🤖 machine learning

OverNaN: NaN-Aware Oversampling for Imbalanced Learning with Meaningful Missingness

यह शोध पत्र OverNaN को प्रस्तुत करता है, जो एक हल्का ओवरसैंपलिंग फ्रेमवर्क है जो अधूरे डेटासेट में क्लास असंतुलन को संबोधित करने के लिए लापता मानों वाले फीचर वेक्टर्स पर सीधे सिंथेटिक नमूने उत्पन्न करके इसे हल करता है, जिससे पारंपरिक इम्प्यूटेशन या विलोपन के माध्यम से उन्हें मिटाने के बजाय सूचनात्मक मिसिंगनेस पैटर्न को संरक्षित किया जाता है।

मूल लेखक: Amanda S Barnard

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amanda S Barnard

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

बड़ी समस्या: "टूटा हुआ पहेली" (The Broken Puzzle)

कल्पना कीजिए कि आप एक कंप्यूटर को अलग-अलग प्रकार की कारों को पहचानना सिखाने की कोशिश कर रहे हैं। आप उसे लाल स्पोर्ट्स कारों और नीली ट्रकों की तस्वीरें दिखाते हैं। लेकिन, कई तस्वीरों में, इमेज के कुछ हिस्से गायब हैं—शायद नंबर प्लेट धुंधली है, या साइड मिरर कट गया है।

मशीन लर्निंग की दुनिया में, इन गायब हिस्सों को NaNs (Not a Number) कहा जाता है।

परंपरागत रूप से, जब डेटा साइंटिस्ट इन गायब हिस्सों को देखते हैं, तो वे उन्हें दोष (defects) की तरह मानते हैं। कंप्यूटर को सिखाने से पहले उन्हें ठीक करने के दो मुख्य तरीके हैं:

फोटो को फेंक देना: अगर फोटो में मिरर गायब है, तो वे पूरी तस्वीर ही डिलीट कर देते हैं। यह बुरा है यदि आपके पास उस विशिष्ट कार प्रकार की पहले से ही बहुत कम तस्वीरें हैं (एक "माइनॉरिटी क्लास")।
गायब हिस्से का अनुमान लगाना: वे गणित का उपयोग करके यह अनुमान लगाते हैं कि गायब मिरर कैसा दिखता होगा और उसे भर देते हैं। इसे इम्प्यूटेशन (Imputation) कहा जाता है।

पेपर का तर्क है कि ये दोनों पारंपरिक तरीके दोषपूर्ण हैं। डेटा को फेंक देने से समस्या और बढ़ जाती है यदि आपके पास पहले से ही डेटा कम है। गायब हिस्सों का अनुमान लगाने से नकली निश्चितता (fake certainty) पैदा होती है—कंप्यूटर को लगता है कि वह जानता है कि मिरर कैसा दिखता है, लेकिन वह केवल एक अनुमान है, जो मॉडल को भ्रमित कर सकता है।

नया विचार: OverNaN

लेखिका, अमांडा बार्नार्ड, OverNaN नामक एक नया टूल पेश करती हैं।

OverNaN को एक रिपेयर क्रू के रूप में नहीं, बल्कि एक ऐसे फोटोकॉपीयर के रूप में सोचें जो गायब हिस्सों का सम्मान करता है।

गायब हिस्सों को ठीक करने या फोटो को फेंकने के बजाय, OverNaN कहता है: "चलो गायब हिस्सों को गायब ही रहने देते हैं, लेकिन चलिए इन तस्वीरों की अधिक कॉपियां बनाते हैं ताकि कंप्यूटर बेहतर सीख सके।"

यह बहुत महत्वपूर्ण है क्योंकि वास्तविक दुनिया की कई स्थितियों में (जैसे विज्ञान या इंजीनियरिंग में), गायब डेटा कोई दुर्घटना नहीं है; वह अर्थपूर्ण (meaningful) है।

उपमा (The Analogy): कल्पना कीजिए कि केक बनाने की एक रेसिपी है। यदि रेसिपी कहती है "2 अंडे डालें," लेकिन आपके पास अंडे नहीं हैं, तो आप केवल अंदाज़ा नहीं लगाते कि "2 अंडे" और उसे लिख नहीं देते। तथ्य यह है कि सामग्री गायब है, वह आपको रेसिपी के बारे में कुछ बताता है (शायद यह एक वीगन वर्जन है)। यदि आप अनुमान लगाकर उसे भर देते हैं, तो आप रेसिपी को खराब कर देते हैं। OverNaN "गायब अंडे" वाली जगह को खाली रखता है ताकि पैटर्न सत्य बना रहे।

यह कैसे काम करता है (जादुई ट्रिक)

आमतौर पर, कंप्यूटर को दुर्लभ प्रकार की कार के बारे में अधिक सिखाने के लिए, हम SMOTE नामक तकनीक का उपयोग करते हैं। यह दो दुर्लभ कारों की तस्वीरें लेकर उनके बिल्कुल बीच में एक नई, नकली फोटो बनाकर काम करता है।

पुराना तरीका: यदि एक फोटो में मिरर गायब है, तो पुराना तरीका अंदाज़ा लगाएगा कि मिरर कैसा दिखता है, एक नई कार बनाएगा जिसमें एक "अनुमानित" मिरर होगा, और उम्मीद करेगा कि सब ठीक रहेगा।
OverNaN का तरीका: यह दोनों तस्वीरों को देखता है।
- यदि दोनों में मिरर है, तो यह एक नई कार बनाएगा जिसमें मिरर होगा।
- यदि उनमें से एक में भी मिरर गायब है, तो नई नकली कार में भी मिरर गायब होगा।

यह "गायब होने" (missingness) को डेटा के एक फीचर के रूप में मानता है, ठीक वैसे ही जैसे रंग या आकार को माना जाता है। यह नए सिंथेटिक उदाहरण बनाता है जो असली उदाहरणों की तरह दिखते हैं, उनके छेदों और अंतराल (gaps) सहित।

गैप्स को संभालने के तीन तरीके

पेपर बताता है कि नए नमूने बनाते समय इन गायब हिस्सों को संभालने के लिए OverNaN आपको तीन अलग-अलग "रणनीतियाँ" देता है:

"रूढ़िवादी" रणनीति (Preserve-Pattern): यदि मूल तस्वीरों में से किसी एक में भी हिस्सा गायब था, तो नई कॉपी में भी वह हिस्सा गायब होगा। यह कुछ भी नया आविष्कार करने में बहुत सावधान रहता है।
"भरने वाली" रणनीति (Selective Interpolation): यदि दोनों मूल तस्वीरों में वह हिस्सा मौजूद है, तो यह उसे भर देता है। यदि केवल एक में है, तो यह नए वाले को खाली छोड़ देता है।
"सांख्यिकीय" रणनीति (Probabilistic): यह देखता है कि वास्तविक दुनिया में चीजें कितनी बार गायब होती हैं और उस पैटर्न को यादृच्छिक (randomly) रूप से कॉपी करने की कोशिश करता है।

यह क्यों मायने रखता है? (ग्राफीन का उदाहरण)

पेपर इसका परीक्षण एक वास्तविक वैज्ञानिक समस्या पर करता है: यह भविष्यवाणी करना कि ग्राफीन ऑक्साइड (एक पदार्थ जिसका उपयोग बैटरी और दवाओं में किया जाता है) का एक छोटा सा टुकड़ा एक विशिष्ट रासायनिक समूह (chemical group) से जुड़ा है या नहीं।

स्थिति: कुछ रासायनिक बंधन (chemical bonds) कुछ संरचनाओं में भौतिक रूप से मौजूद ही नहीं होते। ऐसा नहीं है कि वैज्ञानिकों ने उन्हें मापने में गलती की है; वह बंधन वास्तव में अनुपस्थित है।
पुराने तरीकों के साथ समस्या: यदि आप पुराने "अनुमान लगाने" वाले तरीके का उपयोग करते हैं, तो आप कंप्यूटर को बता सकते हैं कि एक बॉन्ड मौजूद है जबकि वास्तव में वह नहीं है। यह एक शेफ को यह बताने जैसा है कि किसी ऐसे व्यंजन में नमक डालें जो नमक-मुक्त होने के लिए ही बनाया गया है।
OverNaN का परिणाम: "गायब बॉन्ड" को एक गायब वैल्यू के रूप में रखकर, कंप्यूटर ने संरचना को सही ढंग से पहचानना सीखा। परीक्षणों में, OverNaN उन तरीकों की तुलना में अधिक सटीक और सुसंगत था जो खाली जगहों को भरने या डेटा को हटाने की कोशिश करते थे।

निष्कर्ष (The Bottom Line)

OverNaN उन स्थितियों के लिए एक टूल है जब आपका डेटा अव्यवस्थित, अधूरा और असंतुलित (जहाँ एक प्रकार का डेटा दुर्लभ है) हो।

डेटा को अनुमान लगाकर या डिलीट करके "ठीक" करने के बजाय, OverNaN कहता है: "गायब डेटा कहानी का एक हिस्सा है।" यह दुर्लभ डेटा के अधिक उदाहरण बनाता है और डेटा में मौजूद छेदों को ठीक वहीं रखता है, जिससे कंप्यूटर बिना किसी नकली अनुमान के सच्चाई सीख पाता है।

इसे उन वैज्ञानिकों और इंजीनियरों के लिए डिज़ाइन किया गया है जो छोटे, कठिन डेटासेट के साथ काम कर रहे हैं जहाँ "क्या गायब है" उतना ही महत्वपूर्ण है जितना कि "वहाँ क्या है।"

तकनीकी सारांश: OverNaN - अर्थपूर्ण लुप्तता (Meaningful Missingness) के साथ इम्बैलेंस्ड लर्निंग के लिए NaN-जागरूक ओवरसैंपलिंग

1. समस्या विवरण (Problem Statement)

अनुप्रयुक्त मशीन लर्निंग (Applied Machine Learning) में, विशेष रूप से भौतिक विज्ञान, इंजीनियरिंग और बायोमेडिसिन के क्षेत्र में, लुप्त मान (missing values) अक्सर यादृच्छिक शोर (stochastic noise) के बजाय संरचनात्मक बाधाओं (जैसे कि विनाशकारी माप, नैतिक प्रतिबंध, या सशर्त परिणाम) के कारण उत्पन्न होते हैं। फलस्वरूप, डेटा की अनुपस्थिति डोमेन-प्रासंगिक जानकारी ले सकती है। हालांकि, मानक मशीन लर्निंग पाइपलाइन आमतौर पर लुप्त मानों को विश्लेषण से पहले लिस्टवाइज डिलीशन (listwise deletion) या इम्प्यूटेशन (imputation) के माध्यम से समाप्त किए जाने वाले दोषों के रूप में मानती हैं।

यह दृष्टिकोण उन इम्बैलेंस्ड लर्निंग (imbalanced learning) परिदृश्यों में विशेष रूप से हानिकारक है जहाँ अल्पसंख्यक वर्ग (minority classes) पहले से ही कम प्रतिनिधित्व रखते हैं। डिलीशन (deletion) अल्पसंख्यक नमूनों को असमान रूप से हटा देता है, जिससे असंतुलन और बढ़ जाता है, जबकि इम्प्यूटेशन अनिश्चितता को पॉइंट एस्टिमेट्स (point estimates) में सिकोड़ देता है, जिससे कृत्रिम निश्चितता और संभावित मॉडल-निर्भर पूर्वाग्रह उत्पन्न होता है। इसके अलावा, व्यापक रूप से अपनाए गए सिंथेटिक ओवरसैंपलिंग तकनीक जैसे SMOTE और ADASYN स्पष्ट रूप से पूर्ण फीचर वेक्टर्स की धारणा रखते हैं, जो अभ्यासकर्ताओं को विश्लेषण से पहले लुप्त डेटा को इम्प्यूट करने के लिए मजबूर करते हैं। यह प्रक्रिया ओवरसैंपलिंग होने से पहले ही लुप्तता के संरचनात्मक पैटर्न को मिटा देती है, जिससे क्लास बाउंड्रीज़ और फीचर स्पेस की ज्यामिति विकृत हो सकती है।

2. कार्यप्रणाली: OverNaN

OverNaN एक हल्का, NaN-जागरूक ओवरसैंपलिंग फ्रेमवर्क है जिसे लुप्तता की संरचना को मिटाए बिना क्लास इम्बैलेंस को संबोधित करने के लिए डिज़ाइन किया गया है। यह सामान्य सिंथेटिक ओवरसैंपलिंग विधियों (SMOTE, ADASYN, ROSE) को अधूरे फीचर वेक्टर्स पर सीधे कार्य करने के लिए विस्तारित करता है, जिससे फीचर स्पेस को $\mathbb{R}^d$ के बजाय $(\mathbb{R} \cup \{\text{NaN}\})^d$ के रूप में माना जाता है।

मुख्य डिज़ाइन सिद्धांत (Core Design Principles)

संरचनात्मक अखंडता (Structural Integrity): लुप्त मानों को संरचनात्मक तत्वों के रूप में माना जाता है, न कि दोषों के रूप में। सिंथेटिक नमूने वैध रूप से NaNs के साथ हो सकते हैं यदि मूल डेटा ऐसे पैटर्न का समर्थन करता है।
कोई कृत्रिम निश्चितता नहीं (No Artificial Certainty): ओवरसैंपलिंग वहां अनुमानित मान पेश नहीं करती है जहां वे देखे नहीं गए थे, जिससे बिना उचित धारणाओं के एनकोडिंग से बचा जा सके।
स्पष्ट नियंत्रण (Explicit Control): लुप्तता को संभालने की रणनीतियां स्पष्ट और उपयोगकर्ता-परिभाषित हैं, न कि अप्रत्यक्ष साइड-इफेक्ट्स।

एल्गोरिद्मिक कार्यान्वयन (Algorithmic Implementation)

OverNaN मौजूदा विधियों के नेबरहुड (neighborhood) परिभाषा और सैंपल जनरेशन प्रक्रिया को संशोधित करता है:

दूरी गणना (Distance Calculation): नमूनों $x_i$ और $x_j$ के बीच की दूरियां केवल साझा देखे गए आयामों (shared observed dimensions) $\Omega_{ij} = \{k : x_{ik} \neq \text{NaN} \land x_{jk} \neq \text{NaN}\}$ पर कंप्यूट की जाती हैं।
फीचर-वार जनरेशन (Feature-wise Generation): सिंथेटिक नमूने $\tilde{x}$ $\tilde{x}$ को फीचर-वार जनरेट किया जाता है। $\Omega_{ij}$ $Ω_{ij}$ में आयामों के लिए, मानक इंटरपोलेशन होता है ( $\tilde{x}_k = x_{ik} + \lambda(x_{jk} - x_{ik})$ $\tilde{x}_{k} = x_{ik} + λ (x_{j k} - x_{ik})$ )। $\Omega_{ij}$ $Ω_{ij}$ के बाहर के आयामों के लिए, मान तीन स्पष्ट रणनीतियों में से एक द्वारा निर्धारित किया जाता है:
1. पैटर्न सुरक्षित रखना (Preserve-Pattern): यदि कोई फीचर किसी भी पैरेंट (parent) में लुप्त है, तो सिंथेटिक नमूना NaN को बनाए रखता है।
2. चयनात्मक इंटरपोलेशन (Selective Interpolation): इंटरपोलेशन केवल तभी होता है जब दोनों पैरेंट्स के पास देखे गए मान हों; अन्यथा, फीचर NaN रहता है।
3. संभाव्य लुप्तता (Probabilistic Missingness): लुप्तता को प्रति-क्लास अनुभवजन्य लुप्तता दरों (empirical per-class missingness rates) के अनुसार सैंपल किया जाता है।

कम्प्यूटेशनल विशेषताएं (Computational Characteristics)

अनुकूलता (Compatibility): OverNaN NumPy arrays और pandas DataFrames पर कार्य करता है, कंटेनर प्रकार और मेटाडेटा को सुरक्षित रखता है।
जटिलता (Complexity): यह नेबर सर्च के लिए मौजूदा लाइब्रेरीज़ को सौंप देता है। हालांकि दूरी की गणना देखे गए सबस्पेस तक सीमित है, इसकी एसिम्प्टोटिक जटिलता (asymptotic complexity) मूल विधियों के समान रहती है ( $एक क्वेरी के लिए सबसे खराब स्थिति में$ O(Nd)$)।
समानांतरता (Parallelism): सैंपल जनरेशन एम्बैरेसिंगली पैरेलल (embarrassingly parallel) है, हालांकि OverNaN NaN प्रोपेगेशन के साथ रेस कंडीशन से बचने के लिए बैच स्तर पर समानांतरता को रूढ़िवादी रूप से लागू करता है।
संख्यात्मक स्थिरता (Numerical Stability): यह जानबूझकर NaNs को मास्क करने के बजाय IEEE 754 मानक NaN व्यवहार पर निर्भर करता है, यह मानते हुए कि डाउनस्ट्रीम लर्नर्स (जैसे कि ट्री-बेस्ड एन्सेम्बल) NaN-टोलरेंट होते हैं।

3. प्रमुख योगदान (Key Contributions)

फ्रेमवर्क विकास: Over-NaN का परिचय, जो SMOTE, ADASYN और ROSE को उनके मूल ज्यामितीय धारणाओं को बदले बिना, केवल उनके डोमेन ऑफ डेफिनिशन को बदलकर, NaN-जागरूकता को एकीकृत करता है।
रणनीति परिभाषा: लुप्तता को संभालने के लिए तीन अलग-अलग रणनीतियों (Preserve, Selective, Probabilistic) का औपचारिककरण, जिससे अभ्यासकर्ताओं को डोमेन ज्ञान के साथ पद्धति को संरेखित करने की अनुमति मिलती है।
वैलिडेशन सुइट: एक व्यापक टेस्ट सुइट जो एज केस (जैसे एकल अल्पसंख्यक नमूने, उच्च NaN दर) और XGBoost जैसे डाउनस्ट्रीम क्लासिफायर के साथ एकीकरण पर फंक्शनैलिटी प्रदर्शित करता है।
बेंचमार्किंग: प्राकृतिक लुप्तता वाले पांच OpenML डेटासेट और ग्राफीन ऑक्साइड नैनोफ्लेक्स (Graphene Oxide Nanoflakes) के एक विशिष्ट अनुप्रयोग पर अनुभवजन्य मूल्यांकन।

4. प्रयोगात्मक परिणाम (Experimental Results)

सिंथेटिक और नियंत्रित डेटासेट

मूल कार्यक्षमता: OverNaN ने इम्प्यूटेशन के बिना क्लासेज को सफलतापूर्वक रीबैलेंस किया। डिफॉल्ट preserve_pattern रणनीति के तहत, पुन: नमूनाकृत (resampled) NaN दर बढ़ गई (क्योंकि सिंथेटिक नमूने पैरेंट्स से लुकी हुई संरचना विरासत में लेते हैं), जबकि ROSENaN मूल दरों के करीब बना रहा।
क्लासिफायर एकीकरण: XGBoost के साथ एक नियंत्रित कार्य में, सभी तीन OverNaN वेरिएंट्स ने बेसलाइन की तुलना में अल्पसंख्यक-क्लास रिकॉल और F1 स्कोर में सुधार किया। SMOTENaN और ROSENaN ने अल्पसंख्यक क्लास पर परफेक्ट रिकॉल और F1 (1.000) प्राप्त किया।
तुलनात्मक प्रदर्शन: 11.9% NaNs वाले एक सिंथेटिक डेटासेट पर, SMOTENaN ने फीचर ड्रॉपिंग, इंस्टेंस ड्रॉपिंग, या मीन इम्प्यूटेशन के बाद स्टैंडर्ड SMOTE वाले पाइपलाइन्स की तुलना में उच्चतम ROC AUC (0.802) और निम्नतम क्रॉस-फोल्ड वेरिएंस प्राप्त किया।

वास्तविक दुनिया के बेंचमार्क (OpenML)

पांच डेटासेट्स (labor, cylinder-bands, Titanic, soybean, car-evaluation) पर मूल्यांकन किया गया:

ROSENaN ने लगातार पांचों डेटासेट्स में उच्चतम माध्य बैलेंस्ड एक्यूरेसी (Balanced Accuracy), मैक्रो F1 और ROC AUC प्राप्त किया।
SMOTENaN ने बेसलाइन की तुलना में मामूली लाभ प्रदान किया।
ADASYN-NaN ने बेहतर ROC AUC दिखाया लेकिन औसत पर थोड़े कम थ्रेशोल्ड मेट्रिक्स दिखाए।
रनटाइम: ROSENaN कम्प्यूटेशनल रूप से कुशल (औसत 0.7s) रहा, जबकि ADASYN-NaN एडेप्टिव डेंसिटी एस्टीमेशन के कारण धीमा (16.5s) था।

अनुप्रयोग: ग्राफीन ऑक्साइड नैनोफ्लेक्स (Graphene Oxide Nanoflakes)

कारबॉक्सिल समूहों (carboxyl groups) की भविष्यवाणी करने वाले कार्य में (39.8% NaN दर, जहाँ लुप्तता विशिष्ट बंधों की संरचनात्मक अनुपस्थिति को दर्शाती है):

SMOTENaN ने "ड्रॉप फीचर्स" और "इम्प्यूटेशन + SMOTE" पाइपलाइन्स दोनों को पछाड़ दिया, $0.997 \pm 0.005$ की बैलेंस्ड एक्यूरेसी और $0.999 \pm 0.002$ का F1 प्राप्त किया।
महत्वपूर्ण रूप से, SMOTENaN ने लुप्त प्रविष्टियों के संरचनात्मक अर्थ को संरक्षित किया (अर्थात गैर-मौजूद बंधों के लिए बॉन्ड लेंथ का आविष्कार नहीं किया), जबकि 'इम्प्यूटेशन' ने कृत्रिम मान पेश किए और 'फीचर ड्रॉपिंग' ने सूचनात्मक डिस्क्रिप्टर्स को हटा दिया।

इम्प्यूटेशन बनाम OverNaN

OpenML anneal डेटासेट (64.98% NaN दर) पर, OverNaN वेरिएंट्स ने "इम्प्यूट-देन-ओवरसैंपल" पाइपलाइन्स की तुलना में सांख्यिकीय रूप से अविभेदनीय बैलेंस्ड एक्यूरेसी और मैक्रो F1 उत्पन्न किए। यह सुझाव देता है कि इन सेटिंग्स में इम्प्यूटेशन प्रतिस्पर्धी प्रदर्शन के लिए एक सख्त पूर्व शर्त नहीं है।

5. महत्व और दावे (Significance and Claims)

पेपर का तर्क है कि लुप्तता अक्सर शोर के बजाय एक संकेत होती है, और पुन: नमूनाकरण (resampling) से पहले इसे समाप्त करना सीखने की प्रक्रिया को विकृत कर सकता है। OverNaN का महत्व इस प्रकार है:

सूचना को संरक्षित करना: यह अभ्यासकर्ताओं को उन संरचनात्मक लुप्तता पैटर्न को बनाए रखने की अनुमति देता है जो प्रयोगात्मक बाधाओं या भौतिक वास्तविकताओं को दर्शाते हैं, न कि संभावित रूप से पक्षपाती अनुमानों के साथ डेटा को "मरम्मत" करने की।
स्पष्ट अनिश्चितता: यह अनिश्चितता को प्रथम श्रेणी के विचार के रूप में मानने के लिए प्रोत्साहित करता है, जिससे सिंथेटिक डेटा में कृत्रिम निश्चितता के प्रवेश को रोका जा सके।
डोमेन प्रयोज्यता: यह विशेष रूप से उन वैज्ञानिक और इंजीनियरिंग डोमेन के लिए लक्षित है जहाँ छोटे, अधूरे और असंतुलित डेटासेट होते हैं जहाँ लुप्तता अपरिहार्य और सूचनात्मक होती है।

लेखक स्पष्ट रूप से कहते हैं कि OverNaN लुप्त डेटा के लिए कोई सार्वभौमिक समाधान नहीं है; यह लुप्तता तंत्र का मॉडल नहीं बनाता है या अनदेखे मानों का अनुमान नहीं लगाता है। यह उन सेटिंग्स के लिए एक विकल्प है जहाँ डाउनस्ट्रीम लर्नर्स स्वाभाविक रूप से NaNs को संभाल सकते हैं और जहाँ डेटा की संरचनात्मक अनुपस्थिति सार्थक है। फ्रेमवर्क आक्रामक अनुकूलन या उच्च-थ्रूपुट क्षमताओं के बजाय व्याख्यात्मकता (interpretability), नियंत्रण और पुनरुत्पादकता (reproducibility) को प्राथमिकता देता है।