🤖 machine learning

Beyond Rigid Geometries: The Spline-Pullback Metric for Universal Diffeomorphic SPD Representation Learning

यह शोध पत्र स्प्लाइन-पुलबैक मेट्रिक (SPM) प्रस्तुत करता है, जो एक नवीन ढांचा है जो यूनिवर्सल डिफियोमॉर्फिक SPD रिप्रजेंटेशन लर्निंग प्राप्त करने के लिए कठोर, स्थिर रीमानियन मेट्रिक्स को एक सीखने योग्य, रैंक-इनवेरिएंट B-स्प्लाइन पैरामीट्रिज़ेशन से प्रतिस्थापित करता है, जिससे ग्रेडिएंट अस्थिरता और ज्यामितीय सीमाओं को दूर करते हुए विविध डीप लर्निंग आर्किटेक्चर में अत्याधुनिक प्रदर्शन प्रदान किया जा सके।

मूल लेखक: Tushar Das, Subrata Dutta, Sarmistha Neogy, Koushlendra Kumar Singh

प्रकाशित 2026-05-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tushar Das, Subrata Dutta, Sarmistha Neogy, Koushlendra Kumar Singh

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 जटिल आकृतियों को समझना सिखाने की कोशिश कर रहे हैं, जैसे कि रडार सिग्नल में पैटर्न या मानव हाथ की गति। इन आकृतियों को गणितीय रूप से संख्याओं के विशेष ग्रिड द्वारा दर्शाया जाता है जिन्हें SPD मैट्रिसेस (matrices) कहते हैं।

लंबे समय तक, कंप्यूटर इन आकृतियों से सीखने में संघर्ष करते रहे क्योंकि वे उन्हें एक कठोर, सीधी रेखा वाली दुनिया (यूक्लिडियन ज्यामिति) में फिट करने की कोशिश कर रहे थे। यह एक सपाट मानचित्र पर दो शहरों के बीच की दूरी मापने की कोशिश करने जैसा है जब पृथ्वी वास्तव में एक गोले के आकार की है; गणित गड़बड़ा जाता है, और कंप्यूटर भ्रमित हो जाता है।

इसे ठीक करने के लिए, वैज्ञानिकों ने इन आकृतियों को मापने के "वक्र" (curved) तरीके ईजाद किए, जिन्हें रीमानियन मेट्रिक्स (Riemannian metrics) कहा जाता है। लेकिन समस्या यह है कि दशकों तक, शोधकर्ताओं को हाथ से एक विशिष्ट "वक्र पैमाने" (curved ruler) को चुनना पड़ता था और उसी का पालन करना पड़ता था। यह एक दर्जी द्वारा एक ही निश्चित आकार के पैटर्न का उपयोग करके सूट बनाने जैसा था। यदि डेटा उस पैटर्न में पूरी तरह से फिट नहीं बैठता था, तो कंप्यूटर का प्रदर्शन प्रभावित होता था।

पुराने पैमानों के साथ समस्या

यह शोध पत्र तर्क देता है कि ये पुराने, निश्चित पैमाने बहुत कठोर हैं।

"एक ही आकार सबके लिए" वाला जाल: कुछ पैमाने छोटे नंबरों के लिए बहुत अच्छे होते हैं लेकिन बड़े नंबरों के लिए टूट जाते हैं। अन्य सुचारू डेटा के लिए अच्छे काम करते हैं लेकिन शोर (noise) से भ्रमित हो जाते हैं।
"ग्लिच" (Glitch) का जोखिम: इन पैमानों को लचीला बनाने के नए प्रयासों ने गणितीय ट्रिक्स का उपयोग किया जिससे कंप्यूटर डेटा को अपने ऊपर "मोड़" (fold) देता था या जानकारी खो देता था, जिससे गणना में त्रुटियां (जैसे शून्य से विभाजन) होती थीं।

नया समाधान: "स्प्लाइन-पुलबैक मेट्रिक" (SPM)

लेखक एक नया उपकरण पेश करते हैं जिसे स्प्लाइन-पुलबैक मेट्रिक (Spline-Pullback Metric - SPM) कहा जाता है।

सोचिए कि पुराने मेट्रिक्स एक कठोर धातु के पैमाने की तरह हैं। आप इसे कितना भी मोड़ने की कोशिश करें, यह सीधा रहता है या टूट जाता है।
नया SPM एक स्मार्ट, लचीले रबर बैंड की तरह है जो एक विशेष सामग्री से बना है जिसे "बी-स्प्लाइन" (B-spline) कहते हैं।

यह इस प्रकार काम करता है:

यह झुकना सीखता है: एक निश्चित आकार के बजाय, SPM एक लचीला वक्र है जिसे कंप्यूटर खुद को आकार देने के लिए प्रशिक्षित करता है। यह डेटा को देखता है और पूछता है, "शोर कहाँ है? महत्वपूर्ण सिग्नल कहाँ है?"
"सिकोड़ने और खींचने" का तरीका: कल्पना कीजिए कि आपके पास कुछ कंचों (डेटा पॉइंट्स) का ढेर है जो कुछ कचरे (शोर) के साथ मिला हुआ है।
- पुराने पैमाने सभी कंचों के साथ एक जैसा व्यवहार करते हैं।
- SPM कचरे के कंचों को सिकोड़कर एक छोटे, सपाट ढेर जैसा बना देता है, जबकि महत्वपूर्ण कंचों को एक-दूसरे से दूर खींचकर अलग कर देता है ताकि उन्हें पहचानना आसान हो जाए। यह अपने आकार को गतिशील रूप से बदलकर ऐसा करता है, बिल्कुल एक कुशल दर्जी की तरह जो किसी व्यक्ति के शरीर के अनुसार सूट को पूरी तरह से फिट करने के लिए उसे एडजस्ट करता है।
कोई ग्लिच नहीं: लेखकों ने गणितीय रूप से सिद्ध किया है कि उनका रबर बैंड कभी टूटता नहीं है, कभी खुद पर मुड़ता नहीं है, और कभी अटकता नहीं है। यह हमेशा एक सुचारू, निरंतर पथ बना रहता है, जिससे यह सुनिश्चित होता है कि कंप्यूटर बिना क्रैश हुए अगला कदम हमेशा कैलकुलेट कर सके।

टूल के दो संस्करण

पेपर दो तरीके प्रदान करता है जिनसे इस लचीले पैमाने का उपयोग किया जा सकता है, जो काम पर निर्भर करता है:

S-SPM (स्पेक्ट्रल): यह संस्करण डेटा की "आंतरिक आवृत्तियों" (inner frequencies) को देखता है। यह रेडियो को सबसे स्पष्ट सिग्नल खोजने के लिए ट्यून करने जैसा है। यह उस डेटा के लिए बेहतरीन है जहाँ सेंसरों का क्रम मायने नहीं रखता।
C-SPM (कोलेस्की): यह संस्करण डेटा को एक विशिष्ट, पदानुक्रमित क्रम (जैसे एक फैमिली ट्री) में देखता है। यह तेज़ और अधिक कुशल है, विशेष रूप से उस डेटा के लिए जिसमें एक स्पष्ट संरचना होती है, जैसे रडार एरे या कंकाल की गतिविधियाँ।

परिणाम: यह क्यों मायने रखता है

लेखकों ने तीन अलग-अलग वास्तविक चुनौतियों पर इस नए टूल का परीक्षण किया:

मानव गति (HDM05): शरीर की गतिविधियों से कार्यों को पहचानना।
हाथ के इशारे (FPHA): एक व्यक्ति अपने हाथों से क्या कर रहा है, इसे समझना।
रडार सिग्नल: विभिन्न प्रकार के रडार इको को अलग करना।

हर एक परीक्षण में, SPM ने पुराने, कठोर पैमानों और यहाँ तक कि नए, थोड़े लचीले पैमानों को भी पीछे छोड़ दिया। इसने उच्चतम सटीकता प्राप्त की, जिससे सिद्ध हुआ कि एक "सीखने योग्य" (learnable) ज्यामिति, हाथ से बनाए गए (hand-crafted) मॉडल से बेहतर है।

बड़ी तस्वीर

यह शोध पत्र दावा करता है कि यह जटिल आकृतियों को संभालने के तरीके में एक बड़ा बदलाव है। डेटा को हमारे गणितीय नियमों में फिट करने के बजाय, हम अब कंप्यूटर को डेटा के लिए सबसे अच्छा आकार सीखने के लिए एक लचीला उपकरण (स्प्लाइन) दे रहे हैं। यह एक चौकोर टुकड़े को गोल छेद में जबरदस्ती डालने बनाम एक ऐसे उपकरण के पास होने जैसा है जो छेद को टुकड़े के अनुसार बदलने की क्षमता रखता है।

संक्षेप में: यह पेपर एक नया, लचीला गणितीय पैमाना पेश करता है जो डेटा को समझने में कंप्यूटर के लिए आसान बनाने हेतु उसे खींचने और सिकोड़ने के लिए सीखता है, जिसके परिणामस्वरूप मोशन ट्रैकिंग और रडार विश्लेषण जैसे कार्यों के लिए स्मार्ट और अधिक सटीक AI प्राप्त होता है।

तकनीकी सारांश: यूनिवर्सल डिफियोमॉर्फिक SPD प्रतिनिधित्व शिक्षण के लिए स्प्लाइन-पुलबैक मेट्रिक (The Spline-Pullback Metric for Universal Diffeomorphic SPD Representation Learning)

1. समस्या विवरण (Problem Statement)

डीप लर्निंग में सिमेट्रिक पॉजिटिव डेफिनिट (SPD) मैट्रिसेस का एकीकरण ऐतिहासिक रूप से निश्चित, हस्तनिर्मित रीमानियन मेट्रिक्स (जैसे, एफ़ाइन-इनवेरिएंट, लॉग-यूक्लिडियन, लॉग-चोलेस्की) पर निर्भर रहा है। ये स्थिर सूत्र कठोर ज्यामितीय पूर्वधारणाएं (geometric priors) थोपते हैं जो नेटवर्क की अभिव्यक्ति (expressivity) और अनुकूलन क्षमता को सीमित करते हैं। हालांकि इन ज्यामितिओं को पैरामीटराइज़ करने के हालिया प्रयासों ने अभिव्यक्ति में सुधार करने का प्रयास किया है, वे अक्सर मौलिक गणितीय दोषों से ग्रस्त होते हैं:

टोपोलॉजिकल विफलताएं (Topological Failures): रैंक-निर्भर मैपिंग (जैसे, ALEM) प्राइमरी मैट्रिक्स फंक्शन्स की परिभाषा का उल्लंघन करती है, जिससे स्पेक्ट्रल सिंगुलैरिटीज़ (दोहराए गए आइगेनवैल्यू) पर एक-से-अनेक (one-to-many) मैपिंग होती है और ग्रेडिएंट अस्थिरता का कारण बनती है।
सरजक्टिविटी का अभाव (Lack of Surjectivity): पॉलिनॉमियल पावर मैपिंग (जैसे, PCM) अनकन्स्ट्रेंड यूक्लिडियन स्पेस पर SPD मैनिफोल्ड को वैश्विक रूप से मैप करने में विफल रहती है। अनडिफाइंड नेगेटिव प्री-इमेजेस को रोकने के लिए, वे गैर-इंजेक्टिव कम्प्यूटेशनल क्लिपिंग (जैसे, max(x, ϵ)) पर निर्भर करती हैं, जो एक जियोडेसिकली पूर्ण रीमानियन मेट्रिक के लिए आवश्यक बायजक्टिविटी (bijectivity) को तोड़ देती है।
ग्रेडिएंट अस्थिरता (Gradient Instability): मौजूदा विधियों में अक्सर $C^1$ स्मूथनेस की कमी होती है या उन्हें डिफियोमॉर्फिज्म को अनुमानित करने के लिए भारी कम्प्यूटेशनल लेयर कैस्केड्स की आवश्यकता होती है, जिससे स्पेक्ट्रल सिंगुलैरिटीज़ पर ग्रेडिएंट कोलैप्स होता है।

केंद्रीय चुनौती स्थिर गणितीय पूर्वधारणाओं से गतिशील, कम्प्यूटेशनल रूप से कुशल और पूरी तरह से सीखने योग्य टोपोलॉजिकल प्रतिनिधित्व की ओर संक्रमण करना है जो डिफरेंशियल ज्योमेट्री के मौलिक सिद्धांतों को सुरक्षित रखे।

2. कार्यप्रणाली: स्प्लाइन-पुलबैक मेट्रिक (Methodology: The Spline-Pullback Metric - SPM)

लेखक स्प्लाइन-पुलबैक मेट्रिक (SPM) पेश करते हैं, जो B-स्प्लिन्स का उपयोग करके SPD मैनिफोल्ड और एक फ्लैट यूक्लिडियन स्पेस के बीच वैश्विक डिफियोमॉर्फिज्म को पैरामीटराइज़ करता है। पिछले दृष्टिकोणों के विपरीत, SPM स्वयं रीमानियन मेट्रिक टेंसर को एक एंड-टू-एंड सीखने योग्य प्रतिनिधित्व के रूप में मानता है।

मुख्य तंत्र (Core Mechanism)

SPM एक पैरामीटराइज़्ड, स्ट्रिक्टली मोनोटोनिक स्केलर मैपिंग $f_\theta: \mathbb{R}_{>0} \to \mathbb{R}$ पर निर्भर करता है।

लॉगारिदमिक डोमेन (Logarithmic Domain): वैश्विक सरजक्टिविटी सुनिश्चित करने और ग्रेडिएंट अस्थिरता से बचने के लिए, मैपिंग लॉगरिदमिक डोमेन में संचालित होती है।
B-स्प्लाइन निर्माण (B-Spline Construction): मैपिंग का मूल एक डिग्री $k$ वाला B-स्प्लाइन $S(x)$ है जिसके सीखने योग्य कंट्रोल कोएफिशिएंट्स $c_i$ हैं।
मोनोटोनिसिटी बाधा (Monotonicity Constraint): यह गारंटी देने के लिए कि मैपिंग एक डिफियोमॉर्फिज्म (बायजेक्टिव और स्मूथ) है, कंट्रोल कोएफिशिएंट्स को स्ट्रिक्टली इनक्रीजिंग ( $c_i > c_{i-1}$ ) के रूप में बाधित किया जाता है। यह एक संचयी सॉफ्टप्लस रीपैरामीट्रिज़ेशन के माध्यम से प्राप्त किया जाता है: $c_i = c_{i-1} + \text{softplus}(w_i) + \epsilon$ ।
बाउंडरी हैंडलिंग (Boundary Handling): नॉट वेक्टर के बाहर, मैपिंग बाउंड्री डेरिवेटिव्स का उपयोग करके बाउंडेड लीनियर एक्सट्रपलेशन के माध्यम से विस्तार करती है, जिससे यह सुनिश्चित होता है कि फंक्शन संपूर्ण रियल लाइन को कवर करता है।

इंस्टेंशिएशंस (Instantiations)

पेपर SPM के दो विशिष्ट इंस्टेंशिएशंस प्रस्तावित करता है:

स्पेक्ट्रल-SPM (S-SPM): यह SPD मैट्रिक्स के आइगेनवैल्यूज पर सीधे स्केलर डिफियोमॉर्फिज्म $f_\theta$ लागू करता है ( $S = U\Sigma U^\top \to U \text{diag}(f_\theta(\lambda_i)) U^\top$ )। यह लोकलाइज्ड स्पेक्ट्रल मॉडलिंग की अनुमति देता है, जहाँ मेट्रिक गतिशील रूप से नॉइज़ बैंड्स को कंप्रेस और सिग्नल बैंड्स को एक्सपैंड कर सकता है।
चोलेस्की-SPM (C-SPM): यह स्केलर डिफियोमॉर्फिज्म को केवल चोलेस्की फैक्टर ( $L$ ) के स्ट्रिक्टली पॉजिटिव डायगोनल एलिमेंट्स पर लागू करता है, जबकि लोअर ट्राइएंगुलर एलिमेंट्स को आइडेंटिटी मैपिंग के रूप में छोड़ देता है। यह $O(n^3)$ लागत और संबंधित डेलेकी-क्रेइन (Daleckĭ-Kreĭn) स्ट्रक्चरल ग्रेडिएंट से बचता है, जो पदानुक्रमित (hierarchically) डेटा के लिए बेहतर संख्यात्मक स्थिरता और गति प्रदान करता है।

सैद्धांतिक गारंटी (Theoretical Guarantees)

लेखक कठोर प्रमाण प्रदान करते हैं कि:

ग्लोबल डिफियोमॉर्फिज्म (Global Diffeomorphism): SPM एक ग्लोबली बायजेक्टिव, $C^1$ -स्मूथ डिफियोमॉर्फिज्म है।
यूनिवर्सल एप्रोक्सिमेशन (Universal Approximation): SPM किसी भी कॉम्पैक्ट स्पेक्ट्रल इंटरवल पर स्ट्रिक्टली इनक्रीजिंग $C^1$ डिफियोमॉर्फिज्म के लिए एक डेंस यूनिवर्सल एप्रोक्सिमेटर है। यह सैद्धांतिक रूप से मौजूदा पुलबैक मेट्रिक्स (जैसे लॉग-यूक्लिडियन और पावर-चोलेस्की) को विशेष मामलों के रूप में समाहित करता है।
जियोमेट्रिक प्रॉपर्टीज (Geometric Properties): प्रेरित मैनिफोल्ड में जीरो सेक्शनल कर्वेचर (ग्लोबली फ्लैट) होता है, इसमें एक क्लोज्ड-फॉर्म फ्रेचेट मीन (Fréchet mean) होता है, और पाथ-इंडिपेंडेंट पैरेलल ट्रांसपोर्ट की अनुमति होती है।
ग्रेडिएंट स्थिरता (Gradient Stability): स्पेक्ट्रल सिंगुलैरिटीज़ ( $\lambda_i = \lambda_j$ ) को संभालने के लिए, लेखक एक एसिमेट्रिक स्पेक्ट्रल परटर्बेशन (फ्लोट64 प्रिसिजन में आइगेनवैल्यूज में एक छोटा, बढ़ता हुआ वेक्टर जोड़ना) पेश करते हैं, जो बैकवर्ड पास के लिप्सचिट्ज़ कॉन्स्टेंट को सख्ती से बांधता है।

3. प्रमुख योगदान (Key Contributions)

गणितीय औपचारिकता (Mathematical Formalization): पेपर यह सिद्ध करता है कि SPM (और इसके इंस्टेंशिएशंस S-SPM और C-SPM) एक पूर्णतः सीखने योग्य, जियोडेसिकली पूर्ण ग्लोबल रीमानियन डिफियोमॉर्फिज्म और एक यूनिवर्सल एप्रोक्सिमेटर है।
टोपोलॉजिकल समाधान (Topological Solution): यह वर्तमान मेट्रिक्स (रैंक-स्वैपिंग डिस्कंटीन्यूइटीज़, सरजक्टिविटी की कमी, और ग्रेडिएंट कोलैप्स) की टोपोलॉजिकल सीमाओं की पहचान करता है और उन्हें एक रैंक-इनवेरिएंट, मोनोटोनिकली कंस्ट्रेंड B-स्प्लाइन दृष्टिकोण द्वारा हल करता है।
संख्यात्मक स्थिरता प्रोटोकॉल (Numerical Stability Protocol): लेखक डेलेकी-क्रेइन स्ट्रक्चरल ग्रेडिएंट के लिप्सचिट्ज़ कॉन्स्टेंट को बांधने के लिए एक एसिमेट्रिक फ्लोट64 मैट्रिक्स परटर्बेशन प्रोटोकॉल पेश करते हैं, जो स्पेक्ट्रल सिंगुलैरिटीज़ पर रीमानियन बैकप्रोपैगेशन की संख्यात्मक अस्थिरता को हल करता है।
अनुभवजन्य प्रदर्शन (Empirical Performance): एक कठोर मूल्यांकन प्रोटोकॉल के तहत, SPM 7 अलग-अलग मेट्रिक्स का उपयोग करके 9 परीक्षण किए गए डेटासेट और आर्किटेक्चर संयोजनों (लीनियर प्रोब्स, SPDNets, और डीप रीमानियन रेसनैट्स) में स्टेट-ऑफ-द-आर्ट सटीकता प्राप्त करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन डेटासेट्स पर SPM का मूल्यांकन किया: HDM05 (काइनेमैटिक एक्शन रिकग्निशन), FPHA (फर्स्ट-पर्सन हैंड एक्शन्स), और Radar (सिग्नल प्रोसेसिंग)।

सिंथेटिक वैलिडेशन (Synthetic Validation): एक 1D सिंथेटिक फंक्शन एप्रोक्सिमेशन टास्क में, SPM जटिल, नॉन-लीनियर मैपिंग (शोर और सिग्नल को अलग करने के लिए "स्टेयरकेस" फंक्शन सहित) को सफलतापूर्वक सीख सका, जिसे कठोर शास्त्रीय मेट्रिक्स नहीं कर सके। एक एडवरसेरियल क्लासिफिकेशन टास्क में, अल्टरनेटिंग आइगेनवैल्यू बैंड्स के साथ, S-SPM ने 100% सटीकता प्राप्त की, जबकि रिजिड बेसलाइन्स (लॉग-यूक्लिडियन, लॉग-चोलेस्की) गंभीर अंडरफिटिंग (63-66%) से ग्रस्त रहे।
वास्तविक दुनिया के डेटासेट्स (Real-World Datasets):
- HDM05: S-SPM ने सभी आर्किटेक्चर में सर्वश्रेष्ठ परिणाम दिए, विशेष रूप से RResNet पर 0.6801, जिसने सर्वश्रेष्ठ बेसलाइन (ALEM @ 0.6777) को पीछे छोड़ दिया।
- FPHA: S-SPM ने SPDNet आर्किटेक्चर में सर्वश्रेष्ठ बेसलाइन (PCM @ 0.7357) की तुलना में महत्वपूर्ण सुधार (0.9043) और लीनियर प्रोब्स पर (0.8574 बनाम 0.6817) हासिल किया।
- Radar: C-SPM ने उच्चतम लीनियर प्रोब सटीकता (0.9687) प्राप्त की और पदानुक्रमित डेटा के लिए बेहतर दक्षता और स्थिरता प्रदर्शित करते हुए प्रतिस्पर्धी स्कोर बनाए रखा।

5. महत्व और दावे (Significance and Claims)

यह पेपर SPM को "हस्तनिर्मित फीचर सिलेक्शन" से "यूनिवर्सल ज्योमेट्रिक एप्रोक्सिमेशन" के पैराडाइम शिफ्ट के रूप में स्थापित करता है।

पैराडाइम शिफ्ट (Paradigm Shift): लेखक दावा करते हैं कि SPM B-स्प्लिन्स के माध्यम से पैरामीटराइज़्ड यूनिवर्सल रीमानियन डिफियोमॉर्फिक मेट्रिक लर्निंग का परिचय देने वाला पहला फ्रेमवर्क है। यह डिफरेंशियल ज्योमेट्री के मौलिक सिद्धांतों से समझौता किए बिना लोकलाइज्ड स्पेक्ट्रल मॉडलिंग को सक्षम बनाता है।
व्याख्यात्मकता (Explainability): सीखा गया B-स्प्लाइन कोएफिशिएंट डेटा की स्पेक्ट्रल संरचना (जैसे, यह पहचानना कि कौन से आइगेनवैल्यू रेंज शोर बनाम सिग्नल के अनुरूप हैं) के बारे में सीधा अंतर्दृष्टि प्रदान करते हैं, जो रीमानियन मेट्रिक व्याख्या योग्य AI (RMXAI) में एक नया क्षितिज खोलता है।
भविष्य की दिशाएं (Future Directions): पेपर विनम्रतापूर्वक सुझाव देता है कि जबकि SPM कठोर पूर्वधारणाओं को समाप्त करता है, भविष्य के कार्य में रीमानियन मेट्रिक इनिशियलाइजेशन (RMI) (SPM मैनिफोल्ड के लिए अनुकूल इनिशियलाइजेशन डिस्ट्रीब्यूशन तैयार करना) और रीमानियन मेट्रिक रेगुलराइजेशन (RMR) (स्पलाइन के दूसरे डेरिवेटिव को रेगुलराइज़ करके डेटा-दुर्लभ वातावरण में ओवरफिटिंग को रोकना) की आवश्यकता है।

लेखक निष्कर्ष निकालते हैं कि मेट्रिक टेंसर को एक सीखने योग्य, पैरामीटर-एफिशिएंट यूनिवर्सल एप्रोक्सिमेटर के रूप में मानकर, SPM उच्च अभिव्यक्ति (high expressivity) प्राप्त करता है, जबकि एक गणितीय रूप से सुदृढ़, स्थिर और व्याख्या योग्य फ्रेमवर्क प्रदान करता है।