🤖 AI

Exact Regular-Constrained Variable-Order Markov Generation via Sparse Context-State Belief Propagation

यह शोध पत्र एक स्पार्स कॉन्टेक्स्ट-स्टेट बिलीफ प्रोपेगेशन विधि प्रस्तुत करता है जो प्रेक्षित कॉन्टेक्स्ट और कंस्ट्रेंट ऑटोमेटा के बीच एक प्रोडक्ट स्टेट स्पेस का निर्माण करके, नियमित बाधाओं के तहत वेरिएबल-ऑर्डर मार्कोव मॉडल से अनुक्रमों के सटीक उत्पादन को सक्षम बनाता है, जिससे फुल K-टुपल एक्सपेंशन के कम्प्यूटेशनल विस्फोट से बचा जा सके और रिवर्सिबल डेटा ऑग्मेंटेशन को समर्थन मिल सके।

मूल लेखक: François Pachet

प्रकाशित 2026-05-11

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: François Pachet

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: "स्मार्ट कहानीकार" बनाम "सख्त संपादक"

कल्पना कीजिए कि आप दो बहुत अलग लक्ष्यों के साथ एक कहानी लिखने (या संगीत की रचना करने) की कोशिश कर रहे हैं:

स्मार्ट कहानीकार (वेरिएबल-ऑर्डर मॉडल): आप चाहते हैं कि कहानी स्वाभाविक और प्रभावशाली लगे। यदि आपने "ड्रैगन" के बारे में लिखना शुरू किया है, तो आपको शायद आगे "आग" के बारे में लिखना चाहिए। लेकिन यदि आप "एक ड्रैगन जो सैंडविच खा रहा है" के बारे में लिख रहे थे, तो यह अजीब है, इसलिए आपको पीछे हट जाना चाहिए और केवल सामान्य रूप से "एक ड्रैगन" के बारे में लिखना चाहिए। यह एक वेरिएबल-ऑर्डर मार्कोव मॉडल (Variable-Order Markov Model) है। यह आपके इतिहास को देखता है, सबसे लंबे सार्थक पैटर्न को ढूंढता है, और उस आधार पर अगले शब्द का अनुमान लगाता है। यह लचीला और चतुर है।
सख्त संपादक (नियमित बाधाएं/Regular Constraints): आपके पास एक बॉस है जो कहता है, "कहानी 'एक समय की बात है' से शुरू होनी चाहिए, 'समाप्त' पर खत्म होनी चाहिए, और आपको कहीं भी 'केला' शब्द का उपयोग करने की सख्त मनाही है।" ये नियमित बाधाएं (Regular Constraints) हैं। ये कठोर नियम हैं जो पूरे अनुक्रम (sequence) पर लागू होते हैं, न कि केवल अगले शब्द पर।

समस्या:
लंबे समय तक, कंप्यूटर "सख्त संपादक" के नियमों को आसानी से संभाल सकते थे, लेकिन केवल तभी जब "स्मार्ट कहानीकार" बहुत सरल हो (जो केवल लिखे गए पिछले एक शब्द को देखता हो)। यदि कहानीकार इतना स्मार्ट था कि निर्णय लेने के लिए पिछले पाँच शब्दों को देख सके, तो कंप्यूटर भ्रमित हो जाता था। इसने स्मार्ट कहानीकार को एक साधारण बॉक्स में फिट करने की कोशिश की, जिससे उसकी शैली खराब हो गई, या इसने शब्दों के हर संभावित संयोजन को सूचीबद्ध करने की कोशिश की, जिसमें बहुत समय लगा और कंप्यूटर क्रैश हो गया।

समाधान:
यह शोध पत्र एक नया तरीका पेश करता है जिससे "स्मार्ट कहानीकार" अपनी बुद्धिमत्ता खोए बिना या कंप्यूटर को क्रैश किए बिना "सख्त संपादक" के साथ काम कर सके। यह इसे एक विशेष मानचित्र (specialized map) बनाकर करता है जिसमें केवल वे रास्ते शामिल हैं जिन्हें कहानीकार वास्तव में जानता है, न कि ब्रह्मांड के हर संभावित पथ का मानचित्र।

मुख्य उपमा: हाइकिंग ट्रेल (पगडंडी) बनाम ग्रिड

1. पुराना तरीका (सघन ग्रिड - The Dense Grid)

कल्पना कीजिए कि आप हाइकिंग (पदयात्रा) कर रहे हैं। नियमों (जैसे "आपको दोपहर तक शिखर पर पहुँचना है") के साथ हाइक की योजना बनाने का "पुराना तरीका" पूरे पहाड़ पर एक विशाल ग्रिड बनाना है, हर संभव कदम, हर संभव चट्टान और हर संभव झाड़ी।

समस्या: यदि आप 1,000 पेड़ों वाले जंगल में हाइकिंग कर रहे हैं, तो यह ग्रिड बहुत बड़ा होगा। इसका अधिकांश हिस्सा खाली स्थान है जहाँ आप चल नहीं सकते। इस विशाल, खाली ग्रिड पर सबसे अच्छा रास्ता खोजने की गणना करना धीमा और अपव्ययपूर्ण है।

2. शोध पत्र का तरीका (विरल पगडंडी मानचित्र - The Sparse Trail Map)

लेखक कहते हैं: "पूरा पहाड़ क्यों बनाना? बस वह वास्तविक पगडंडी (trail) बनाइए जिस पर हाइकर पहले चल चुका है।"

"विरल संदर्भ" (The Sparse Context): कंप्यूटर केवल उन विशिष्ट शब्द अनुक्रमों (या नोट्स) को देखता है जो वास्तव में प्रशिक्षण डेटा (training data) में मौजूद हैं। यह वास्तविक पगडंडियों का एक नक्शा बनाता है।
"उत्पाद" (The Product): इसके बाद, यह "सख्त संपादक" के नियमों (मानचित्र पर लाल रेखाएं जो कहती हैं "यहाँ न गुजरें") को इस विशिष्ट पगडंडी मानचित्र पर ओवरले (overlay) करता है।
परिणाम: कंप्यूटर केवल उन वास्तविक पगडंडियों पर अगले कदम की संभावना की गणना करता है जो अभी भी वैध हैं। यह खाली स्थान को अनदेखा कर देता है। यह गणना को तेज़ और सटीक बनाता है।

सरल भाषा में स्पष्ट किए गए मुख्य विचार

1. "बैकऑफ" (सुरक्षा जाल - The Safety Net)

संगीत या टेक्स्ट जनरेशन में, कभी-कभी आप फंस जाते हैं। आप अगले नोट को तय करने के लिए पिछले 5 नोट्स को याद करने की कोशिश करते हैं, लेकिन आपने पहले कभी उस विशिष्ट 5-नोट संयोजन को नहीं देखा है।

शोध पत्र का दृष्टिकोण: सिस्टम "बैकऑफ" करता है। यह कहता है, "ठीक है, मुझे पिछले 5 नोट्स नहीं पता, चलो पिछले 4 को देखते हैं। यदि वह भी नया है, तो 3, फिर 2, फिर 1 को आजमाते हैं।"
नवाचार: यह शोध पत्र सुनिश्चित करता है कि जब कंप्यूटर यह जाँचता है कि क्या कोई पथ "सख्त संपादक" के नियमों के तहत वैध है, तो वह इस बैकऑफ प्रक्रिया का सम्मान करता है। यह सिस्टम को यह दिखाने के लिए मजबूर नहीं करता कि वह 5-नोट पैटर्न जानता है यदि वह नहीं जानता।

2. "सटीकता" (कोई अनुमान नहीं - Exactness)

कई AI सिस्टम तेज़ होने के लिए शॉर्टकट (अनुमान) का उपयोग करते हैं। वे अनुमान लगा सकते हैं, "यह रास्ता ठीक लग रहा है, चलो इसे आजमाते हैं।"

शोध पत्र का दावा: यह विधि सटीक (exact) है। यह अनुमान नहीं लगाती। यह गणितीय रूप से सिद्ध करती है कि नियमों को देखते हुए अगले नोट की संभावना सही है। यह एक पूर्ण कैलकुलेटर की तरह है जो कहता है, "यदि आप इस रास्ते से जाते हैं तो शिखर तक पहुँचने की 90% संभावना है, और दूसरे रास्ते के लिए 10% संभावना है," जिसमें शून्य त्रुटि है।

3. "आभासी संवर्धन" (जादुई दर्पण - Virtual Augmentation)

कल्पित करें कि आपके पास 100 गीतों का एक छोटा संग्रह है। आप अपने AI को 1,200 गीतों पर प्रशिक्षित करना चाहते हैं (मूल 100 गीत प्लस प्रत्येक गीत के पिच में ऊपर या नीचे शिफ्ट किए गए 11 संस्करण)।

पुराना तरीका: आप मूल फाइलों को भौतिक रूप से कॉपी और पेस्ट करते हैं, जिससे 1,200 अलग-अलग फाइलें बन जाती हैं। यह बहुत अधिक हार्ड ड्राइव स्पेस लेता है।
शोध पत्र का तरीका: आप मूल 100 फाइलों को रखते हैं। जब कंप्यूटर को एक शिफ्ट किए गए संस्करण की आवश्यकता होती है, तो यह इसे चलते समय (on the fly) गणना करता है (जैसे एक जादुई दर्पण जो गीत को अलग की (key) में प्रतिबिंबित करता है)। शोध पत्र दिखाता है कि आप अतिरिक्त फ़ाइलों को वास्तव में स्टोर किए बिना यह कर सकते हैं, जिससे समान परिणाम प्राप्त करने के लिए भारी मात्रा में स्पेस बचता है।

4. "साहित्यिक चोरी-रोधी" (वर्जित वाक्यांश - Anti-Plagiarism)

परीक्षण किया गया एक विशिष्ट नियम था: "प्रशिक्षण डेटा में पहले से मौजूद 5 नोट्स के अनुक्रम की नकल न करें।"

यह कैसे काम करता है: सिस्टम एक "वर्जित सूची" (automaton) बनाता है। जैसे-जैसे यह संगीत उत्पन्न करता है, यह लगातार जाँचता है: "यदि मैं यह नोट बजाता हूँ, तो क्या मैं अनजाने में एक वर्जित 5-नोट वाक्यांश को पूरा कर दूँगा?"
परिणाम: सिस्टम ने सफलतापूर्वक ऐसा संगीत उत्पन्न किया जो मूल शैली (बाख/Bach) जैसा लगा लेकिन स्रोत से किसी भी 5-नोट के टुकड़ों की हूबहू नकल करने से बचा।

उन्होंने वास्तव में क्या सिद्ध किया?

शोध पत्र यह दावा नहीं करता कि यह बीमारियों का इलाज करेगा या अपने आप अगला महान उपन्यास लिखेगा। यह दो विशिष्ट, तकनीकी दावे करता है जिनका परीक्षण किया गया था:

यह छोटे परीक्षणों पर पूरी तरह काम करता है: बहुत छोटे, सरल उदाहरणों (जैसे कुछ संख्याएँ) पर, उन्होंने गणितीय रूप से सिद्ध किया कि उनकी विधि उसी परिणाम को उत्पन्न करती है जो एक 'ब्रूट-फोर्स' विधि (जो हर एक संभावना की जाँच करती है) देती है।
यह बड़े पैमाने पर काम करता है (Scales up): उन्होंने बाख (Bach) के संगीत के एक टुकड़े पर इसका परीक्षण किया। उन्होंने दिखाया कि उनका "विरल पगडंडी मानचित्र" (Sparse Trail Map) विधि नियमों को संभालने के लिए पर्याप्त तेज़ थी, जबकि "पुराना तरीका" (हर संभावना को मैप करने की कोशिश करना) असंभव रूप से बड़ा और धीमा होता।

सारांश

यह शोध पत्र एक स्मार्ट, लचीले AI के लिए एक ट्रैफिक कंट्रोलर बनाने के बारे में है।

AI रचनात्मक होना चाहता है और अच्छे अनुमान लगाने के लिए अपने इतिहास को देखना चाहता है।
ट्रैफिक कंट्रोलर के पास सख्त नियम हैं (यहाँ से शुरू करें, वहाँ समाप्त करें, उसकी नकल न करें)।
शोध पत्र एक नया मानचित्र प्रदान करता है जो AI को अपनी रचनात्मक सहजता का पालन करने देते हुए भी नियमों का सख्ती से पालन करने की अनुमति देता है, बिना असंभव संभावनाओं के भूलभुलैया में खोए। यह ऐसा इसलिए करता है क्योंकि यह केवल उन्हीं सड़कों को देखता है जो वास्तव में मौजूद हैं।

तकनीकी सारांश: स्पार्स कॉन्टेक्स्ट-स्टेट बिलीफ प्रोपेगेशन के माध्यम से सटीक रेगुलर-कंस्ट्रेंड वेरिएबल-ऑर्डर मार्कोव जनरेशन

1. समस्या विवरण

अनुक्रम जनरेशन सिस्टम अक्सर स्थानीय सांख्यिकीय सुसंगतता (local statistical coherence) और स्पष्ट वैश्विक नियंत्रण (explicit global control) के बीच एक संघर्ष का सामना करते हैं। वेरिएबल-ऑर्डर मार्कोव (VOM) मॉडल पूर्ववर्ती (former) में उत्कृष्ट हैं क्योंकि वे प्रत्येक सिंबल को उपलब्ध इतिहास के सबसे लंबे सफिक्स (suffix) पर आधारित करते हैं जिसने निरंतरता देखी है, जिससे फिक्स्ड-ऑर्डर मॉडल की कठोरता के बिना स्थानीय शैलीगत पैटर्न सुरक्षित रहते हैं। रेगुलर कंस्ट्रेंट्स (जैसे निश्चित स्थान, वर्जित सबस्ट्रिंग्स, मेट्रिकल पैटर्न) के लिए मौजूदा सटीक विधियाँ (जैसे बिलीफ प्रोपेगेशन - BP) प्रथम-क्रम (first-order) मार्कोव श्रृंखलाओं तक सीमित हैं।

मुख्य समस्या यह है कि VOM जनरेशन को रेगुलर कंस्ट्रेंट्स के साथ कैसे जोड़ा जाए बिना:

मेमोरी को कोलैप्स किए: वेरिएबल-ऑर्डर जनरेटर को फर्स्ट-ऑर्डर चेन में प्रोजेक्ट करना, जो विशिष्ट संदर्भ जानकारी खो देता है जो सही वेरिएबल-ऑर्डर संभावनाओं के लिए आवश्यक है।
स्टेट स्पेस को विस्तारित किए: मॉडल को एक डेंस ऑर्डर- $K$ स्टेट स्पेस (सभी संभावित $K$ -टुपल्स) में उठाना, जो कम्प्यूटेशनल रूप से अव्यवहार्य ( $|V|^K$ ) है और वास्तविक डेटा की स्पर्सिटी (sparsity) की अनदेखी करता है।

एक नाईव (naive) फर्स्ट-ऑर्डर BP का उपयोग करने वाला फेज़िबिलिटी मास्क विफल हो जाता है क्योंकि यह "नाजुक" भविष्य (कम संभाव्यता द्रव्यमान) और "प्रचुर" भविष्य के बीच अंतर नहीं कर सकता, जिससे गलत कंडीशनल डिस्ट्रीब्यूशन उत्पन्न होते हैं।

2. कार्यप्रणाली

2.1 स्पार्स कॉन्टेक्स्ट-स्टेट एब्स्ट्रैक्शन

यह पेपर एक स्पार्स कॉन्टेक्स्ट-स्टेट कंस्ट्रक्शन का प्रस्ताव करता है। पिछले उत्सर्जित सिंबल (फर्स्ट-ऑर्डर) या सभी $K$ -टुपल्स (डेंस ऑर्डर- $K$ ) के बजाय, इन्फरेंस स्टेट को प्रशिक्षित मॉडल में देखे गए सक्रिय संदर्भ (active context) के रूप में परिभाषित किया गया है।

कॉन्टेक्स्ट-स्टेट सेट ( $\mathcal{T}$ ): देखे गए कॉन्टेक्स्ट का सेट जो बैकऑफ नियम द्वारा आवश्यक सफिक्स के तहत क्लोज्ड है।
ट्रांजिशन सिस्टम: एक सिंबल $y$ उत्सर्जित करना और संदर्भ को नए इतिहास के सबसे लंबे सफिक्स में अपडेट करना जो $\mathcal{T}$ में मौजूद है।
एज वेट्स (Edge Weights): ट्रांजिशन की संभावना वेरिएबल-ऑर्डर कंडीशनल प्रोबेबिलिटी $P_{VO}(y|s)$ है, जिसे जनरेशन-टाइम पॉलिसी (जैसे सिंगलटन अवॉयडेंस) द्वारा संशोधित किया जा सकता है।

2.2 रेगुलर कंस्ट्रेंट इंटीग्रेशन

यह विधि स्पार्स कॉन्टेक्स्ट ग्राफ और रेगुलर कंस्ट्रेंट ऑटोमेटन $\mathcal{A} = (Q, V, \delta, q_0, F)$ के बीच एक प्रोडक्ट ऑटोमेटन बनाती है।

स्टेट स्पेस: इन्फरेंस स्टेट एक जोड़ी $(s, q)$ है, जहाँ $s \in \mathcal{T}$ सक्रिय संदर्भ है और $q \in Q$ ऑटोमेटन स्टेट है।
बिलीफ प्रोपेगेशन (BP): इस प्रोडक्ट ग्राफ पर स्टैंडर्ड फॉरवर्ड-बैकवर्ड डायनेमिक प्रोग्रामिंग की जाती है।
- बैकवर्ड मैसेजेस ( $\beta$ ): दिए गए प्रोडक्ट स्टेट से क्षितिज (horizon) तक शेष "एक्सेप्टिंग मास" की गणना करता है।
- सैंपलिंग: एक एज को स्थानीय ट्रांजिशन प्रोबेबिलिटी और डेस्टिनेशन स्टेट के बैकवर्ड मैसेज के गुणनफल के आनुपातिक रूप से चुनकर एंसेस्ट्रल सैंपलिंग की जाती है।

2.3 जनरेशन-टाइम पॉलिसीज को हैंडल करना

यह पेपर एक निश्चित स्टोकेस्टिक सोर्स के सटीक कंडीशनिंग और कंस्ट्रेंड जनरेशन पॉलिसीज (जैसे कॉन्टिनुएटर-स्टाइल बैकऑफ) के बीच अंतर करता है।

यदि ऑर्डर चयन एक फिक्स्ड सोर्स परिभाषा का हिस्सा है, तो BP एक सटीक पोस्टीरियर देता है।
यदि ऑर्डर चयन एक डायनेमिक पॉलिसी है (जैसे "सिंगलटन कॉन्टिनुएशन के साथ हाई-ऑर्डर कॉन्टेक्स्ट को स्किप करना"), तो पेपर इसे एक ऐसी प्रक्रिया के रूप में औपचारिक रूप देता है जहाँ BP प्रत्येक कैंडिडेट ऑर्डर के भीतर सटीक भविष्य का द्रव्यमान प्रदान करता है, और पॉलिसी उच्चतम व्यवहार्य ऑर्डर चुनती है। इसे स्पष्टता बनाए रखने के लिए BP इन्फरेंस को पॉलिसी लॉजिक से अलग करना आवश्यक है।

2.4 रिवर्सिबल डेटा ऑग्मेंटेशन

यह फ्रेमवर्क रिवर्सिबल ट्रांसफॉर्मेशन (जैसे पिच ट्रांसपोज़िशन) का समर्थन करता है बिना रूपांतरित कॉर्पोरा को भौतिक रूप से बनाए रखे। ट्रांसफॉर्मेशन $g$ के तहत संदर्भ $s$ के लिए काउंट्स की गणना इनवर्स लुकअप के माध्यम से की जाती है:
$N_G(s, y) = \sum_{g \in G} N(g^{-1}s, g^{-1}y)$
यह BP मशीनरी को एक "वर्चुअल" ऑगमेंटेड सोर्स पर संचालित करने की अनुमति देता है जबकि केवल मूल काउंट टेबल ही स्टोर की जाती है।

3. मुख्य योगदान

BP-रेगुलर मशीनरी का वेरिएबल-ऑर्डर विस्तार: पेपर ने सही स्पार्स स्टेट स्पेस (देखे गए कॉन्टेक्स्ट) की पहचान की है जिस पर वेरिएबल-ऑर्डर जनरेटर्स के लिए मौजूदा BP-रेगुलर एल्गोरिदम चलाया जा सकता है, जिससे फर्स्ट-ऑर्डर प्रोजेक्शन का मिसमैच टल जाता है।
सटीक स्पार्स कंस्ट्रक्शन: एक औपचारिक अपघटन जो दिखाता है कि देखे गए वेरिएबल-ऑर्डर कॉन्टेक्स्ट और कंस्ट्रेंट ऑटोमेटन के प्रोडक्ट पर BP चलाकर सटीक कंस्ट्रेंड जनरेशन प्राप्त किया जा सकता है।
जटिलता विश्लेषण: इन्फरेंस, फिक्स्ड ट्रेंड प्रोडक्ट ग्राफ के लिए सीक्वेंस होराइजन में लीनियर है और देखे गए प्रोडक्ट एडजेस के बहुपद (polynomial) में है, न कि ऑर्डर $K$ में एक्सपोनेंशियल।
पॉलिसी पृथक्करण: सटीक BP इन्फरेंस और जनरेशन-टाइम ऑर्डर पॉलिसीज (जैसे सिंगलटन अवॉयडेंस) के बीच एक स्पष्ट अंतर, जो यह सुनिश्चित करता है कि "सटीकता" के दावे अर्थपूर्ण रूप से सटीक हैं।
वर्चुअल ऑग्मेंटेशन इंटरफेस: स्रोत स्तर पर रिवर्सिबल डेटा ऑग्मेंटेशन को संभालने का एक तरीका, जो मूल कॉर्पस को स्टोर करते हुए भी ऑगमेंटेड सोर्स के स्टैटिस्टिक्स से मेल खाता है।

4. प्रयोगात्मक परिणाम

4.1 सटीकता सत्यापन (टिनी कॉर्पोरा)

छोटे इंटीजर कॉर्पोरा का उपयोग करते हुए जहाँ पूर्ण कंस्ट्रेंड डिस्ट्रीब्यूशन को एन्यूмереट (enumerate) किया जा सकता है:

पार्टीशन फंक्शन: BP-कंप्यूटेड पार्टीशन फंक्शन ( $Z_{BP}$ ) ब्रूट-फोर्स एन्यूमरेशन ( $Z_{brute}$ ) से बिल्कुल मेल खाता है (फ्लोटिंग-पॉइंट प्रिसिजन के भीतर)।
डिस्ट्रीबशनल एक्यूरेसी: BP सैंपलर द्वारा प्रेरित कंडीशनल प्रोबेबिलिटीज़ सटीक कंस्ट्रेंड डिस्ट्रीब्यूशन से मेल खाती हैं।
कंस्ट्रेंट सैटिस्फैक्शन: सभी सैंपल्ड सीक्वेंस ने कंस्ट्रेंट्स (पोजीशनल और फॉरबिडन सबस्ट्रिंग) को पूरा किया।
तुलना: फर्स्ट-ऑर्डर सपोर्ट मास्क सही डिस्ट्रीब्यूशन उत्पन्न करने में विफल रहे, जो कॉन्टेक्स्ट-स्टेट दृष्टिकोण की आवश्यकता की पुष्टि करते हैं।

4.2 स्केलेबिलिटी (बाख प्रेल्यूड एक्सपेरिमेंट)

एक स्केलेबिलिटी टेस्ट बाख के प्रेल्यूड इन सी (592 इवेंट्स, 25 पिचेस) के पिच-ओनली एनकोडिंग पर किया गया, जिसमें 32 का होराइजन और एक MAXORDER कंस्ट्रेंट (5-ग्राम कॉपी करने को वर्जित करना) था।

स्टेट स्पेस रिडक्शन: अधिकतम ऑर्डर $K=6$ $K = 6$ पर, स्पार्स रीचेबल प्रोडक्ट में 1,205 स्टेट्स और 83,207 एडजेस थे।
- यह फुल प्रोडक्ट अपर बाउंड (~3.4 मिलियन एडजेस) और डेंस लिफ्टेड स्टेट स्पेस ( $25^6 \approx 2.4 \times 10^8$ स्टेट्स) की तुलना में कई गुना छोटा है।
परफॉरमेंस: बैकवर्ड पास कंप्यूटेशन में < 0.1 सेकंड लगा; सैंपलिंग में प्रति सीक्वेंस < 0.4 ms लगा।
पॉलिसी व्यवहार: एक कंस्ट्रेंड ऑर्डर-स्टैक पॉलिसी ने कंस्ट्रेंट्स को सफलतापूर्वक नेविगेट किया, और उन व्यवहार्य निरंतरताओं को खोजा जहाँ एक नाईव फिक्स्ड-सोर्स कंडीशनिंग उच्च ऑर्डर्स के लिए शून्य मास दे देती।
वर्चुअल ऑग्मेंटेशन: एक 12-की ट्रांसपोज़िशन एक्सपेरिमेंट ने दिखाया कि वर्चुअल ऑग्मेंटेशन, मूल कॉर्पस को स्टोर करते हुए भी, सफलता मास और डिस्ट्रीब्यूशन में स्पष्ट भौतिकीकरण (materialization) से मेल खाता है।

4.3 इम्प्लीमेंटेशन तुलना

मौजूदा कॉन्टिनुएटर इम्प्लीमेंटेशन (जो केवल पोजीशनल कंस्ट्रेंट्स तक सीमित है) की तुलना में:

नया vo-regular-bp इम्प्लीमेंटेशन $K \ge 3$ के लिए बैकवर्ड मैसेजेस काफी तेजी से कंप्यूट करता है।
एंड-टू-एंड जनरेशन टाइम $K \ge 3$ के लिए तेज़ था।

5. महत्व और दावे

पेपर दावा करता है कि रेगुलर कंस्ट्रेंट जानकारी को वेरिएबल-ऑर्डर स्ट्रक्चर को छोड़े बिना सटीक रूप से स्पार्स कॉन्टेक्स्ट प्रोडक्ट्स पर कंप्यूट किया जा सकता है, जो बैकऑफ को आकर्षक बनाता है।

सटीकता: यह विधि कंस्ट्रेंड डिस्ट्रीब्यूशन पर सही वेरिएबल-ऑर्डर डिस्ट्रीब्यूशन प्रदान करती है, जो फर्स्ट-ऑर्डर प्रोजेक्शन (जो अलग-अलग इतिहास को मिला देते हैं) और डेंस लिफ्टिंग (जो कम्प्यूटेशनल रूप से अत्यधिक महंगा है) की समस्याओं से बचती है।
व्यावहारिकता: यह दृष्टिकोण रचनात्मक डोमेन (जैसे संगीत) में नियंत्रित जनरेशन को सक्षम बनाता है जहाँ छोटे कॉर्पोरा और विशिष्ट कंस्ट्रेंट्स (जैसे एंटी-प्लेजरिज्म) महत्वपूर्ण हैं।
विनम्रता: लेखक स्पष्ट रूप से कहते हैं कि यह कार्य कोई नई रेगुलर कंस्ट्रेंट थ्योरी या जनरल रेगुलर लैंग्वेजेस के लिए BP पेश नहीं करता है। नवीनता विशेष रूप से वेरिएबल-ऑर्डर एक्सटेंशन में है: ज्ञात मशीनरी को सही स्पार्स स्टेट एब्स्ट्रैक्शन पर लागू करना।
सीमाएँ: "सटीकता" का दावा स्टोकेस्टिक सोर्स की परिभाषा पर सशर्त है। यदि जनरेशन-टाइम पॉलिसीज (जैसे सिंगलटन अवॉयडेंस) हेयुरिस्टिकली लागू की जाती हैं, तो परिणाम एक सटीक कंस्ट्रेंड जनरेशन पॉलिसी है, न कि किसी अनमॉडिफाइड फिक्स्ड-ऑर्डर सोर्स का सटीक पोस्टीरियर।

यह कार्य कंट्रोलड जेनेरेटिव सिस्टम्स के डिज़ाइन स्पेस का एक तकनीकी अपघटन है, जो वेरिएबल-ऑर्डर प्रेडिक्शन को फिक्स्ड-होराइजन रेगुलर कंट्रोल के साथ संयोजित करने के लिए एक ठोस, सटीक और स्केलेबल समाधान प्रदान करता है।