📊 statistics

Neyman-Pearson multiclass classification under label noise via empirical likelihood

यह शोध पत्र नेयमैन-पियर्सन मल्टीक्लास वर्गीकरण के लिए एक एम्पिरिकल लाइक्लीहुड-आधारित विधि प्रस्तावित करता है जो शोर वाले और वास्तविक लेबल के बीच संबंध को मॉडल करके लेबल शोर को प्रभावी ढंग से संभालता है, जिससे स्वच्छ लेबल वितरण को पुनः प्राप्त किया जाता है और शोर-मुक्त डेटा पर प्रशिक्षित क्लासिफायर के तुलनीय ओरेकल-स्तर का प्रदर्शन प्राप्त किया जाता है।

मूल लेखक: Qiong Zhang, Qinglong Tian, Pengfei Li

प्रकाशित 2026-03-24

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Qiong Zhang, Qinglong Tian, Pengfei Li

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 ट्रैफिक पुलिसकर्मी हैं जो कारों (डेटा) को सही लेन (श्रेणियों) में निर्देशित करने की कोशिश कर रहे हैं। आपका काम अधिक से अधिक कारों को उनके सही गंतव्य तक पहुँचाना है।

हालाँकि, एक पेंच है: सड़क पर लगे संकेत कभी-कभी गलत होते हैं।

हो सकता है कि एक साइन बोर्ड "रुकें" (Stop) कहे जब उसे "चलें" (Go) कहना चाहिए, या "बायां लेन" (Left Lane) कहे जब उसे "दायां लेन" (Right Lane) कहना चाहिए। यह वास्तविक दुनिया के डेटा में होता है जब लेबल "शोरभरी" (noisy) या दूषित होते हैं। मेडिकल डायग्नोसिस में, एक डॉक्टर ट्यूमर को गलत लेबल कर सकता है; धोखाधड़ी का पता लगाने में, एक मानव समीक्षक गलती से एक सुरक्षित लेनदेन को संदिग्ध के रूप में चिह्नित कर सकता है।

अधिकांश कंप्यूटर लर्निंग एल्गोरिदम मान लेते हैं कि संकेत एकदम सही हैं। यदि आप उन्हें गलत संकेतों पर प्रशिक्षित करते हैं, तो वे गलत नियम सीख लेते हैं। यह शोध पत्र कंप्यूटर को गलत संकेतों को अनदेखा करने और फिर भी सच्चाई का पता लगाने का एक चतुर तरीका प्रस्तावित करता है।

यहाँ एनालॉजी (उपमाओं) का उपयोग करके इस शोध पत्र के विचारों का विवरण दिया गया है:

1. समस्या: एक "अनुचित" ट्रैफिक पुलिसकर्मी

कई वास्तविक स्थितियों में, सभी गलतियाँ समान नहीं होती हैं।

परिदृश्य: कल्पना कीजिए कि आप एक हवाई अड्डे पर सुरक्षा गार्ड हैं।
- गलती A: एक आतंकवादी को अंदर जाने देना (फॉल्स नेगेटिव/False Negative)। यह विनाशकारी है।
- गलती B: एक निर्दोष यात्री को बैग चेक के लिए रोकना (फॉल्स पॉजिटिव/False Positive)। यह कष्टदायक है लेकिन सुरक्षित है।
लक्ष्य: हम एक ऐसा सिस्टम चाहते हैं जो गलती A के प्रति अत्यंत सावधान हो, भले ही इसके लिए हमें गलती B अधिक करनी पड़े।
पुराना तरीका: मानक AI कुल गलतियों को कम करने की कोशिश करता है। वह कह सकता है, "मैं 100 निर्दnoc लोगों को रोकने से बचने के लिए 10 आतंकवादियों को जाने दूँगा।" यह सुरक्षा के लिए बुरा है।
नया तरीका (NPMC): यह ढांचा कहता है, "नहीं! आपको आतंकवादी दर को 1% से नीचे रखना होगा, चाहे कुछ भी हो। उसके बाद, जितना संभव हो उतना सटीक होने का प्रयास करें।"

2. जटिलता: एक "टूटा हुआ दिशा-सूचक" (Broken Compass)

समस्या तब और कठिन हो जाती है जब प्रशिक्षण डेटा (वे उदाहरण जिनसे AI सीखता है) में शोरभरे लेबल (noisy labels) होते हैं।

एनालॉजी: कल्पना कीजिए कि आप एक बच्चे को फल पहचानने के लिए सिखा रहे हैं। आप उसे एक सेब की तस्वीर दिखाते हैं, लेकिन गलती से उसे बताते हैं, "यह केला है।" फिर आप उसे एक केला दिखाते हैं और कहते हैं, "यह सेब है।"
यदि बच्चा आपकी गलतियों से सीखता है, तो वह सोचेगा कि केले सेब होते हैं।
अतीत में, शोधकर्ता यह नहीं जानते थे कि जब शिक्षक (डेटा) झूठ बोल रहा हो या भ्रमित हो, तो "अनुचित ट्रैफिक पुलिसकर्मी" वाली समस्या को कैसे ठीक किया जाए।

3. समाधान: "डिटेक्टिव का एम्पेरिकल लाइकलीहुड" (Detective's Empirical Likelihood)

लेखक एम्पेरिकल लाइकलीहुड (EL) और एक डेंसिटी रेश्यो मॉडल (Density Ratio Model) नामक विधि प्रस्तावित करते हैं। आइए इसे एक रूपक से समझते हैं।

"एक्सपोनेंशियल टिल्टिंग" (झुका हुआ तराजू)

कल्पना कीजिए कि आपके पास एक तराजू है जो दो प्रकार के फलों को तौलता है: सेब (सत्य वर्ग) और केला (सत्य वर्ग)।

शोर (Noise): तराजू खराब है। जब आप उस पर एक सेब रखते हैं, तो वह कभी-कभी कहता है "केला"।
चाल (Trick): लेखक सीधे तराजू को ठीक करने की कोशिश नहीं करते हैं। इसके बजाय, वे मानते हैं कि टूटे हुए तराजू द्वारा बताई गई चीज़ और वास्तविक फल के बीच एक गणितीय संबंध (एक "झुकाव" या "tilt") है।
वे एक सूत्र का उपयोग करते हैं जो कहता है: "यदि तराजू वास्तव में सेब होने पर भी 90% बार 'केला' कहता है, तो हम सच्चाई खोजने के लिए परिणामों को गणितीय रूप से वापस 'टिल्ट' (झुका) सकते हैं।"

"डिटेक्टिव" (EM एल्गोरिदम)

चूंकि उन्हें यह नहीं पता कि तराजू के टूटने के नियम क्या हैं (जिसे "नॉइज़ मैट्रिक्स" कहा जाता है), वे एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम नामक एक डिटेक्टिव दृष्टिकोण का उपयोग करते हैं।

अनुमान लगाना (E-step): डिटेक्टिव नियमों के बारे में एक अनुमान लगाता है। "ठीक है, मुझे लगता है कि 10% बार तराजू फल को बदल देता है।"
जांच करना (M-step): उस अनुमान के आधार पर, डिटेक्टिव डेटा को देखता है और कहता है, "हम्म, यदि मेरा अनुमान सही है, तो ये 50 'केले' वास्तव में सेब थे।"
अपडेट करना: डिटेक्टिव नियमों को अपडेट करता है: "ठीक है, मैं गलत था। यह वास्तव में 15% बार होता है।"
दोहराना: वे अनुमान लगाने, जांचने और अपडेट करने की प्रक्रिया को तब तक दोहराते रहते हैं जब तक कि नियम बदलना बंद न हो जाएं।

ऐसा करके, कंप्यूटर बिना यह जाने कि शोर के नियम क्या हैं, शोरभरे लेबल से वास्तविक लेबल का पुनर्निर्माण करता है।

4. परिणाम: एक सुपर-विश्वसनीय पुलिसकर्मी

एक बार जब कंप्यूटर इस जासूसी कार्य का उपयोग करके "वास्तविक" लेबल समझ लेता है, तो वह "अनुचित ट्रैफिक पुलिसकर्मी" के नियमों को लागू करता है।

गारंटी: यह शोध पत्र गणितीय रूप से सिद्ध करता है कि शोरभरे डेटा के साथ भी, अंतिम सिस्टम सुरक्षा सीमाओं का सख्ती से पालन करेगा। यदि आप इसे कहते हैं, "कभी भी 5% से अधिक आतंकवादियों को जाने न दें," तो यह बिल्कुल वैसा ही करेगा, भले ही प्रशिक्षण डेटा अव्यवस्थित रहा हो।
प्रदर्शन: अपने परीक्षणों में, इस नई पद्धति ने लगभग उतना ही प्रदर्शन किया जितना कि यदि डेटा एकदम सही (ओरेकल परिदृश्य) होता। यह पुराने तरीकों की तुलना में बहुत बेहतर था जो या तो शोर को अनदेखा करते थे (जिससे खतरनाक त्रुटियां होती थीं) या जो शोर के नियमों का अनुमान लगाने की कोशिश करते थे लेकिन गलत साबित होते थे।

एक वाक्य में सारांश

यह शोध पत्र कंप्यूटर को सुरक्षा के प्रति सचेत ट्रैफिक पुलिसकर्मी बनना सिखाता है, भले ही वे गलत सड़क संकेतों से सीख रहे हों, और इसके लिए वे झूठ के पीछे की सच्चाई का पता लगाने के लिए एक चतुर गणितीय जासूसी खेल का उपयोग करते हैं।

यह क्यों महत्वपूर्ण है

मेडिकल डायग्नोसिस: यह सुनिश्चित करता है कि हम कैंसर (सुरक्षा) को मिस न करें, भले ही मेडिकल रिकॉर्ड अव्यवस्थित हों।
धोखाधड़ी का पता लगाना (Fraud Detection): यह सुनिश्चित करता है कि हम निर्दोष लोगों को ब्लॉक किए बिना बुरे तत्वों को पकड़ें, भले ही डेटा अपूर्ण हो।
सेल्फ-ड्राइविंग कारें: यह कारों को सुरक्षित निर्णय लेने में मदद करता है, भले ही अन्य कारों से प्राप्त प्रशिक्षण डेटा में लेबलिंग की त्रुटियां हों।

लेखकों ने परफेक्ट थ्योरी और अव्यवस्थित वास्तविकता के बीच एक सेतु बनाया है, जिससे उच्च-जोखिम वाले निर्णयों के लिए AI अधिक सुरक्षित और विश्वसनीय बन गया है।

यहाँ Zhang, Tian, और Li के शोध पत्र "Neyman-Pearson multiclass classification under label noise via empirical likelihood" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लेबल शोर (label noise) की उपस्थिति में नेयमैन-पियर्सन मल्टीक्लास क्लासिफिकेशन (NPMC) समस्या को संबोधित करता है।

NPMC फ्रेमवर्क: मानक वर्गीकरण (standard classification) के विपरीत, जो समग्र त्रुटि (overall error) को कम करने का प्रयास करता है, NPMC एक ऐसा क्लासिफायर $\phi$ खोजने का प्रयास करता है जो विशिष्ट वर्गों $k \in S$ के लिए त्रुटि दरों पर सख्त ऊपरी सीमा ( $\alpha_k$ ) लागू करते हुए एक भारित गलत वर्गीकरण जोखिम (weighted misclassification risk) को कम करता है। यह उच्च-जोखिम वाले क्षेत्रों (जैसे चिकित्सा निदान) में महत्वपूर्ण है जहाँ कुछ वर्गों के लिए फॉल्स नेगेटिव (false negatives) होना विनाशकारी हो सकता है।
चुनौती: मौजूदा NPMC विधियाँ मानती हैं कि प्रशिक्षण लेबल (training labels) शुद्ध हैं। वास्तविकता में, लेबल मापन त्रुटियों, एनोटेटर की विसंगतियों, या प्रतिकूल शोर (adversarial noise) के कारण दूषित हो सकते हैं।
अंतराल (Gap): लेबल शोर को अनदेखा करने से NPMC में सुरक्षा बाधाओं (safety constraints) का उल्लंघन होता है (जैसे, वास्तविक त्रुटि दर लक्ष्य $\alpha_k$ से अधिक हो जाती है) या अत्यधिक रूढ़िवादी (conservative) क्लासिफायर बनते हैं जिनमें टाइप II त्रुटियाँ बढ़ जाती हैं। इसके अलावा, मौजूदा शोर-रोधी (noise-robust) विधियों को अक्सर शोर संक्रमण मैट्रिक्स (noise transition matrix) (एक वास्तविक लेबल के दूसरे लेबल के रूप में गलत लेबल होने की संभावना) के पूर्व ज्ञान की आवश्यकता होती है, जो व्यवहार में दुर्लभ है।
लक्ष्य: एक ऐसा क्लासिफायर विकसित करना जो अनदेखे वास्तविक लेबलों के संबंध में NPMC त्रुटि बाधाओं को संतुष्ट करे, बिना शोर तंत्र (noise mechanism) के पूर्व ज्ञान के।

2. कार्यप्रणाली (Methodology)

लेखक एक नया फ्रेमवर्क प्रस्तावित करते हैं जो शोर वाले डेटा से आवश्यक स्वच्छ-लेबल सांख्यिकी (clean-label statistics) को पुनः प्राप्त करने के लिए एम्पीरिकल लाइकलीहुड (Empirical Likelihood - EL) और डेंसिटी रेश्यो मॉडलिंग (Density Ratio Modeling - DRM) को जोड़ता है।

A. समस्या सेटअप और धारणाएँ (Problem Setup & Assumptions)

इंस्टेंस-स्वतंत्र शोर (Instance-Independent Noise): शोध पत्र यह मानता है कि शोर $X$ के फीचर्स से स्वतंत्र है (अर्थात, $P(\tilde{Y}|X, Y) = P(\tilde{Y}|Y)$ )। यह एक मानक धारणा है जहाँ कन्फ्यूजन मैट्रिक्स फीचर स्पेस में स्थिर रहता है।
अव्यक्त चर (Latent Variables): वास्तविक लेबल $Y$ अनदेखे हैं; केवल शोर वाले लेबल $\tilde{Y}$ उपलब्ध हैं।

B. डेंसिटी रेश्यो मॉडल (DRM) और एक्सपोनेंशियल टिल्टिंग (Exponential Tilting)

मुख्य विधि वास्तविक वर्ग-सशर्त वितरणों (class-conditional distributions) $P_k$ और शोर वाले वितरणों $\tilde{P}_l$ के बीच के संबंध को एक्सपोनेंशियल टिल्टिंग संबंध का उपयोग करके मॉडल करती है।

वास्तविक लेबलों की पोस्टीरियर संभावनाओं को मल्टीनोमियल लॉजिस्टिक रिग्रेशन के रूप में मॉडल किया जाता है:
$\pi_k(x) = P(Y=k|X=x) \propto \exp(\gamma_k + \langle \beta_k, g(x) \rangle)$
इसका तात्पर्य है कि वर्गों के बीच एक डेंसिटी रेश्यो है: $dP_k/dP_0 = \exp(\gamma_k + \langle \beta_k, g(x) \rangle)$ ।
शोर की धारणा के तहत, प्रेक्षित शोर वाला वितरण $\tilde{P}_l$ , वास्तविक वितरणों का एक मिश्रण (mixture) है। लेखक यह सिद्ध करते हैं कि बेस वितरण के सापेक्ष शोर वाले डेटा का घनत्व भी शोर संक्रमण मैट्रिक्स $T^*$ और वास्तविक मापदंडों (parameters) को शामिल करते हुए एक पैरामीट्रिक रूप में व्यक्त किया जा सकता है।

C. एम्पीरिकल लाइकलीहुड (EL) अनुमान

बेस वितरण $P_0$ के लिए किसी पैरामीट्रिक रूप को मानने के बजाय, लेखक गैर-पैरामीट्रिक रूप से मापदंडों का अनुमान लगाने के लिए एम्पीरिकल लाइकलीहुड का उपयोग करते हैं।

वे प्रेक्षित शोर वाले डेटा के आधार पर एक प्रोफाइल लॉग-एम्पीरिकल लाइकलीहुड फंक्शन का निर्माण करते हैं।
अनुमानित किए जाने वाले मापदंड हैं: वास्तविक वर्ग अनुपात ( $w^*$ ), शोर संक्रमण मैट्रिक्स ( $T^*$ ), और एक्सपोनेंशियल टिल्टिंग पैरामीटर्स ( $\gamma, \beta$ )।
पहचान क्षमता (Identifiability): शोध पत्र कठोरता से सिद्ध करता है कि हल्के नियमों (distinct feature coefficients, rich feature space, और full-rank confusion matrix) के तहत, मापदंड पूरी तरह से पहचान योग्य (identifiable) हैं, जो मिश्रण मॉडलों (mixture models) में पाई जाने वाली अस्पष्टता को हल करता है।

D. EM एल्गोरिदम के माध्यम से अनुकूलन (Optimization via EM Algorithm)

चूंकि वास्तविक लेबल अव्यक्त (latent) हैं, इसलिए प्रोफाइल EL का अधिकतमकरण (maximization) गैर-तुच्छ है। लेखक एक एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) एल्गोरिदम विकसित करते हैं:

E-step: शोर वाले लेबल $\tilde{Y}_i$ और वर्तमान मापदंड अनुमानों के दिए गए होने पर वास्तविक लेबल $Y_i=k$ की पोस्टीरियर संभावना की गणना करें।
M-step: पूर्ण-डेटा लॉग-लाइक्लीहुड (complete-data log-likelihood) को अधिकतम करके मापदंडों ( $w, T, \gamma, \beta$ ) को अपडेट करें। इसमें संक्रमण मैट्रिक्स (transition matrix) को अपडेट करना और टिल्टिंग मापदंडों के लिए एक भारित मल्टीनोमियल लॉजिस्टिक रिग्रेशन को हल करना शामिल है।
अभिसरण (Convergence): यह सिद्ध किया गया है कि एल्गोरिदम प्रोफाइल लॉग-लाइक्लीहुड को निरंतर (monotonically) बढ़ाता है।

E. क्लासिफायर निर्माण (Classifier Construction)

एक बार मापदंडों का अनुमान लग जाने के बाद, विधि निम्नलिखित को पुनः प्राप्त करती है:

वास्तविक वर्ग अनुपात $\hat{w}_k$ ।
वास्तविक पोस्टीरियर संभावनाएँ $\hat{\pi}_k(x)$ ।
इनका उपयोग फिर से अनुकूल लैग्रेंज मल्टीप्लायर्स (Lagrange multipliers) और अंतिम त्रुटि-नियंत्रित क्लासिफायर की गणना करने के लिए NPMC-CX सॉल्वर (Tian & Feng, 2025) में किया जाता है।

3. मुख्य योगदान (Key Contributions)

शोर वाले लेबलों के लिए पहला NPMC तरीका: यह शोर संक्रमण मैट्रिक्स को इनपुट के रूप में आवश्यक किए बिना मल्टीक्लास सेटिंग में लेबल शोर को संभालने के लिए पहला कार्य है।
सैद्धांतिक गारंटी (Theoretical Guarantees):
- निरंतरता और सामान्यता (Consistency & Normality): शोर मापदंडों और वास्तविक पोस्टीरियर्स के लिए प्रस्तावित मैक्सिमम एम्पीरिकल लाइकलीहुड एस्टिमेटर्स (MELE) निरंतर और इष्टतम अभिसरण दरों ( $O(n^{-1/2})$ ) के साथ स्पर्शोन्मुखी रूप से सामान्य (asymptotically normal) सिद्ध होते हैं।
- ओरेकल असमानताएँ (Oracle Inequalities): परिणामी क्लासिफायर NP ऑरेकल असमानताओं को संतुष्ट करता है। विशेष रूप से, क्लास-विशिष्ट त्रुटि दरें यथावत् $n$ के साथ $\alpha_k$ स्तरों तक पहुँचती हैं, जो स्वच्छ डेटा पर प्रशिक्षित एक ऑरेकल क्लासिफायर के प्रदर्शन से मेल खाती हैं।
किसी पूर्व ज्ञान की आवश्यकता नहीं: अन्य दृष्टिकोणों (जैसे Yao et al., 2023) के विपरीत, जिन्हें शोर मैट्रिक्स के लिए सीमाओं या सटीक मानों की आवश्यकता होती है, यह विधि सीधे डेटा से शोर संरचना को सीखती है।
एकीकृत ढांचा (Unified Framework): यह दृष्टिकोण स्वाभाविक रूप से बाइनरी और सामान्य मल्टीक्लास वर्गीकरण दोनों को संभालता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने व्यापक सिमुलेशन और वास्तविक-डेटा प्रयोग किए।

सिमुलेशन (Simulations):
- बाइनरी मामला (Binary Case): "वैनिला" (शोर को अनदेखा करने वाला) और "NPC" (सीमाओं की आवश्यकता वाला शोर-समायोजित अंब्रेला एल्गोरिदम) के विरुद्ध तुलना की गई। प्रस्तावित विधि ने 'वैनिला' और 'NPC' जैसे रूढ़िवादी तरीकों की तुलना में काफी कम टाइप II त्रुटि (उच्च शक्ति) के साथ लक्ष्य $\alpha$ के करीब टाइप I त्रुटि दर प्राप्त की। इसने "ऑरेकल" (जिसे वास्तविक शोर मैट्रिक्स ज्ञात है) के लगभग समान प्रदर्शन किया।
- मल्टीक्लास मामला (Multiclass Case): स्वतंत्र, आश्रित और असमान सहप्रसरण (unequal covariance) वाले गाऊसी डेटा पर परीक्षण किया गया। विधि ने नमूना आकार बढ़ने के साथ लक्ष्य स्तरों के करीब त्रुटि नियंत्रण बनाए रखा, जबकि वैनिला विधि या तो अत्यधिक रूढ़िवादी हो गई (उद्देश्य फलन के अनुकूलन का उल्लंघन करती है) या त्रुटि नियंत्रण में विफल रही।
- मजबूती (Robustness): विधि तब भी प्रभावी रही जब डेंसिटी रेश्यो मॉडल थोड़ा गलत (जैसे, गैर-गाऊसी डेटा) था, जिससे यह बेसलाइन से काफी बेहतर प्रदर्शन करती है।
वास्तविक डेटा (Real Data):
- इसे Landsat Satellite और Dry Bean डेटासेट पर लागू किया गया।
- परिणामों ने पुष्टि की कि विधि लक्ष्य स्तरों के करीब त्रुटि दर को नियंत्रित करती है और समग्र जोखिम को कम करती है, जो स्वच्छ लेबलों पर प्रशिक्षित क्लासिफायर के प्रदर्शन की बारीकी से नकल करती है।

5. महत्व (Significance)

यह शोध पत्र सुरक्षा-महत्वपूर्ण मशीन लर्निंग (safety-critical machine learning) के लिए एक महत्वपूर्ण समाधान प्रदान करता है। स्वास्थ्य सेवा या वित्त जैसे क्षेत्रों में, जहाँ विशिष्ट प्रकार की त्रुटियों को सख्ती से सीमित किया जाना चाहिए, शोर वाले डेटा पर प्रशिक्षण सुरक्षा बाधाओं के खतरनाक उल्लंघन का कारण बन सकता है।

व्यावहारिक प्रभाव: यह चिकित्सकों को वास्तविक दुनिया के डेटासेट (जो स्वाभाविक रूप से शोर युक्त होते हैं) पर NPMC फ्रेमवर्क का उपयोग करने की अनुमति देता है, बिना शोर संक्रमण मैट्रिक्स को मैन्युअल रूप से अनुमानित या सीमित किए।
सैद्धांतिक प्रगति: यह डेंसिटी रेश्यो मॉडलिंग, एम्पीरिकल लाइकलीहुड और बाधित वर्गीकरण (constrained classification) के बीच के अंतर को पाटता है, जो एक ऐसी समस्या के लिए कठोर सांख्यिकीय गारंटी प्रदान करता है जिसे पहले मजबूत पूर्व धारणाओं के बिना कठिन माना जाता था।
भविष्य की दिशाएँ: लेखक इंस्टेंस-डिपेंडेंट शोर (जहाँ शोर $X$ पर निर्भर करता है) के लिए ढांचे को विस्तारित करने और फीचर निष्कर्षण के लिए डीप न्यूरल नेटवर्क को एकीकृत करने का सुझाव देते हैं।