🤖 machine learning

Neural Bayesian Sequential Routing

न्यूरल बेयसियन सीक्वेंशियल रूटिंग (NBSR) एक नवीन ढांचा है जो न्यूरल इन्फरेंस को एक डिरिचलेट-कैटेगोरिकल कंजुगेट अपडेट के माध्यम से एक पदानुक्रमित (hierarchical) DAG पर सक्रिय साक्ष्य संचय (active evidence accumulation) के रूप में मॉडल करता है, जो अर्ली एग्जिटिंग और आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन के लिए गणितीय रूप से पुष्ट तंत्रों के साथ संसाधन-तर्कसंगत (resource-rational), अनिश्चितता-जागरूक और व्याख्या योग्य निर्णय लेने में सक्षम बनाता है।

मूल लेखक: Yongchao Huang

प्रकाशित 2026-05-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yongchao Huang

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 न्यूरल बायेसियन सीक्वेंशियल रूटिंग (NBSR) पेपर का सरल भाषा में अनुवाद दिया गया है:

मुख्य विचार: "एक बार में अंदाज़ा लगाने" से "जासूसी करने" तक

कल्पना कीजिए कि आप एक रहस्यमयी जानवर की पहचान करने की कोशिश कर रहे हैं।

स्टैंडर्ड AI (पुराना तरीका): आप जानवर की एक फोटो दिखाते हैं, और कंप्यूटर तुरंत जवाब देता है: "यह एक कुत्ता है!" यह पूरी तस्वीर को एक साथ देखकर एक ही बार में एक आत्मविश्वासी अंदाज़ा लगाता है। यदि यह गलत होता है, तो इसे नहीं पता होता कि यह क्यों गलत था, और यह यह नहीं कह सकता कि, "मुझे यकीन नहीं है।"
NBSR (नया तरीका): यह पेपर एक ऐसे सिस्टम का प्रस्ताव करता है जो एक जासूस की तरह काम करता है। तुरंत अंदाज़ा लगाने के बजाय, जासूस सबूतों को चरण-दर-चरण देखता है।
1. पहले, वह पूछता है: "क्या यह स्तनधारी (mammal) है या सरीसृप (reptile)?" (सबूत जुटाना)।
2. फिर, उसके आधार पर, वह पूछता है: "क्या इसके शरीर पर बाल हैं?" (और अधिक सबूत जुटाना)।
3. अंत में, वह पूछता है: "क्या यह भौंकता है?" (अंतिम सबूत जुटाना)।

हर सवाल के साथ, जासूस का आत्मविश्वास बढ़ता जाता है। यदि सबूत कमजोर हैं, तो वह स्वीकार करता है, "मेरे पास निर्णय लेने के लिए पर्याप्त जानकारी नहीं है।" यदि सबूत मजबूत हैं, तो वह एक सटीक निष्कर्ष निकालता है।

यह कैसे काम करता है: तीन मुख्य घटक

यह पेपर इस "जासूसी" AI को बनाने के लिए तीन अवधारणाओं को जोड़ता है:

1. पर्सिस्टेंट नॉलेज बेस (द "ओरेकल" या भविष्यवक्ता)

इनपुट (जैसे कुत्ते की फोटो) को एक स्थिर विश्वकोश (frozen encyclopedia) के रूप में सोचें जो कभी नहीं बदलता। स्टैंडर्ड AI में, फोटो को परतों (layers) के माध्यम से प्रोसेस किया जाता है और फिर "भूल" दिया जाता है। NBSR में, फोटो एक "ग्लोबल ओरैकल" के रूप में मेज पर टिकी रहती है।

उपमा: कल्पना कीजिए कि एक जासूस एक व्हाइटबोर्ड के सामने खड़ा है जिस पर अपराध स्थल की फोटो लगी हुई है। हर बार जब वह एक सवाल पूछता है, तो वह पहले से देखी गई धुंधली यादों पर भरोसा करने के बजाय, विशिष्ट सुराग खोजने के लिए मूल फोटो को वापस देखता है।

2. एविडेंस एक्यूमुलेशन (द "बलीफ स्टेट" या विश्वास की स्थिति)

यह गणित का हिस्सा है जिसे सरल बनाया गया है। AI केवल एक संभावना (जैसे "80% कुत्ता") आउटपुट नहीं करता है। इसके बजाय, यह सबूत अंकों (evidence points) का एक चलता-फिरता हिसाब रखता है।

उपमा: एक जार (jar) की कल्पना करें। शुरुआत में, जार खाली है (अधिकतम अनिश्चितता)।
- पहला विशेषज्ञ कहता है, "इसके शरीर पर बाल हैं।" आप "स्तनधारी" के 10 अंक जार में डालते हैं।
- दूसरा विशेषज्ञ कहता है, "इसकी एक पूंछ है।" आप "कुत्ता" के 20 अंक जार में डालते हैं।
- जैसे-जैसे आप अंक जोड़ते हैं, जार भरता जाता है। जितने अधिक अंक होंगे, AI उतना ही अधिक "निश्चित" होता जाएगा। यदि जार खाली रहता है, तो AI समझ जाता है कि वह ऐसी चीज़ से निपट रहा है जिसे वह नहीं समझता (Out-of-Distribution) और वह गलत अंदाज़ा लगाने के बजाय सुरक्षित रूप से कह सकता है, "मुझे नहीं पता।"

3. सीक्वेंशियल रूटिंग (द "डिसीजन ट्री" या निर्णय वृक्ष)

AI विकल्पों के एक रास्ते पर चलता है। यह हर संभव रास्ते को नहीं देखता; यह एक रास्ता चुनता है।

उपमा: एक "चूज़-योर-ओन-एडवेंचर" (अपनी पसंद का रोमांच चुनें) किताब की कल्पना करें।
- स्टैंडर्ड AI: उत्तर खोजने के लिए किताब के हर पन्ने को एक साथ पढ़ता है (जो संसाधनों की बर्बादी है)।
- NBSR: पेज 1 पढ़ता है, एक चुनाव करता है, पेज 2 पर जाता है, एक चुनाव करता है, और जैसे ही कहानी स्पष्ट हो जाती है, रुक जाता है।
- "कठिन" चुनाव: पेपर एक विशेष तकनीक (Gumbel-Softmax) का उपयोग करता है जो AI को ट्रेनिंग के दौरान सभी रास्तों को "पढ़ने का नाटक" करने देती है, लेकिन वास्तविक परीक्षण के दौरान, यह केवल एक ही रास्ते पर चलता है। यह कंप्यूटर की शक्ति की बहुत बचत करता है।

यह बेहतर क्यों है? (पेपर के दावे)

लेखकों ने इस सिस्टम का पांच अलग-अलग क्षेत्रों में परीक्षण किया और पाया कि यह अद्वितीय लाभ प्रदान करता है:

यह ऊर्जा बचाता है (रिसोर्स रेशनैलिटी):
- दावा: यदि समस्या आसान है (जैसे एक साधारण "बिल्ली" की तस्वीर पहचानना), तो AI जल्दी रुक जाता है। यह गहरे, जटिल सवाल पूछने में समय बर्बाद नहीं करता।
- परिणाम: इमेज टेस्ट में, 90% आसान छवियों को केवल एक चरण के बाद हल कर लिया गया, जिससे सटीकता खोए बिना भारी मात्रा में कंप्यूटिंग शक्ति बचा ली गई।
यह जानता है कि उसे क्या नहीं पता (सुरक्षा):
- दावा: स्टैंडर्ड AI अक्सर अजीब चीज़ें देखने पर भ्रमित होकर गलत उत्तर (hallucinations) दे देता है। NBSR अपने "सबूत के जार" को ट्रैक करता है। यदि जार नहीं भरता है, तो यह अनुमान लगाने से इनकार कर देता है।
- परिणाम: अजीब, अनदेखे डेटा के परीक्षणों में, AI ने गलत उत्तर देने के बजाय सही ढंग से कहा, "मुझे नहीं पता।"
यह पारदर्शी है (इंटरप्रिटेबिलिटी/व्याख्यात्मकता):
- दावा: आप देख सकते हैं कि AI ने निर्णय क्यों लिया।
- परिणाम: मेडिकल डायग्नोसिस टेस्ट में, AI ने केवल यह नहीं कहा कि "फंगल इन्फेक्शन है।" इसने एक रास्ता दिखाया: "मरीज स्किन एक्सपर्ट के पास गया -> स्किन एक्सपर्ट को 'धब्बे' मिले -> सबूत जोड़े गए -> निदान (diagnosis) की पुष्टि हुई।" डॉक्टर इस प्रक्रिया को देख सकते हैं कि कौन से लक्षण महत्वपूर्ण थे।
यह एक स्मार्ट प्लानर है (एक्टिव लर्निंग):
- दावा: AI यह तय कर सकता है कि सबसे अधिक सीखने के लिए आगे क्या पूछना है।
- परिणाम: एक "क्लिनिकल ट्राइएज" टेस्ट में, AI एक स्मार्ट नर्स की तरह काम करता है। इसने सस्ती, बुनियादी जांचों से शुरुआत की। यदि वे पर्याप्त नहीं थीं, तो इसने एक महंगी MRI का आदेश दिया। यदि सस्ती जांचें पर्याप्त थीं, तो यह रुक गया। इसने सही निदान प्राप्त करते हुए पैसे बचाए।

"सीक्रेट सॉस" उपमा: कॉन्फिडेंस बजट

पेपर विभिन्न स्तरों के विशेषज्ञों के लिए एक चतुर तकनीक का उल्लेख करता है:

इंटरमीडिएट एक्सपर्ट्स (जनरलिस्ट): ये एक "ट्राइएज नर्स" की तरह हैं। उन्हें सबूत जोड़ने के लिए एक छोटा बजट दिया जाता है। वे कह सकते हैं, "यह शायद एक स्तनधारी है," लेकिन वे अभी 100% निश्चित नहीं हो सकते। यह उन्हें बहुत जल्दी निष्कर्ष पर पहुँचने से रोकता है।
टर्मिनल एक्सपर्ट्स (स्पेशलिस्ट): ये एक "पशु चिकित्सक" (Veterinarian) की तरह हैं। उनके पास असीमित बजट होता है। एक बार जब मरीज उन तक पहुँच जाता है, तो वे एक ठोस, अंतिम निदान करने के लिए भारी मात्रा में सबूत डाल सकते हैं।

सारांश

न्यूरल बायेसियन सीक्वेंशियल रूटिंग (NBSR) एक नया तरीका है जिससे ऐसा AI बनाया जा सकता है जो इंसान के जासूस की तरह सोचता है। एक अंधे अंदाज़ा लगाने के बजाय, यह:

सबूतों को चरण-दर-चरण देखता है।
इस बात का हिसाब रखता है कि वह कितना निश्चित है।
जैसे ही वह पर्याप्त आश्वस्त होता है, काम करना बंद कर देता है (ऊर्जा बचाता है)।
स्वीकार करता है कि उसे नहीं पता (गलतियों को रोकता है)।
अपना काम दिखाता है ताकि इंसान उस पर भरोसा कर सकें।

पेपर सिद्ध करता है कि यह इमेज, मेडिकल डेटा, भाषा और यहाँ तक कि रोबोट नेविगेशन पर भी काम करता है, जो कंप्यूटर के निर्णय लेने के लिए एक स्मार्ट, सुरक्षित और अधिक कुशल तरीका प्रदान करता है।

तकनीकी सारांश: न्यूरल बायेसियन अनुक्रमिक रूटिंग (NBSR)

1. समस्या विवरण

मानक डीप लर्निंग आर्किटेक्चर स्थिर, सघन (dense) फॉरवर्ड गणनाओं पर निर्भर करते हैं जो एक मोनोलिथिक प्रोबेबिलिटी डिस्ट्रीब्यूशन उत्पन्न करने के लिए सभी इनपुट फीचर्स को एक साथ प्रोसेस करते हैं। हालांकि ये सिमेंटिक सटीकता के लिए प्रभावी हैं, लेकिन ये तीन महत्वपूर्ण सीमाओं से ग्रस्त हैं:

संज्ञानात्मक संभाव्यता (Cognitive Plausibility) का अभाव: वे मानव निर्णय लेने की क्रमिक, साक्ष्य-संचय (evidence-accumulating) प्रकृति को मॉडल करने में विफल रहते हैं, जहाँ परिकल्पनाओं को एक साथ मूल्यांकन करने के बजाय धीरे-धीरे परिष्कृत किया जाता है।
खराब व्याख्यात्मकता (Poor Interpretability): सघन नेटवर्क की "ब्लैक बॉक्स" प्रकृति यह छिपा देती है कि साक्ष्य कैसे प्राप्त किए जाते हैं और अनिश्चितता कैसे विकसित होती है, जिससे निर्णय ऑडिट करना कठिन हो जाता है।
अक्षमता और अति-आत्मविश्वास (Inefficiency and Overconfidence): वे आसानी से वर्गीकृत इनपुट पर अनावश्यक कंप्यूटेशनल संसाधनों को व्यर्थ करते हैं और मूल रूप से मौजूद अनिश्चितता मात्रा निर्धारण तंत्रों (uncertainty quantification mechanisms) की कमी के कारण आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटा पर अति-आत्मविश्वासी भविष्यवाणियां करते हैं।

जबकि मिक्स्चर-ऑफ-एक्सपर्ट्स (MoE) आर्किटेक्चर कंडीशनल कंप्यूटेशन पेश करते हैं, वे आमतौर पर सॉफ्ट, निरंतर रूटिंग पर निर्भर करते हैं जो न तो समय के साथ विकसित होने वाली विश्वास अवस्था (belief state) बनाए रखते हैं, और न ही क्रमिक साक्ष्य संचय या डायनेमिक अर्ली एग्जिटिंग की अनुमति देते हैं।

2. कार्यप्रणाली: न्यूरल बायेसियन अनुक्रमिक रूटिंग (NBSR)

NBSR एक डायनेमिक फ्रेमवर्क है जो न्यूरल इन्फरेंस को एक पदानुक्रमित निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) पर एक सक्रिय, साक्ष्य-संचय प्रक्रिया के रूप में मॉडल करता है। यह कंडीशनल न्यूरल निष्पादन, एविडेंशियल अनसर्टेन्टी और अनुक्रमिक निर्णय लेने को एकीकृत करता है।

मुख्य आर्किटेक्चर

ग्लोबल नॉलेज ऑरेकल (Global Knowledge Oracle): मानक फीड-फॉरवर्ड नेटवर्क के विपरीत, जहाँ फीचर्स को लेयर-दर-लेयर रूपांतरित और हटा दिया जाता है, NBSR एक साझा बैकबोन का उपयोग करके इनपुट $x$ को एक सघन फीचर वेक्टर $h_x$ में एम्बेड करता है। यह वेक्टर एक स्थायी "नॉलेज ऑरेकल" के रूप में कार्य करता है जिसे DAG के सभी नोड्स को ब्रॉडकास्ट किया जाता है, जिससे यह सुनिश्चित होता है कि प्रत्येक निर्णय के पास पूर्ण प्रासंगिक स्थिति (contextual state) तक पहुँच हो।
डिसीजन ग्राफ (The Decision Graph): मॉडल एक DAG के माध्यम से यात्रा करता है जहाँ नोड्स निर्णय अवस्थाओं का प्रतिनिधित्व करते हैं। प्रत्येक नोड $v_t$ पर, एक रूटर नेटवर्क (MLP), ग्लोबल फीचर्स $h_x$ और वर्तमान बायेसियन बिलीफ स्टेट $\alpha_t$ के आधार पर एक डिस्क्रीट पथ चुनता है।
साक्ष्य निष्कर्षण (Evidence Extraction): चयनित नोड पर पहुँचने पर, एक स्थानीय एक्सपर्ट नेटवर्क ऑरेकल $h_x$ से एक स्ट्रिक्टली पॉजिटिव एविडेंस वेक्टर $e_t$ निकालता है।
बायेसियन बिलीफ अपडेट: बिलीफ स्टेट को सटीक कंजुगेट एडिशन (exact conjugate addition) के माध्यम से अपडेट किया जाता है: $\alpha_{t+1} = \alpha_t + e_t$ । यहाँ $\alpha$ डिरिचलेट वितरण (Dirichlet distribution) के कंसंट्रेशन पैरामीटर्स का प्रतिनिधित्व करता है। एविडेंस वेक्टर्स $e_t$ बायेसियन स्यूडो-काउंट्स के रूप में कार्य करते हैं, जो डिरिचलेट स्टेट को नियत रूप से अपडेट करते हैं। यह प्रक्रिया गणितीय रूप से यह सुनिश्चित करती है कि जैसे-जैसे साक्ष्य संचित होते हैं, निर्णय सीमाएं (decision boundaries) "शार्पन" होती जाती हैं।

प्रशिक्षण और इन्फरेंस मैकेनिक्स

डिफरेंशिएबल डिस्क्रीट रूटिंग: डिस्क्रीट ट्री स्ट्रक्चर के एंड-टू-एंड प्रशिक्षण को सक्षम करने के लिए, NBSR Gumbel-Softmax रिलैक्सेशन को स्ट्रेट-थ्रू एस्टीमेटर (STE) के साथ नियोजित करता है।
- फॉरवर्ड पास: रूटर एक हार्ड, सिंगल पाथ (argmax) चुनता है, जो केवल विज़िट किए गए नोड्स को निष्पादित करके कंप्यूटेशनल दक्षता सुनिश्चित करता है।
- बैकवर्ड पास: ग्रेडिएंट्स Gumbel-Softmax के निरंतर अनुमान के माध्यम से प्रवाहित होते हैं, जिससे रूटर को डिस्क्रीट ऑपरेशन्स की ग्रेडिएंट वेनिशिंग समस्या के बिना इष्टतम पथ चयन सीखने में मदद मिलती है।
प्रशिक्षण उद्देश्य (Training Objective): लॉस फंक्शन अंतिम डिरिचलेट एक्सपेक्टेशन के नेगेटिव लॉग-लाइक्लीहुड (NLL) को एक एंट्रॉपी पेनल्टी टर्म ( $\lambda \sum H(\alpha_t)$ ) के साथ जोड़ता है। यह मॉडल को न केवल सटीकता को अधिकतम करने के लिए बल्कि प्रक्षेपवक्र (trajectory) के साथ अनिश्चितता (एंट्रॉपी) को भी तेजी से कम करने के लिए प्रोत्साहित करता है।
इन्फरेंस रणनीतियाँ:
- अर्ली एग्जिटिंग (Early Exiting): यदि बिलीफ स्टेट की डिफरेंशियल एंट्रॉपी $H(\alpha_t)$ एक थ्रेशोल्ड $\eta$ से नीचे गिर जाती है, तो ट्रैवर्सल तुरंत रुक जाता है, जिससे कंप्यूटेशनल FLOPs की बचत होती है।
- एपिस्टेमिक एब्स्टेंशन (Epistemic Abstention): यदि पूर्ण ट्रैवर्सल के बाद भी कुल प्रिसिजन $\alpha_0$ कम रहता है (जो उच्च अनिश्चितता का संकेत देता है), तो मॉडल भविष्यवाणी करने से बचता है (abstain), जो कि OOD इनपुट के लिए एक नेटिव सेफ्टी मैकेनिज्म प्रदान करता है।

3. प्रमुख योगदान

बायेसियन अनुक्रमिक रूटिंग फ्रेमवर्क: एक अभिनव सूत्रीकरण जहाँ डिस्क्रीट रूटिंग निर्णय डिरिचलेट बिलीफ स्टेट को सटीक कंजुगेट एडिशन के माध्यम से क्रमिक रूप से अपडेट करते हैं, जो प्रगतिशील हाइपोथेसिस शार्पनिंग को गणितीय रूप से लागू करते हैं।
एंड-टू-एंड हार्ड रूटिंग: डिस्क्रीट पदानुक्रमित निर्णय वृक्षों को प्रशिक्षित करने के लिए Gumbel-Softmax एस्टीमेटर का अनुकूलन, जो रिप्रेजेंटेशन कोलैप्स को रोकता है और डायनेमिक, एंट्रॉपी-आधारित अर्ली एग्जिटिंग को सक्षम करता है।
सैद्धांतिक गारंटी: औपचारिक प्रमाण जो यह दर्शाते हैं कि स्ट्रिक्टली पॉजिटिव एविडेंस एक्सट्रैक्शन के तहत, किसी भी वैध प्रक्षेपवक्र के साथ कुल डिरिचलेट प्रिसिजन निरंतर बढ़ता है, और मार्जिनल प्रेडिक्टिव वेरिएंस तदनुरूप सीमित होता है। यह दिखाया गया है कि आदर्श क्षमता धारणाओं के तहत यह फ्रेमवर्क बायेस-ऑप्टिमल कंडीशनल डिस्ट्रीब्यूशन को रिकवर करता है।
व्याख्यात्मक और सुरक्षित इन्फरेंस: फ्रेमवर्क प्रत्येक निर्णय के लिए पारदर्शी, कॉज़ल ऑडिट ट्रेल प्रदान करता है। यह OOD इनपुट के लिए सुरक्षात्मक एब्स्टेंशन को ट्रिगर करने के लिए नेटिव डिरिचलेट प्रिसिजन का उपयोग करता है, जिससे हैलुसिनेशन (hallucinations) को रोका जा सकता है।
रिसोर्स-रेशनल एक्सटेंशन: टेम्पोरल मेमोरी (NBSR-Mem) को शामिल करने के लिए DAG टोपोलॉजी का सफल विस्तार और कॉस्ट-अवेयर बायेसियन ऑप्टिमल एक्सपेरिमेंटल डिज़ाइन (BOED) के लिए ऑटोरेग्रेसिव स्टेट मशीन (AR-NBSR) के रूप में फॉर्मूलेशन।

4. प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन पांच विविध डोमेन में किया गया:

विजुअल कैटेगराइजेशन (CIFAR-10): NBSR ने 96.74% की पीक एक्यूरेसी हासिल की, जिसने फ्लैट ResNet-18 (96.60%) और स्पार्स MoE (96.43%) दोनों को पीछे छोड़ दिया। महत्वपूर्ण रूप से, इसने फ्लैट बेसलाइन (~0.027) की तुलना में 0.015 का काफी कम एक्सपेक्टेड कैलिब्रेशन एरर (ECE) प्राप्त किया। मॉडल ने बिना सटीकता में गिरावट के डेप्थ 1 पर 90% अर्ली-एग्जिटिंग प्रदर्शित किया, जो इसके रिसोर्स-रेशनल होने की पुष्टि करता है।
स्ट्रक्चर्ड मेडिकल डायग्नोसिस: एक क्लिनिकल ट्राइएज कार्य में, NBSR ने फ्लैट MLP (97.62%) की डायग्नोस्टिक सटीकता के बराबर प्रदर्शन किया, जबकि पेशेंट-विशिष्ट, पाथ-डिपेंडेंट फीचर एट्रिब्यूशन प्रदान किया। इसने स्पष्ट मामलों के लिए औसत इन्फरेंस डेप्थ को 2.0 से घटाकर 1.0 कर दिया, जिससे प्रदर्शन में कमी के बिना इन्फरेंस समय कम हुआ।
लैंग्वेज मॉडलिंग: एक नियंत्रित सिंटैक्टिक-सिमेंटिक डिसैम्बिग्युएशन कार्य पर, NBSR ने जेनेरेटिव क्षमता (परप्लेक्सिटी 13.81 बनाम 13.43 बेसलाइन) को बनाए रखते हुए पारदर्शी रूटिंग ट्रेसेस (जैसे, सिंटैक्टिक बनाम सिमेंटिक एक्सपर्ट्स के बीच अंतर करना) को उजागर किया। इसने उन OOD प्रॉम्प्ट्स पर एब्स्टेन करने की क्षमता प्रदर्शित की जहाँ स्टैंडर्ड सॉफ्टमैक्स मॉडल हैलुसिनेट करते हैं।
पार्शियली ऑब्जर्वेबल कंट्रोल (POMDP): नेविगेशन कार्य में, जिसमें स्थानिक विस्मृति (spatial amnesia) थी, NBSR-Mem (रिकरेंट मेमोरी को शामिल करते हुए) ने 100% सफलता दर प्राप्त की, जो ब्लैक-बॉक्स CNN-GRU के प्रदर्शन के बराबर है। ब्लैक-बॉक्स बेसलाइन के विपरीत, NBSR-Mem ने सफलतापूर्वक "एलियन हेज़र्ड" OOD इनपुट का पता लगाया और क्रैश होने के बजाय सुरक्षित रोक (100% एब्स्टेंशन रेट) को ट्रिगर किया।
एक्टिव क्लिनिकल ट्राइएज (BOED): AR-NBSR फॉर्मूलेशन ने एक एक्टिव लर्निंग एजेंट के रूप में कार्य किया, जिसने सूचना लाभ (information gain) को प्रति यूनिट लागत के आधार पर डायग्नोस्टिक टेस्ट चुनने के लिए सीखा। इसने ग्रिडी बेसलाइन ($60- $80) की तुलना में काफी कम औसत लागत (~$ 45-$50) पर पीक डायग्नोस्टिक सटीकता प्राप्त की, जो नॉन-मायोपिक, रिसोर्स-रेशनल प्लानिंग को प्रदर्शित करता है।

5. महत्व और दावे

यह पेपर दावा करता है कि NBSR स्टैटिक, मोनोलिथिक डीप लर्निंग से एक सक्रिय, अनुक्रमिक फीचर एक्विजिशन प्रतिमान की ओर एक मौलिक बदलाव का प्रतिनिधित्व करता है। इसका महत्व तीन पहले से अलग अवधारणाओं के एकीकरण में निहित है:

कंडीशनल निष्पादन: सॉफ्ट, पैरेलल एवरेजिंग से हार्ड, पाथ-डिपेंडेंट रूटिंग की ओर बढ़ना।
एविडेंशियल अनसर्टेनिटी: अनसर्टेटी को केवल एक सहायक डायग्नोस्टिक के रूप में नहीं, बल्कि एक स्टेट वेरिएबल के रूप में मानना जो (अर्ली एग्जिटिंग और एब्स्टेंशन के माध्यम से) कंप्यूटेशन को सक्रिय रूप से नियंत्रित करता है।
अनुक्रमिक तर्क: इन्फरेंस को एक फॉरवर्ड-कॉज़ल बिलीफ प्रक्षेपवक्र के रूप में मॉडल करना जहाँ मध्यवर्ती अवस्थाएं और एक्सपर्ट योगदान निरीक्षण योग्य (inspectable) होते हैं।

लेखक दावा करते हैं कि NBSR एक व्याख्यात्मक, मॉड्यूलर और रिसोर्स-रेशनल एजेंटिक AI के लिए गणितीय रूप से सुदृढ़ ढांचा प्रदान करता है। यह सुनिश्चित करके कि एक्सपर्ट्स को सॉफ्टली एवरेज करने के बजाय चुनिंदा रूप से क्वेरी किया जाता है, और अनसर्टेटी स्वाभाविक रूप से स्टेट का हिस्सा है, यह फ्रेमवर्क ऐसे AI सिस्टमों का मार्ग प्रशस्त करता है जो न केवल सटीक हैं, बल्कि पारदर्शी, सुरक्षित और कंप्यूटेशनल रूप से कुशल भी हैं। पेपर निष्कर्ष निकालता है कि हालांकि NBSR वर्तमान में विशिष्ट बेंचमार्क पर मान्य है, इसका आर्किटेक्चर स्वाभाविक रूप से न्यूरो-सिंबोलिक एकीकरण, डिरिचलेट प्रोसेस के माध्यम से अनबाउंड टोपोलॉजी और डायनेमिक स्किल एक्विजिशन के भविष्य के विस्तार का समर्थन करता है।