📊 statistics

TCARD: Nearly Balanced Two-Level Designs with Treatment Cardinality Constraints with an Application to LLM Prompt Engineering

यह शोध पत्र TCARD को प्रस्तुत करता है, जो उपचार कार्डिनैलिटी (treatment cardinality) बाधाओं के तहत लगभग संतुलित टू-लेवल प्रायोगिक डिजाइनों के निर्माण के लिए एक ढांचा है, जो LLM प्रॉम्प्ट इंजीनियरिंग जैसे अनुप्रयोगों के लिए डिजाइनों को अनुकूलित करने हेतु एक मॉडल-मुक्त बैलेंस्ड कन्करेंस डेविएशनेशन (Balanced Concurrence Deviation) मानदंड और एक कुशल कोऑर्डिनेट-एक्सचेंज एल्गोरिदम का प्रस्ताव करता है।

मूल लेखक: Kexin Xie, Ryan Lekivetz, Xinwei Deng

प्रकाशित 2026-05-21

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kexin Xie, Ryan Lekivetz, Xinwei Deng

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 शेफ हैं जो एक नया बेहतरीन व्यंजन बनाने की कोशिश कर रहे हैं। आपके पास 15 अलग-अलग सामग्रियों (कारकों/factors) से भरा एक पेंट्री है, लेकिन आपके रेसिपी कार्ड में प्रत्येक व्यंजन के लिए ठीक 3 सामग्रियां रखने की ही जगह है (ट्रीटमेंट कार्डिनैलिटी कंस्ट्रेंट)। आप यह पता लगाने के लिए जितने संभव हो उतने संयोजन (combinations) परीक्षण करना चाहते हैं कि कौन सी सामग्रियां खाने को अद्भुत बनाती हैं और कौन सी इसे खराब कर देती हैं।

समस्या क्या है? यदि आप बस रैंडम संयोजन चुनते हैं, तो आप शायद तीन बार "नमक, नमक, नमक" का परीक्षण कर लेंगे और कभी भी "नमक, काली मिर्च, तुलसी" का परीक्षण नहीं कर पाएंगे। या, आप "नमक और काली मिर्च" को एक साथ इतनी बार टेस्ट कर सकते हैं कि आप यह नहीं बता पाएंगे कि अच्छा स्वाद नमक से आया, काली मिर्च से आया, या उनके एक साथ होने के जादू से आया।

यह पेपर, जिसका शीर्षक "TCARD" है, इन प्रयोगों के लिए एक स्मार्ट, गणितीय रेसिपी बनाने के बारे में है। यह सुनिश्चित करता है कि हर सामग्री को सुर्खियों में आने का एक निष्पक्ष अवसर मिले और सामग्रियों के हर जोड़े को ठीक उतनी ही बार एक साथ टेस्ट किया जाए जितनी बार अपेक्षित हो।

यहाँ उनके दृष्टिकोण का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "तीन-सामग्री" का नियम

कई वास्तविक दुनिया के परीक्षणों में—जैसे कि कंप्यूटर प्रोग्राम को ट्यून करना, दवाओं के संयोजनों का परीक्षण करना, या AI के लिए प्रॉम्प्ट लिखना (जैसा कि इस पेपर में उपयोग किया गया है)—आप एक साथ सब कुछ उपयोग नहीं कर सकते।

प्रतिबंध (Constraint): आपको उपलब्ध $p$ विकल्पों में से प्रत्येक परीक्षण रन के लिए ठीक $k$ आइटम चुनने होंगे।
जोखिम: यदि आप सावधान नहीं हैं, तो आपका डेटा अव्यवस्थित हो जाएगा। आप कुछ सामग्रियों का बहुत अधिक परीक्षण कर सकते हैं और कुछ का बहुत कम, जिससे यह जानना असंभव हो जाएगा कि वास्तव में क्या काम करता है।

2. समाधान: "लगभग संतुलित" डिज़ाइन (Nearly Balanced Designs)

लेखकों ने महसूस किया कि पूर्ण गणितीय समाधान (जहाँ प्रत्येक सामग्री का उपयोग ठीक समान संख्या में किया जाता है और प्रत्येक जोड़ा ठीक समान संख्या में मिलता है) अक्सर वास्तविक दुनिया की संख्याओं के लिए मौजूद नहीं होता है। यह 3 दोस्तों के बीच 7 कुकीज़ को पूरी तरह से समान रूप से विभाजित करने की कोशिश करने जैसा है—आप बिना कुकी तोड़े ऐसा नहीं कर सकते।

इसलिए, उन्होंने "लगभग संतुलित" (Nearly Balanced) डिज़ाइन का आविष्कार किया।

उपमा: कल्पना कीजिए कि आप मेहमानों को एक गोल मेज पर बैठा रहे हैं। आप चाहते हैं कि हर कोई अन्य प्रत्येक मेहमान के बगल में ठीक एक बार बैठे। यदि आप ऐसा पूरी तरह से नहीं कर सकते, तो आप एक "लगभग संतुलित" बैठने की व्यवस्था का लक्ष्य रखते हैं जहाँ हर कोई दूसरे के बगल में लगभग समान संख्या में बैठता है।
लक्ष्य: "गुच्छों" (कुछ जोड़ों का बहुत अधिक मिलना) और "अकेलेपन" (कुछ सामग्रियों का कभी न मिलना) को कम करना।

### 3. नया उपकरण: "बैलेंस्ड कॉन्करेंस डेविएशन" (BCD) स्कोर

इन डिज़ाइनों को बनाने के लिए, लेखकों ने एक स्कोरिंग सिस्टम बनाया जिसे $\Phi_{BCD}$ कहा जाता है। इसे अपने प्रयोग के लिए एक "फेयरनेस मीटर" (निष्पक्षता मीटर) समझें।

दो डायल: इस मीटर में दो डायल हैं।
1. रेप्लिकेशन बैलेंस (Replication Balance): क्या प्रत्येक सामग्री का उपयोग लगभग समान संख्या में किया जा रहा है?
2. कॉन्करेंस बैलेंस (Concurrence Balance): क्या सामग्रियों का प्रत्येक जोड़ा लगभग समान संख्या में एक साथ आता है?
जादू: लेखकों ने सिद्ध किया कि यदि आप इस स्कोर को कम करते हैं, तो आपको स्वतः ही एक डिज़ाइन प्राप्त होता है जो सांख्यिकीय रूप से शक्तिशाली है। यह रेडियो को सबसे स्पष्ट स्टेशन पर ट्यून करने जैसा है; एक बार जब आप सही जगह पर पहुँच जाते हैं, तो शोर (static) गायब हो जाता है, और सिग्नल (सत्य) स्पष्ट रूप से दिखाई देने लगता है।

4. एल्गोरिदम: "स्वैप" (Swap) रणनीति

आप इस पूर्ण डिज़ाइन को कैसे खोजते हैं? आप केवल अनुमान नहीं लगा सकते। लेखकों ने एक कंप्यूटर एल्गोरिदम (एक कोऑर्डिनेट-एक्सचेंज विधि) बनाया जो म्यूजिकल चेयर्स के खेल की तरह काम करता है।

प्रक्रिया: यह 3-सामग्री वाले संयोजनों की एक रैंडम सूची से शुरू होता है। फिर, यह एक पंक्ति (एक परीक्षण) को देखता है और पूछता है, "यदि मैं यहाँ सामग्री A को सामग्री B से बदल दूँ, तो क्या मेरा फेयरनेस मीटर बेहतर होगा?"
गति: यह अविश्वसनीय रूप से तेज़ काम करता है, सामग्रियों को इधर-उधर बदलता रहता है जब तक कि उसे सबसे संतुलित व्यवस्था न मिल जाए।

5. "सीक्रेट सॉस": वेट्स (Weights) को ट्यून करना

फेयरनेस मीटर में दो डायल हैं। कभी-कभी आप इस बात पर अधिक ध्यान देते हैं कि प्रत्येक सामग्री का समान रूप से उपयोग किया जाए (रेप्लिकेशन)। कभी-कभी आप इस बात पर अधिक ध्यान देते हैं कि जोड़े कितनी बार मिलते हैं (कॉन्करेंस)।

नवाचार: इन डायल को घुमाने का अनुमान लगाने के बजाय, लेखक सिमुलेशन-आधारित ट्यूनिंग का सुझाव देते हैं। वास्तविक प्रयोग चलाने से पहले, आप कंप्यूटर पर एक "अभ्यास रन" चलाते हैं। आप खुद को AI या वैज्ञानिक मानकर, देखते हैं कि आपको किस तरह के परिणाम चाहिए, और फिर अपने लक्ष्य से मेल खाने के लिए डायल को समायोजित करते हैं।
महत्व: यह सुनिश्चित करता है कि प्रयोग विशेष रूप से उसी प्रश्न का उत्तर देने के लिए बनाया गया है जिसे आप वास्तव में जानना चाहते हैं, न कि केवल "गणितीय रूप से सुंदर" होने के लिए।

6. वास्तविक दुनिया का परीक्षण: द AI शेफ

इसे सिद्ध करने के लिए, लेखकों ने लार्ज लैंग्वेज मॉडल्स (LLMs)—जो चैटबॉट्स के पीछे का दिमाग है—पर इसका परीक्षण किया।

सेटअप: वे यह पता लगाना चाहते थे कि कौन से "प्रॉम्प्ट कंपोनेंट्स" (जैसे "चरण-दर-चरण सोचें" या "एक विशेषज्ञ के रूप में कार्य करें") वास्तव में AI को गणितीय समस्याओं को हल करने में मदद करते हैं। उनके पास 15 संभावित घटक थे लेकिन वे एक समय में केवल 3 ही उपयोग कर सकते थे।
परिणाम:
- TCARD विधि (स्मार्ट, संतुलित रेसिपी) ने सर्वश्रेष्ठ सामग्रियों को खोजा और यह भी पहचाना कि कौन सी सामग्रियां AI के प्रदर्शन को नुकसान पहुँचाती हैं।
- रैंडम रेसिपी (बस अनुमान लगाना) या ग्रीडी रेसिपी (सरल होने की कोशिश करना) विफल रहे। वे या तो अच्छे और बुरे घटकों के बीच अंतर नहीं कर सके या भ्रामक परिणाम दिए।
- विशेष रूप से, TCARD विधि ने सही ढंग से पहचाना कि "एक गणितज्ञ के रूप में कार्य करना" मदद करता है, जबकि "बीजीय सूत्रों (algebraic formulas) का उपयोग करना" वास्तव में इन विशिष्ट गणितीय समस्याओं पर AI को भ्रमित करता है।

सारांश

यह पेपर हमें प्रयोग चलाने का एक नया, स्मार्ट तरीका देता है जब हम एक साथ कितनी चीजें टेस्ट कर सकते हैं, इसकी सीमा में होते हैं।

पुराना तरीका: अनुमान लगाना और जांचना, या कठोर नियमों का उपयोग करना जो वास्तविक जीवन में फिट नहीं होते।
नया तरीका (TCARD): अपने प्रयोग को संतुलित करने के लिए एक "फेयरनेस मीटर" का उपयोग करना, सबसे सटीक होने तक सामग्रियों को बदलना, और जो आप सीखना चाहते हैं उसके आधार पर सेटिंग्स को ट्यून करना।

यह आँखों पर पट्टी बाँधकर तीर चलाने और लेजर-गाइडेड सिस्टम का उपयोग करके लक्ष्य के केंद्र (bullseye) पर सटीक निशाना लगाने के बीच का अंतर है, जो यह सुनिश्चित करता है कि आपके द्वारा एकत्र किया गया प्रत्येक डेटा आपको कुछ सच बताता है।

तकनीकी सारांश: TCARD: उपचार कार्डिनैलिटी बाधाओं के साथ लगभग संतुलित दो-स्तरीय डिज़ाइन

समस्या विवरण
आधुनिक प्रयोगात्मक डिज़ाइन अक्सर एक उपचार कार्डिनैलिटी बाधा (TCARD) का सामना करता है, जहाँ प्रत्येक प्रयोगात्मक रन को उपलब्ध $p$ कारकों में से ठीक $k$ कारकों को सक्रिय करने के लिए प्रतिबंधित किया जाता है। यह बाधा सेंसर शेड्यूलिंग, फीचर-फ्लैग प्रयोगों, उच्च-थ्रूपुट ड्रग स्क्रीनिंग और तेजी से बढ़ते हुए लार्ज लैंग्वेज मॉडल (LLMs) के प्रॉम्प्ट इंजीनियरिंग जैसे विविध क्षेत्रों में उत्पन्न होती है। TCARD के तहत, डिज़ाइन मैट्रिक्स $X \in \{0, 1\}^{n \times p}$ का रो-सम (row sum) स्थिर मान $k$ के बराबर होता है।

यह बाधा महत्वपूर्ण सांख्यिकीय और बीजगणितीय चुनौतियाँ उत्पन्न करती है:

संरचनात्मक विलक्षणता (Structural Singularity): स्थिर रो-सम कॉलम के बीच रैखिक निर्भरता (linear dependencies) उत्पन्न करते हैं, जिससे इंटरसेप्ट हटाने के बाद सूचना मैट्रिक्स (information matrix) विलक्षण या लगभग विलक्षण हो जाता है।
शास्त्रीय डिज़ाइनों की अव्यवहार्यता: पूर्ण या आंशिक फैक्टोरियल डिज़ाइन असंभव हैं। जबकि बैलेंस्ड इनकम्प्लीट ब्लॉक डिज़ाइन्स (BIBDs) कारक प्रतिकृति (factor replication) और युग्म सह-अस्तित्व (pairwise co-occurrence) के संतुलन के लिए एक स्वाभाविक संदर्भ प्रदान करते हैं, कई व्यावहारिक $(n, p, k)$ संयोजनों के लिए सटीक BIBDs मौजूद नहीं होते हैं।
इष्टतमता मानदंडों का अभाव: मौजूदा मानदंड (जैसे, डिस्टेंस-आधारित मैक्सिमिन, मानक $A/D/E$ -इष्टतमता) रो-सम बाधाओं के लिए डिज़ाइन नहीं किए गए थे। वे अक्सर उन विशिष्ट संरचनात्मक मात्राओं को नियंत्रित करने में विफल रहते हैं जो TCARD के तहत प्रोजेक्शन गुणवत्ता को नियंत्रित करती हैं: कारक प्रतिकृति संतुलन (factor replication balance) और युग्म सह-अस्तित्व संतुलन (pairwise concurrence balance)। इसके अतिरिक्त, मौजूदा कंपाउंड मानदंड डाउनस्ट्रीम कार्यों के सापेक्ष इन प्रतिस्पर्धी उद्देश्यों को कैसे भारित (weight) किया जाए, इस पर मौलिक मार्गदर्शन का अभाव है।

कार्यप्रणाली
यह शोध पत्र "काउंट्स-ओनली" (counts-only) परिप्रेक्ष्य के इर्द-गिर्द संगठित, दो-स्तरीय TCARDs के निर्माण और विश्लेषण के लिए एक एकीकृत ढांचा प्रस्तावित करता है।

बीजगणितीय आधार और "लगभग संतुलित" परिभाषा:
- लेखक TCARDs और BIBDs के बीच एक पत्राचार स्थापित करते हैं, यह सिद्ध करते हुए कि एक TCARD पूरी तरह से संतुलित है यदि और केवल यदि इसकी सपोर्ट संरचना एक BIBD बनाती है।
- चूंकि सटीक BIBDs अक्सर अनुपलब्ध होते हैं, वे लगभग संतुलित TCARDs की अवधारणा को औपचारिक रूप देते हैं। एक डिज़ाइन लगभग संतुलित है यदि:
  - (NB1) कारक प्रतिकृतियाँ $r_j$ माध्य से अधिकतम एक के अंतर पर हों (अर्थात, $r_j \in \{\lfloor \bar{r} \rfloor, \lceil \bar{r} \rceil\}$ )।
  - (NB2) युग्म सह-अस्तित्व $\lambda_{j\ell}$ प्रतिकृति स्तरों के दिए गए होने पर अंकगणितीय रूप से संभव जितना भी समान हो।
- सैद्धांतिक परिणाम (Theorems 1 और 2) दिखाते हैं कि लगभग संतुलित TCARDs, जेनरालाइज्ड वर्ड-लेंथ पैटर्न के पहले दो घटकों ( $B_1$ और $B_2$ ) को न्यूनतम करते हैं, जो प्रोजेक्शन असंतुलन को मापते हैं।
बैलेंस्ड कन्करेंस डेविएशन ( $\Phi_{BCD}$ ) मानदंड:
- जटिल पूर्णांक व्यवहार्यता समस्याओं को हल किए बिना डिज़ाइन बनाने के लिए, लेखक एक मॉडल-मुक्त, वास्तविक-मान वाला ऑब्जेक्टिव फंक्शन पेश करते हैं:
  $\Phi_{BCD}(X) = w_1 \frac{V_1(X)}{p} + w_2 \frac{V_2(X)}{\binom{p}{2}}$
  जहाँ $V_1$ माध्य से प्रतिकृति का वर्ग विचलन है, और $V_2$ माध्य से युग्म सह-अस्तित्व का वर्ग विचलन है।
- सांख्यिकीय औचित्य: शोध पत्र सिद्ध करता है कि $\Phi_{BCD}$ $Φ_{B C D}$ को न्यूनतम करना मुख्य-प्रभाव मॉडलों के तहत कई शास्त्रीय इष्टतमता सिद्धांतों के साथ संरेखित होता है:
  - यह (M, S)-इष्टतमता सिद्धांत (कुल सूचना को अधिकतम करना, फिर आइजनवैल्यू प्रसार को न्यूनतम करना) को संतुष्ट करता है।
  - यह विशिष्ट वेट स्थितियों के तहत सेंटर्ड $UE(s^2)$ मानदंड (Jones और Majumdar, 2014) के बीजगणितीय रूप से समतुल्य है।
  - यह बायेसियन D-इष्टतमता के लिए एक परटर्बेशन बाउंड प्रदान करता है, जो काउंट्स-आधारित दंड (penalty) को एक आदर्श संतुलित डिज़ाइन के सापेक्ष दक्षता अंतराल से जोड़ता है।
एल्गोरिद्मिक निर्माण:
- एक कोऑर्डिनेट-एक्सचेंज (CE) एल्गोरिदम विकसित किया गया है जो रो-सम बाधा का सम्मान करता है और रो-सम स्वैप (एक सक्रिय कारक को निष्क्रिय कारक के साथ बदलना) के माध्यम से कार्य करता है।
- एल्गोरिदम $\Phi_{BCD}$ में परिवर्तनों का मूल्यांकन करने के लिए कुशल $O(k)$ इंक्रीमेंटल अपडेट का उपयोग करता है, जिससे यह स्केलेबल बनता है।
- सिमुलेशन-आधारित वेट ट्यूनिंग: यह पहचानते हुए कि भार $(w_1, w_2)$ प्रतिकृति और सह-अस्तित्व संतुलन के बीच ट्रेड-ऑफ को नियंत्रित करते हैं, लेखक एक ऑफलाइन ट्यूनिंग प्रक्रिया प्रस्तावित करते हैं। इच्छित डाउनस्ट्रीम कार्य (जैसे, स्पार्स सबस्पेस चयन) की नकल करने वाले एक सिमुलेशन प्लान का उपयोग करके, वास्तविक डेटा एकत्र करने से पहले प्रदर्शन मीट्रिक (जैसे, F1 स्कोर) को अधिकतम करने के लिए $w_1$ को कैलिब्रेट किया जाता है।

प्रमुख परिणाम

सैद्धांतिक: शोध पत्र स्थापित करता है कि लगभग संतुलित TCARDs कम-क्रम के प्रोजेक्शन असंतुलन ( $B_1, B_2$ ) को न्यूनतम करने के लिए इष्टतम हैं और ग्राफ-थ्योरेटिक डिग्री सीक्वेंस के माध्यम से उनके अस्तित्व के लिए आवश्यक शर्तें प्रदान करते हैं।
संख्यात्मक सिमुलेशन: विभिन्न समस्या आकारों ( $p \in \{20, \dots, 80\}$ $p \in {20, \dots, 80}$ ) और बाधा शक्तियों ( $k/p \in \{0.1, 0.25, 0.5\}$ $k / p \in {0.1, 0.25, 0.5}$ ) के लिए, प्रस्तावित $\Phi_{BCD}$ $Φ_{B C D}$ मानदंड (डिफ़ॉल्ट भार $w_1=w_2=1$ $w_{1} = w_{2} = 1$ के साथ) अन्य विकल्पों (जिसमें $UE(s^2)$ $U E (s^{2})$ , डिस्टेंस-आधारित मानदंड और ग्रीडी ह्यूरिस्टिक्स शामिल हैं) की तुलना में लगातार बेहतर या उनके बराबर प्रदर्शन करता है, विशेष रूप से निम्नलिखित संदर्भों में:
- संतुलन (Balance): लगभग पूर्ण प्रतिकृति संतुलन और श्रेष्ठ सह-अस्तित्व नियमितता प्राप्त करना।
- प्रोजेक्शन गुणवत्ता: अनुमानित सूचना मैट्रिसेस के उच्च औसत लॉग-डिटरमिनेंट्स को प्रस्तुत करना।
- डाउनस्ट्रीम प्रदर्शन: स्पार्स स्क्रीनिंग सिमुलेशन में, $\Phi_{BCD}$ के साथ अनुकूलित डिज़ाइन (विशेष रूप से जब भार को लक्षित स्पर्सिटी स्तर $q$ के लिए ट्यून किया जाता है) अन-ट्यून्ड या सिंगल-कंपोनेंट मानदंडों की तुलना में उच्च F1 स्कोर, प्रिसिजन और रिकॉल प्राप्त करते हैं।
केस स्टडी (LLM प्रॉम्प्ट इंजीनियरिंग):
- बजट 21 रन ( $k=3$ ) के साथ GSM8K गणितीय तर्क बेंचमार्क पर Llama 3.1 8B मॉडल के लिए 15 प्रॉम्प्ट घटकों की स्क्रीनिंग करने हेतु लागू किया गया।
- निष्कर्ष: ट्यून्ड $\Phi_{BCD}$ डिज़ाइनों (विभिन्न अनुमानित स्पर्सिटी स्तरों $q \in \{3, 4, 5\}$ के लिए कैलिब्रेटेड) ने प्रतिस्पर्धियों की तुलना में काफी अधिक मजबूत मुख्य प्रभावों (जैसे, "Algebra" और "DrawTable" को हानिकारक; "StepByStep" और "SubProblems" को सहायक के रूप में) की पहचान की।
- वैलिडेशन: एक होल्ड-आउट टेस्ट सेट पर, केवल ट्यून्ड $\Phi_{BCD}$ डिज़ाइनों ने ही दोनों हानिकारक घटकों (सहायक होने पर सटीकता कम करना) और सहायक घटकों (सटीकता बढ़ाना) की सफलतापूर्वक भविष्यवाणी की। प्रतिस्पर्धी विधियों, जिनमें अन-ट्यून्ड डिफ़ॉल्ट और डिस्टेंस-आधारित मानदंड शामिल थे, सहायक घटकों को पहचानने में विफल रहे, जिससे अक्सर नकारात्मक या शून्य लाभ हुआ।

महत्व और दावे
शोध पत्र का दावा है कि यह सख्त उपचार कार्डिनैलिटी बाधाओं के तहत लगभग संतुलित डिज़ाइनों के लिए पहला व्यापक ढांचा प्रदान करता है। इसका महत्व तीन क्षेत्रों में है:

सिद्धांत और व्यवहार को जोड़ना: यह क्लासिकल लगभग संतुलित ब्लॉक डिज़ाइन्स (Cheng और Wu, 1981) के सिद्धांत को TCARD सेटिंग तक विस्तारित करता है, जो उन डिज़ाइनों के लिए अस्तित्व की शर्तें और इष्टतमता गारंटी प्रदान करता है जिनके पास पहले रचनात्मक सिद्धांत का अभाव था।
मॉडल-मुक्त इष्टतमता: यह $\Phi_{BCD}$ पेश करता है, जो कम्प्यूटेशनल रूप से कुशल, मॉडल-मुक्त है, फिर भी शास्त्रीय सांख्यिकीय इष्टतमता सिद्धांतों (M-S, $UE(s^2)$ , Bayesian D) से कठोर रूप से जुड़ा हुआ है।
टास्क-अवेयर कैलिब्रेशन: यह कंपाउंड डिज़ाइन मानदंडों में गैप को संबोधित करने के लिए एक सिमुलेशन-आधारित ट्यूनिंग प्रक्रिया प्रस्तावित करता है। यह डिज़ाइन मानदंड को विशिष्ट डाउनस्ट्रीम अनुमानात्मक लक्ष्यों (जैसे, वेरिएबल सिलेक्शन बनाम प्रेडिक्शन) के साथ संरेखित करने की अनुमति देता है, बिना रिस्पांस सरफेस के पूर्व ज्ञान के।

लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि यह ढांचा सटीक-कार्डिनैलिटी शासन को प्रभावी ढंग से संभालता है, लेकिन यह स्क्रीनिंग में निहित सभी फॉल्स-पॉजिटिव या इंटरेक्शन समस्याओं को हल नहीं करता है। हालाँकि, यह उन डिज़ाइनों के निर्माण के लिए एक मजबूत, टास्क-अवेयर आधार प्रदान करता है जहाँ सक्रिय कारकों की संख्या सख्ती से सीमित होती है, जो AI और इंजीनियरिंग अनुप्रयोगों में तेजी से सामान्य होती एक बाधा है।