किया है। ये मशीनें अविश्वसनीय रूप से स्मार्ट और सटीक हैं, लेकिन वे एक जादू के डिब्बे की तरह हैं: आप इसमें एक किताब डालते हैं, और यह आपको बताती है कि वह किस शेल्फ की है, लेकिन आपको पता नहीं होता कि इसने यह निर्णय कैसे लिया। यह बस लाखों नंबरों की एक गुप्त रेसिपी है।

यह शोध पत्र एक सरल प्रश्न पूछता है: क्या हम एक सरल, पठनीय नियम ढूंढ सकते हैं जो उतना ही अच्छा काम करे जितना कि वह जादू का डिब्बा करता है?

शोधकर्ताओं ने सिंबोलिक रिग्रेशन (Symbolic Regression) नामक एक तकनीक का उपयोग करने का प्रयास किया। इसे केवल एक जादू के डिब्बे के रूप में नहीं, बल्कि एक जासूस के रूप में समझें जो जटिल कोड लिखने के बजाय सरल गणितीय समीकरणों (जैसे $y = 2x + 5$ ) को हल करके एक पहेली सुलझाने की कोशिश कर रहा है।

यहाँ उनके अन्वेषण की कहानी है, जिसे सरल भागों में विभाजित किया गया है:

1. सुराग: रेडशिफ्ट (The "Cosmic Stretch")

शोधकर्ताओं ने सभी जटिल डेटा (जैसे प्रकाश का रंग) को अनदेखा करने और केवल एक सुराग पर ध्यान केंद्रित करने का निर्णय लिया: रेडशिफ्ट (Redshift)।

उपमा: एक गुजरती हुई एम्बुलेंस के सायरन की कल्पना करें। जैसे-जैसे वह दूर जाती है, आवाज धीमी (खिंच जाती) हो जाती है। अंतरिक्ष में, जैसे-जैसे वस्तुएं हमसे दूर जाती हैं, उनका प्रकाश खिंच जाता है।
पैटर्न:
- तारे हमारे पड़ोसी हैं, इसलिए वे मुश्किल से दूर जाते हैं (रेडशिफ्ट $\approx$ 0)।
- आकाशगंगाएँ और दूर हैं, इसलिए वे मध्यम गति से दूर जा रही हैं।
- क्वासर्स सबसे दूर हैं, बहुत तेजी से दूर जा रहे हैं (उच्च रेडशिफ्ट)।
  लक्ष्य एक सरल गणितीय सूत्र लिखना था जो कहता है: "यदि रेडशिफ्ट इतना कम है, तो यह एक तारा है। यदि यह मध्यम है, तो यह एक आकाशगंगा है। यदि यह उच्च है, तो यह एक क्वासर है।"

2. प्रतियोगी: चार अलग-अलग "जासूस"

टीम ने यह देखने के लिए चार अलग-अलग प्रकार के सिंबोलिक रिग्रेशन एल्गोरिदम के बीच एक दौड़ आयोजित की कि कौन सबसे अच्छा सूत्र खोज सकता है।

PySR (द इवोल्यूशनरी गार्डनर - विकासवादी माली):
- यह कैसे काम करता है: यह प्रकृति की तरह कार्य करता है। यह हजारों यादृच्छिक गणितीय सूत्रों को उगाता है, सबसे "फिट" सूत्रों को जीवित रहने देता है, उन्हें आपस में मिलाता है, और पीढ़ियों के माध्यम से उनमें उत्परिवर्तन (mutation) करता है।
- परिणाम: इसने एक अच्छा सूत्र पाया, लेकिन यह थोड़ा अस्थिर था। यह एक ऐसे माली की तरह था जिसने एक बेहतरीन पौधा तो पा लिया, लेकिन हर बार मिट्टी को थोड़ा बदलता रहा।
ESR (द एग्जॉस्टिव चेकर - गहन जांचकर्ता):
- यह कैसे काम करता है: यह अनुमान नहीं लगाता। यह हर एक संभावित सरल गणितीय संयोजन को आज़माता है (एक सीमा के भीतर) और उस एक को चुनता है जो डेटा के साथ सबसे अच्छा फिट बैठता है, जिसमें एक सख्त "ओकैम्स रेज़र" (Occam's Razor) नियम का उपयोग किया जाता है (सबसे सरल स्पष्टीकरण ही आमतौर पर सही होता है)।
- परिणाम: बहुत विश्वसनीय और स्थिर, एक व्यवस्थित लेखाकार की तरह जो हर रसीद की जांच करता है।
PhySO (द AI रीइन्फोर्समेंट लर्नर - AI सुदृढीकरण सीखने वाला):
- यह कैसे काम करता है: यह एक रोबोट है जो परीक्षण और त्रुटि (trial and error) से सीखता है, लेकिन एक सुरक्षा जाल के साथ। इसे एक वीडियो गेम पात्र की तरह प्रशिक्षित किया गया है: इसे अंक मिलते हैं यदि यह एक ऐसा सूत्र पाता है जो काम करता है, और अंक कटते हैं यदि यह कोई गणितीय आपदा (जैसे शून्य से भाग देना) पैदा करता है।
- परिणाम: यह सबसे स्थिर जासूस था। एक बार जब इसने एक सूत्र खोज लिया, तो यह हर बार उसी पर टिका रहा। यह एक ऐसे रोबोट की तरह था जो कभी टाइपिंग में गलती नहीं करता।
MvSR (द स्पेशलिस्ट टीम - विशेषज्ञ टीम):
- यह कैसे काम करता है: इस टीम ने महसूस किया कि ब्रह्मांड हर जगह एक जैसा नहीं है। इसलिए, उन्होंने काम को तीन टीमों में विभाजित किया: कम रेडशिफ्ट (तारों) के लिए एक, मध्यम (आकाशगंगाओं) के लिए एक, और उच्च (क्वासर्स) के लिए एक। प्रत्येक ने पहेली का एक हिस्सा खोजा और उन्हें आपस में जोड़ दिया।
- परिणाम: विजेता! इस दृष्टिकोण ने सबसे सटीक सूत्र खोजा। यह तीन विशेषज्ञों की तरह था, जिनमें से प्रत्येक उस काम के हिस्से को संभाल रहा था जिसे वह सबसे अच्छी तरह जानता था।

3. परिणाम: सरल बनाम जटिल

शोधकर्ताओं ने अपने सरल गणितीय सूत्रों की तुलना "ब्लैक बॉक्स" मशीनों (जैसे रैंडम फॉरेस्ट और न्यूरल नेटवर्क) से की।

चौंकाने वाली बात: सरल गणितीय सूत्र (जासूस) उन जटिल, भारी-भरकम AI मशीनों के बराबर ही प्रदर्शन करते हैं।
सटीकता: सबसे अच्छे सरल सूत्र ने लगभग 94% सटीकता प्राप्त की, जो सबसे अच्छे "ब्लैक बॉक्स" मशीन के लगभग बराबर है।
बोनस: क्योंकि सूत्र सरल है (उदाहरण के लिए, $3.134 - \frac{2.320}{z + e^{-2.904z}}$ ), एक इंसान इसे पढ़ सकता है, समझ सकता है और इस पर भरोसा कर सकता है। हम जानते हैं कि यह क्यों काम करता है।

4. "दीवार" जिससे वे टकराए

शोध पत्र ने यह भी खोजा कि एक सीमा है कि हम कितना अच्छा कर सकते हैं।
यहाँ तक कि सबसे अच्छा AI और सबसे अच्छा गणितीय सूत्र भी 90-94% सटीकता के आसपास एक दीवार से टकरा जाते हैं।

क्यों? क्योंकि एक निश्चित दूरी (रेडशिफ्ट $\approx$ 1.25) के पास, आकाशगंगाएँ और क्वासर इस एक-आयामी दृश्य में बिल्कुल एक जैसे दिखते हैं। यह अंधेरे में एक जैसे कपड़े पहने जुड़वा बच्चों के बीच अंतर करने की कोशिश करने जैसा है। कोई भी गणित इस समस्या को ठीक नहीं कर सकता; डेटा स्वयं अस्पष्ट है।

मुख्य निष्कर्ष

यह शोध पत्र सिद्ध करता है कि हमें जटिल वैज्ञानिक समस्याओं को हल करने के लिए हमेशा "ब्लैक बॉक्स" की आवश्यकता नहीं होती है। कभी-कभी, ब्रह्मांड सरल, सुंदर नियमों का पालन करता है जिन्हें हम एक कागज के टुकड़े पर लिख सकते हैं।

पुराना तरीका: तारों को छांटने के लिए एक विशाल, अ説明 योग्य (unexplainable) AI का उपयोग करना।
नया तरीका: सिंबोलिक रिग्रेशन का उपयोग करके एक सरल, मानव-पठनीय गणितीय समीकरण खोजना जो वही काम करता है, चलाने में तेज़ है, और हमें बताता है कि ब्रह्मांड वास्तव में कैसे व्यवस्थित है।

यह व्याख्यात्मक AI (Explainable AI) की जीत है: जादू के डिब्बे के समान परिणाम प्राप्त करना, लेकिन लाइट जलाकर ताकि हम देख सकें कि वह जादू कैसे काम करता है।

यहाँ शोध पत्र "Comparison of symbolic regression algorithms in Star/galaxy/quasar separation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

खगोलीय पिंडों (तारों, आकाशगंगाओं और क्वासरों) का वर्गीकरण कॉस्मोलॉजी और गैलेक्सी इवोल्यूशन अध्ययनों के लिए मौलिक है। जबकि स्लोअन डिजिटल स्काई सर्वे (SDSS) जैसे बड़े सर्वेक्षणों पर डीप लर्निंग और ग्रेडिएंट-बूस्टेड ट्री 95% से अधिक सटीकता प्राप्त करते हैं, वे "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जो अंतर्निहित खगोलीय संबंधों (जैसे रेडशिफ्ट इवोल्यूशन और जनसंख्या घनत्व प्रवणता) को छिपा देते हैं।

यह कार्य इंटरप्रिटेबल मशीन लर्निंग (व्याख्या योग्य मशीन लर्निंग) की आवश्यकता को संबोधित करने के लिए सिंबोलिक रिग्रेशन (SR) की जांच करता है। विशिष्ट चुनौती एक एकल भौतिक पैरामीटर—स्पेक्ट्रोस्कोपिक रेडशिफ्ट ( $z$ )—को निरंतर वर्गीकरण स्कोर में मैप करने वाले संक्षिप्त, मानव-पठनीय विश्लेतक फलनों (analytic functions) को व्युत्पन्न करना है, जिससे उच्च-आयामी कलर स्पेस पर निर्भर हुए बिना गैलेक्टिक स्टार्स, गैलेक्सीज़ और एक्स्ट्रागैलेक्टिक क्वासरों को अलग किया जा सके।

2. कार्यप्रणाली (Methodology)

डेटासेट और प्रीप्रोसेसिंग

स्रोत: SDSS डेटा रिलीज़ 17 (DR17)।
नमूना: 1,00,000 स्पेक्ट्रोस्कोपिक रूप से पुष्ट वस्तुएं (59.45% गैलेक्सीज़, 21.59% स्टार्स, 18.96% क्वासर)।
इनपुट फीचर: केवल स्पेक्ट्रोस्कोपिक रेडशिफ्ट ( $z$ )।
प्रोटोकॉल:
- कम्प्यूटेशनल दक्षता सुनिश्चित करने के लिए एक प्रतिनिधि 10% उपसमुच्चय (10,000 वस्तुएं) का उपयोग सिंबोलिक डिस्कवरी चरण के लिए किया जाता है।
- वैश्विक सत्यापन के लिए पूरे 1,00,000-वस्तुओं के डेटासेट पर 5-फोल्ड स्ट्रैटिफाइड क्रॉस-वैलिडेशन किया जाता है।
- डिसीजन मैनिफोल्ड: एक निरंतर स्कोरिंग फंक्शन $s(z)$ $s (z)$ उत्पन्न किया जाता है, जिसे फिर दो अनुकूलित थ्रेशोल्ड ( $t_1, t_2$ $t_{1}, t_{2}$ ) का उपयोग करके तीन वर्गों में विभाजित किया जाता है:
  - $s(z) < t_1 \rightarrow$ गैलेक्सी (Galaxy)
  - $t_1 \leq s(z) \leq t_2 \rightarrow$ स्टार (Star)
  - $s(z) > t_2 \rightarrow$ क्वासर (QSO)

मूल्यांकित सिंबोलिक रिग्रेशन फ्रेमवर्क्स

यह अध्ययन चार अत्याधुनिक SR एल्गोरिदम की तुलना करता है, जो सभी 10 नोड्स की अधिकतम अभिव्यक्ति जटिलता (expression complexity) तक सीमित हैं:

PySR: एक इवोल्यूशनरी आइलैंड-मॉडल जेनेटिक प्रोग्रामिंग दृष्टिकोण। यह माइग्रेशन, टूर्नामेंट सिलेक्शन और संख्यात्मक स्थिरांकों के लिए स्थानीय BFGS ऑप्टिमाइज़ेशन के साथ समानांतर उप-जनसंख्याओं का उपयोग करता है।
Exhaustive Symbolic Regression (ESR): एक नियतात्मक (deterministic) दृष्टिकोण जो जटिलता सीमा के भीतर सभी गणितीय रूप से वैध अभिव्यक्तियों को सूचीबद्ध करता है। यह फिट और पार्सिमनी (parsimony) के बीच संतुलन बनाने के लिए मॉडल चयन हेतु मिनिमम डिस्क्रिप्शन लेंथ (MDL) (BIC के माध्यम से) का उपयोग करता है।
PhySO (Physical Symbolic Optimization): एक LSTM नेटवर्क का उपयोग करने वाला एक डीप रिइन्फोर्समेंट लर्निंग (DRL) तरीका। यह अभिव्यक्ति निर्माण को एक अनुक्रमिक निर्णय प्रक्रिया के रूप में मानता है, जिसमें रिस्क-सीकिंग पॉलिसी ग्रेडिएंट्स और अमान्य गणितीय संरचनाओं (जैसे नेस्टेड एक्सपोनेंशियल) को मास्क किया जाता है।
Multi-View Symbolic Regression (MvSR): एक विशेष दृष्टिकोण जो रेडशिफ्ट डोमेन को तीन व्यूज (Low-z, Intermediate-z, High-z) में विभाजित करता है। यह एक एकल ग्लोबल सिंबोलिक टेम्पलेट विकसित करता है लेकिन नॉन-स्टेशनैरिटी को संभालने के लिए प्रत्येक व्यू के लिए स्वतंत्र रूप से संख्यात्मक मापदंडों को परिष्कृत करता है।

बेसलाइन्स (Baselines)

एक इन्फॉर्मेशन-थ्योरेटिक सीलिंग स्थापित करने के लिए, उसी 1D रेडशिफ्ट फीचर स्पेस पर तीन गैर-व्याख्यात्मक मशीन लर्निंग मॉडल प्रशिक्षित किए गए:

रैंडम फॉरेस्ट (RF)
RBF कर्नेल के साथ सपोर्ट वेक्टर मशीन (SVM)
मल्टी-लेयर पर्सेप्ट्रॉन (MLP)

मूल्यांकन मेट्रिक्स

प्राथमिक: क्लास इम्बैलेंस को संभालने के लिए कोहेन का कप्पा ( $\kappa$ )।
द्वितीयक: बैलेंस्ड एक्यूरेसी, मैक्रो-एवरेज्ड F1-स्कोर, और थ्रेशोल्ड्स ( $t_1, t_2$ ) की पैरामीट्रिक स्थिरता (फोल्ड्स के बीच मानक विचलन)।
भौतिक विश्लेषण: एरर डेंसिटी प्रोफाइल और क्लास ओवरलैप को पहचानने के लिए रिकॉल बनाम रेडशिफ्ट कर्व्स।

3. प्रमुख योगदान (Key Contributions)

व्यवस्थित बेंचमार्किंग: चार अलग-अलग SR प्रतिमानों (इवोल्यूशनरी, एग्जॉस्टिव, DRL, और मल्टी-व्यू) का पहला व्यापक तुलनात्मक अध्ययन, जो विशेष रूप से स्टार/गैलेक्सी/क्वासर पृथक्करण पर लागू है।
रेडशिफ्ट-केंद्रित खोज: यह प्रदर्शित करना कि एकल चर ( $z$ ) के संक्षिप्त विश्लेतक फलन लगभग इष्टतम पृथक्करण प्राप्त कर सकते हैं, जो डेटासेट की अंतर्निहित भौतिक डिजेनरेसी (degeneracies) को अलग करते हैं।
पारदर्शिता बनाम प्रदर्शन: यह सिद्ध करना कि व्याख्यात्मक सिंबोलिक मॉडल जटिल ब्लैक-बॉक्स बेसलाइन्स (RF, SVM, MLP) के प्रदर्शन के बराबर हो सकते हैं, जबकि स्पष्ट गणितीय सूत्र भी प्रदान करते हैं।
पूर्व कार्य का विस्तार: अधिक उन्नत SR फ्रेमवर्क्स और एक कठोर क्रॉस-वैलिडेशन प्रोटोकॉल पेश करके लोरेला और सेब्रियन (2025) के विश्लेषण का विस्तार करना।

4. परिणाम (Results)

प्रदर्शन मेट्रिक्स

MvSR (शीर्ष प्रदर्शनकर्ता): इसने उच्चतम कोहेन का $\kappa$ 0.8948 और बैलेंस्ड एक्यूरेसी 92.51% प्राप्त की। इसने कम प्रतिनिधित्व वाली क्वासर क्लास के वर्गीकरण में बेहतर मजबूती ( $F1_{QSO} \approx 0.86$ ) दिखाई।
PhySO: असाधारण पैरामीट्रिक स्थिरता प्रदर्शित की, जिसका थ्रेशोल्ड मानक विचलन ( $\sigma < 0.002$ ) इवोल्यूशनरी विधियों की तुलना में एक क्रम का कम था। इसने $\kappa \approx 0.875$ प्राप्त किया।
ESR: $\kappa \approx 0.8665$ प्राप्त किया, जिसने क्वासर पहचान में PySR को पछाड़ दिया क्योंकि यह नियतात्मक MDL चयन का उपयोग करता है।
PySR: इसने $\kappa \approx 0.8526$ प्राप्त किया।
ब्लैक-बॉक्स बेसलाइन्स: अनुकूलित RF, SVM, और MLP मॉडल $\kappa \approx 0.895$ के प्रदर्शन सीलिंग पर अभिसरित (converge) हुए।

मुख्य निष्कर्ष

प्रदर्शन समानता (Performance Parity): सबसे अच्छा सिंबोलिक मॉडल (MvSR) सबसे अच्छे ब्लैक-बॉक्स मॉडल (SVM/RF) के सांख्यिकीय रूप से अविभेद्य है। यह सुझाव देता है कि इस विशिष्ट 1D समस्या के लिए सिंबोलिक मॉडलों की "जटिलता कमी" (complexity deficit) नगण्य है।
भौतिक सीमाएँ (Physical Limits): सभी मॉडलों का $\kappa \approx 0.90$ पर अभिसरण यह संकेत देता है कि शेष त्रुटि मॉडल की सीमाओं के कारण नहीं, बल्कि SDSS डेटा में अंतर्निहित भौतिक डिजेनरेसी (विशेष रूप से $z \approx 1.25$ के आसपास गैलेक्सी और क्वासर के बीच स्पेक्ट्रल ओवरलैप) के कारण है।
त्रुटि विश्लेषण: सभी मॉडल ट्रांजिशन ज़ोन $z \in [0.8, 1.5]$ में सबसे अधिक संघर्ष करते हैं। MvSR ने सिंगल-व्यू विधियों में देखे गए एरर स्पाइक्स को सफलतापूर्वक कम किया, जिससे पीक फेलियर रेट कम हुआ ( $\approx 0.30$ ) और रेडशिफ्ट थोड़ा बदल गया ( $z \approx 0.9$ )।
स्थिरता: PhySO और MvSR ने सबसे स्थिर निर्णय सीमाएँ प्रदान कीं, जो उन्हें स्वचालित पाइपलाइनों के लिए आदर्श बनाती है जहाँ थ्रेशोल्ड निरंतरता महत्वपूर्ण है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह कार्य सिंबोलिक रिग्रेशन को एस्ट्रोइनफॉर्मेटिक्स में ब्लैक-बॉक्स मशीन लर्निंग के एक व्यवहार्य, पारदर्शी विकल्प के रूप में स्थापित करता है।

वैज्ञानिक प्रभाव: व्युत्पन्न विश्लेतक फलन (जैसे, $s(z) = 3.134 - \frac{2.320}{z + e^{-2.904z}}$ ) वर्गीकरण के तर्क का गणितीय रूप से संक्षिप्त लक्षण वर्णन प्रदान करते हैं, जिससे खगोलविदों को वर्गीकरण के तर्क का सीधे निरीक्षण करने की अनुमति मिलती है।
परिचालन उपयोगिता: न्यूरल नेटवर्क के विपरीत, इन संक्षिप्त अभिव्यक्तियों को बड़े पैमाने पर मॉडल पर्सिस्टेंस की आवश्यकता नहीं होती है और इन्हें आसानी से स्वचालित स्पेक्ट्रोस्कोपिक वर्कफ़्लो में एकीकृत किया जा सकता है।
भविष्य की दिशाएँ: अध्ययन सुझाव देता है कि जबकि रेडशिफ्ट अकेले एक प्रदर्शन सीलिंग तक पहुँच जाता है, भविष्य के कार्यों में इस विश्लेषण में पहचाने गए हाई-रेडशिफ्ट डिजेनरेसी को हल करने के लिए फोटोमेट्रिक कलर्स और मल्टी-वेवलेंथ फीचर्स को सिंबोलिक डिस्कवरी चरण में एकीकृत किया जाना चाहिए।

संक्षेप में, यह पेपर प्रदर्शित करता है कि तारों, आकाशगंगाओं और क्वासरों को रेडशिफ्ट का उपयोग करके अलग करने के विशिष्ट कार्य के लिए, व्याख्यात्मकता (interpretability) सटीकता की कीमत पर नहीं आती है, और MvSR जैसे विशेष SR फ्रेमवर्क पारंपरिक ML बेसलाइन्स के बराबर या उनसे बेहतर प्रदर्शन कर सकते हैं, साथ ही भौतिक अंतर्दृष्टि भी प्रदान कर सकते हैं।

1. सुराग: रेडशिफ्ट (The "Cosmic Stretch")

2. प्रतियोगी: चार अलग-अलग "जासूस"

3. परिणाम: सरल बनाम जटिल

4. "दीवार" जिससे वे टकराए

मुख्य निष्कर्ष

1. समस्या विवरण (Problem Statement)

2. कार्यप्रणाली (Methodology)

डेटासेट और प्रीप्रोसेसिंग

मूल्यांकित सिंबोलिक रिग्रेशन फ्रेमवर्क्स

बेसलाइन्स (Baselines)

मूल्यांकन मेट्रिक्स

3. प्रमुख योगदान (Key Contributions)

4. परिणाम (Results)

प्रदर्शन मेट्रिक्स

मुख्य निष्कर्ष

5. महत्व और निष्कर्ष (Significance and Conclusion)

इसी तरह के और पेपर