🧬 biology

DAGGER: Gradient-Free Construction of Transiently Amplifying Networks under Hard Connectivity Constraints

यह शोध पत्र DAGGER को प्रस्तुत करता है, जो एक ग्रेडिएंट-मुक्त (gradient-free), सिंगल-पास एल्गोरिदम है जो सख्त साइन (sign), स्पार्सिटी (sparsity) और डायगोनल (diagonal) बाधाओं के तहत एक वासेरस्टीन-2 बजट (Wasserstein-2 budget) को अनुकूलित करके क्षणिक रूप से प्रवर्धित (transiently amplifying) नेटवर्क का निर्माण करता है, जो मौजूदा ग्रेडिएंट-आधारित विधियों की तुलना में आदेशों-से-अधिक (orders-of-magnitude) उच्च प्रवर्धन और काफी अधिक कम्प्यूटेशनल दक्षता प्राप्त करता है।

मूल लेखक: James C. Ferguson

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: James C. Ferguson

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास गियर, लीवर और स्प्रिंग्स (एक नेटवर्क) से बनी एक जटिल मशीन है। यह मशीन वर्तमान में स्थिर है; यदि आप इसे धक्का देते हैं, तो यह थोड़ा डगमगाती है और फिर स्थिर हो जाती है। लेकिन आप चाहते हैं कि यह एक छोटे से धक्के को एक विशाल, शक्तिशाली हलचल में बढ़ा (amplify) दे, इससे पहले कि वह शांत हो जाए।

चुनौती यह है कि आप एक सख्त इंजीनियर हैं। आप निम्नलिखित कार्य नहीं कर सकते:

नए गियर जोड़ना या पुराने गियर हटाना (कनेक्टिविटी समान रहनी चाहिए)।
गियर के घूमने की दिशा बदलना (चिह्न/signs समान रहने चाहिए)।
सभी गियर्स का कुल वजन बदलना (हिस्सों का परिमाण/magnitude समान रहना चाहिए)।

लंबे समय तक, इस मशीन को ट्यून करने का एकमात्र तरीका एक "ग्रेडिएंट-आधारित" (gradient-based) विधि था। इसे एक अंधे मैकेनिक की तरह समझें जो एक पेंच को कसने की कोशिश करता है, परिणाम की जांच करता है, फिर से कोशिश करता है, और फिर से प्रयास करता है—और यह करने के लिए उसे हजारों बार दोहराना पड़ता है। यह धीमा है, महंगा है, और अक्सर एक "काफी अच्छे" स्थानीय स्थान पर फंस जाता है बजाय इसके कि वह "सर्वश्रेष्ठ" स्थान खोज सके।

इस शोध पत्र के लेखक एक नया उपकरण पेश करते हैं जिसे DAGGER कहा जाता है। अंदाजे लगाने और जांच करने के बजाय, DAGGER मौजूदा भारों (weights) को पूरी तरह से पुनर्व्यवस्थित करने के लिए एक चतुर, एक-चरणीय गणितीय चाल का उपयोग करता है।

DAGGER कैसे काम करता है, इसके सरल उदाहरण यहाँ दिए गए हैं:

1. "एकतरफा सड़क" रणनीति (The "One-Way Street" Strategy)

कल्पना कीजिए कि आपकी मशीन के कनेक्शन एक शहर में सड़कों की तरह हैं। कुछ सड़कें "आगे" जाती हैं (दिन की शुरुआत से अंत तक), और कुछ "पीछे" जाती हैं (ट्रैफिक सर्कल या लूप बनाती हैं)।

समस्या: लूप (पीछे जाने वाली सड़कें) ऊर्जा को फंसा देते हैं या खुद को रद्द कर देते हैं।
DAGGER का समाधान: DAGGER पहले शहर के मानचित्र को इस तरह व्यवस्थित करता है कि वह एक एकतरफा सड़क प्रणाली (एक निर्देशित अचक्रीय ग्राफ या Directed Acyclic Graph) की तरह दिखे। यह नई सड़कें नहीं बनाता; यह केवल चौराहों के क्रम को फिर से लेबल करता है ताकि अधिकांश यातायात एक ही दिशा में प्रवाहित हो सके।

2. "भारी ट्रक" असाइनमेंट (The "Heavy Truck" Assignment)

अब जब सड़कें व्यवस्थित हो गई हैं, तो आपके पास ट्रकों का एक बेड़ा है (कनेक्शन के भार/परिमाण)। कुछ ट्रक भारी हैं, कुछ हल्के।

पुराना तरीका: आप शायद सड़कों को ट्रकों को बेतरतीब ढंग से आवंटित करते हैं या अनुमान लगाते हैं कि किस सड़क को भारी ट्रक की आवश्यकता है।
DAGGER का समाधान: DAGGER एक सरल नियम का उपयोग करता है जिसे पुनर्व्यवस्था असमानता (Rearrangement Inequality) कहा जाता है। यह कहता है: "सबसे भारी ट्रकों को सबसे लंबी, सीधी, एकतरफा सड़कों पर रखें।"
- यदि कोई सड़क शहर के बिल्कुल शुरुआत से बिल्कुल अंत तक जाती है, तो उसे सबसे भारी ट्रक मिलता है।
- यदि कोई सड़क छोटी है या पीछे की ओर जाती है, तो उसे हल्का ट्रक मिलता है।
- यह एक ही चरण में किया जाता है। कोई अनुमान नहीं। कोई हजारों बार की जांच नहीं।

3. "वॉल्यूम नॉब" ( $\beta$ )

DAGGER आपको एक एकल डायल देता है, जिसे $\beta$ (बीटा) कहा जाता है, जो यह नियंत्रित करता है कि आप कितने आक्रामक होना चाहते हैं।

$\beta = 0$ (सख्त मोड): आपको किसी भी ट्रक का कुल वजन बदलने की अनुमति नहीं है। आप उन्हें बस इधर-उधर घुमाते हैं। मशीन थोड़ा विस्तार करती है, लेकिन यह मूल "भार वितरण" का पूरी तरह से सम्मान करती है।
$\beta > 0$ (एम्प्लीफिकेशन मोड): आपको भार को थोड़ा "झुकाने" (tilt) की अनुमति है। आप भारी ट्रकों को और भी भारी और हल्के ट्रकों को और भी हल्का बना सकते हैं (एक बजट के भीतर)।
- जैसे-जैसे आप इस नॉब को घुमाते हैं, सिग्नल को बढ़ाने की मशीन की क्षमता विशाल रूप से बढ़ती है। शोध पत्र दिखाता है कि इस नॉब को घुमाकर, मशीन सिग्नल को 10 अरब गुना ( $10^{10}$ ) तक बढ़ा सकती है, इससे पहले कि कंप्यूटर की संख्या समाप्त हो जाए!

यह एक बड़ी बात क्यों है?

शोध पत्र पुराने "अंधे मैकेनिक" (जिसे SOC या ग्रेडिएंट विधियाँ कहा जाता है) की तुलना DAGGER से करता है:

गति: पुराने तरीके को समाधान खोजने के लिए हजारों "जांच" (eigendecompositions) की आवश्यकता होती है। DAGGER इसे एक ही पास में कर देता है। कम्प्यूटेशनल चरणों के मामले में यह 30 से 100 गुना तेज़ है।
प्रदर्शन: भले ही पुराने तरीके को नेटवर्क संरचना को थोड़ा बदलने की अनुमति दी जाए, DAGGER अक्सर उसे हरा देता है। जब नेटवर्क संरचना को बिल्कुल वैसा ही रहना चाहिए (जैसे जैविक मस्तिष्क या विशिष्ट AI मॉडल में), तो DAGGER कहीं अधिक श्रेष्ठ है।
विश्वसनीयता: पुराना तरीका कभी-कभी फंस जाता है या जहाँ से शुरू होता है वहां से बहुत भिन्न हो जाता है। DAGGER सुसंगत और पूर्वानुमानित है।

"सिग्नल डिटेक्शन" परीक्षण

यह काम करता है, यह साबित करने के लिए, लेखकों ने मशीनों का एक "सिग्नल डिटेक्शन" खेल पर परीक्षण किया। कल्पना कीजिए कि शोर भरे कमरे में फुसफुसाहट सुनने की कोशिश कर रहे हैं।

पुराने तरीके (SOC) केवल तभी फुसफुसाहट सुन सकते थे जब वह अपेक्षाकृत तेज़ हो।
DAGGER मशीन उस फुसफुसाहट को भी सुन सकती थी जो अन्य लोगों द्वारा पता लगाए जाने योग्य स्तर से 10 गुना अधिक शांत थी। इसने अनिवार्य रूप से एक फुसफुसाहट को एक चीख में बदल दिया।

सारांश

DAGGER नेटवर्क बनाने का एक नया, बिजली की तरह तेज़ नुस्खा है जो नेटवर्क की संरचना के नियमों को तोड़े बिना, एक छोटे इनपुट को लेकर एक बड़ा आउटपुट बना सकता है। अंदाजे लगाने और बार-बार प्रयास करने वाली खोज के बजाय, यह एक स्मार्ट, एक-चरणीय पुनर्व्यवस्था का उपयोग करता है: प्रवाह को एकतरफा होने के लिए व्यवस्थित करें, और सबसे लंबे रास्तों पर सबसे भारी भार रखें।

यह एक अराजक, लूप वाले शहर के ट्रैफिक सिस्टम को केवल लेन को एकतरफा बनाकर फिर से व्यवस्थित करने और फिर सबसे लंबी राजमार्गों पर सबसे बड़े ट्रकों को रखने जैसा है। परिणाम एक ऐसा सिस्टम है जो बहुत तेज़ी से और अधिक शक्ति के साथ चलता है, जो ठीक उन्हीं कारों और सड़कों से बना है जिनसे आपने शुरुआत की थी।

तकनीकी सारांश: DAGGER – क्षणिक रूप से प्रवर्धित नेटवर्कों का ग्रेडिएंट-मुक्त निर्माण

1. समस्या विवरण (Problem Statement)

यह शोधपत्र क्षणिक रूप से प्रवर्धित (transiently amplifying) नेटवर्कों के निर्माण की एक प्रतिबंधित डिजाइन समस्या को संबोधित करता है। लक्ष्य एक दिए गए स्थिर, हस्ताक्षरित (signed), और विरल (sparse) मैट्रिक्स $A_0$ (जो एक जैविक कनेक्टोम या एक संरचित RNN इनिशियलाइजेशन का प्रतिनिधित्व करता है) को एक नए मैट्रिक्स $A$ में परिवर्तित करना है जो तीन सख्त शर्तों को पूरा करता हो:

स्थिरता (Stability): सिस्टम स्थिर रहना चाहिए (स्पेक्ट्रल एब्सकोसा $\alpha(A) \leq -\rho$ )।
प्रवर्धन (Amplification): सिस्टम को मजबूत क्षणिक प्रवर्धन प्रदर्शित करना चाहिए (अधिकतम $G(A) = \sup_{t \geq 0} \|e^{At}\|_2$ )।
प्रतिबंध संरक्षण (Constraint Preservation): आउटपुट मूल $A_0$ के साइन पैटर्न, स्पर्सिटी पैटर्न और डायगोनल को सटीक रूप से संरक्षित करता है।

मौजूदा दृष्टिकोण महत्वपूर्ण सीमाओं का सामना करते हैं:

ग्रेडिएंट-आधारित विधियाँ (जैसे SOC): हजारों इनर-लूप आइजनडिकम्पोजिशन के साथ पुनरावृत्ति स्थानीय खोज (iterative local search) की आवश्यकता होती है, जिससे ये गणनात्मक रूप से महंगी हो जाती हैं।
खोज के दौरान प्रवर्धन गुणों को नष्ट कर देती है।
शूर-फॉर्म निर्माण (Schur-form construction): एक अमूर्त ऑर्थोगोनल आधार में कार्य करता है; परिणाम को मूल हस्ताक्षरित/स्पार्स आधार में वापस प्रोजेक्ट करने से आमतौर पर प्रवर्धन गुण नष्ट हो जाते हैं।
लो-रैंक निर्माण (Low-rank construction): जेनेरिक सबस्ट्रेट प्रवर्धन के बजाय लक्षित इनपुट-आउटपुट प्रक्षेपवक्रों (trajectories) पर ध्यान केंद्रित करता है।

2. कार्यप्रणाली: DAGGER

लेखक DAGGER (Directed Acyclic Graph Guided Edge Reweighting) प्रस्तावित करते हैं, जो एक ग्रेडिएंट-मुक्त, सिंगल-पास एल्गोरिदम है जो बिना पुनरावृत्ति अनुकूलन के प्रवर्धक नेटवर्क का निर्माण करता है। यह विधि इस अंतर्दृष्टि पर आधारित है कि क्षणिक प्रवर्धन नेटवर्क की कनेक्टिविटी पदानुक्रम (connectivity hierarchy) में सबसे लंबे फॉरवर्ड पाथ की लंबाई के साथ स्केल करता है।

एल्गोरिदम छह चरणों में आगे बढ़ता है:

DAG-अनुकूल नोड ऑर्डरिंग (DAG-Favoring Node Ordering): नोड्स को इस तरह से पुनर्व्यवस्थित किया जाता है ताकि "बैकवर्ड" किनारों (पदानुक्रम के विरुद्ध दिशा में संकेत करने वाले किनारे) को कम किया जा सके। इसे एक वेटेड मिनिमम-फीडबैक-आर्क-सेट समस्या के रूप में तैयार किया गया है, जिसे एक ग्रीडी ह्यूरिस्टिक ( $O(n^2)$ ) के माध्यम से हल किया जाता है जो पुनरावृत्ति में "सोर्स" और "सिंक" नोड्स को हटाता है।
एज स्कोरिंग (Edge Scoring): प्रत्येक किनारे $(i, j)$ को नई व्यवस्था में इसकी "फॉरवर्डनेस" ( $\pi(j) - \pi(i)$ ) के आधार पर एक स्कोर दिया जाता है। एक टाई-ब्रेकर उन किनारों को दंडित करता है जो टाइट फीडबैक लूप (छोटे चक्र) में शामिल होते हैं, क्योंकि वे स्पेक्ट्रम के विरुद्ध प्रतिध्वनित होते हैं और प्रवर्धन में बाधा डालते हैं।
मैग्निट्यूड टिल्ट (Magnitude Tilt - वैकल्पिक): एक स्केलर पैरामीटर $\beta$ एक Wasserstein-2 बजट को नियंत्रित करता है। यदि $\beta > 0$ है, तो इनपुट के मैग्निट्यूड मल्टीसेट को एक एक्सपोनेंशियल डिस्ट्रीब्यूशन ( $m'_k = m_k \cdot e^{\beta u_k}$ ) का उपयोग करके "टिल्ट" किया जाता है, जो छोटे मैग्निट्यूड से बड़े मैग्निट्यूड में द्रव्यमान (mass) को पुनर्वितरित करता है। यदि $\beta = 0$ है, तो मैग्निट्यूड मल्टीसेट को (एक वैश्विक स्केलर तक) सटीक रूप से संरक्षित किया जाता है।
सॉर्टेड मैचिंग (Sorted Matching): (टिल्ट किए गए) मैग्निट्यूड मल्टीसेट को सॉर्टेड मैचिंग के माध्यम से किनारों को सौंपा जाता है: सबसे बड़े मैग्निट्यूड को उच्चतम-स्कोरिंग (सबसे अधिक फॉरवर्ड) किनारों के साथ जोड़ा जाता है। यह रीअरेंजमेंट इनइक्वैलिटी (rearrangement inequality) का लाभ उठाता है ताकि स्कोर-वेटेड मैग्निट्यूड सम को प्रमाणित रूप से अधिकतम किया जा सके।
स्टेबिलिटी रीस्केलिंग (Stability Rescaling): परिणामी मैट्रिक्स को एक स्थिरांक $c$ द्वारा समान रूप से रीस्केल किया जाता है (जो बाइस सेक्शन के माध्यम से पाया जाता है) ताकि यह सुनिश्चित हो सके कि स्पेक्ट्रल एब्सकोसा ठीक लक्ष्य स्थिरता मार्जिन $\alpha = -\rho$ पर पहुंचे।
वैकल्पिक परिशोधन (Optional Refinement): सख्त संरक्षण ( $\beta=0$ ) के लिए, मैट्रिक्स के सिमेट्रिक भाग के लीडिंग आइजनवेक्टर के आधार पर असाइनमेंट को और अधिक अनुकूलित करने के लिए एक स्वैप-परिशोधन चरण लागू किया जा सकता है।

कंप्यूटेशनल जटिलता (Computational Complexity): एल्गोरिदम $O(n^3 \log(1/\varepsilon))$ में चलता है, जो स्टेबिलिटी बाइसक्शन द्वारा संचालित होता है (आमतौर पर ~30 आइजनडिकम्पोजिशन)। यह उन ग्रेडिएंट विधियों के विपरीत है जिन्हें निर्माण के लिए सैकड़ों या हजारों आइजनडिकम्पोजिशन की आवश्यकता होती है।

3. मुख्य योगदान (Key Contributions)

शोधपत्र चार प्राथमिक योगदानों को रेखांकित करता है:

एल्गोरिद्मिक दक्षता: DAGGER एक सिंगल फॉरवर्ड पास में स्ट्रॉन्गली एम्प्लीफाइंग नेटवर्क बनाता है, जिसमें विशिष्ट ग्रेडिएंट-आधारित इनर लूप की तुलना में 30-100 गुणा कम आइजनडिकम्पोजिशन की आवश्यकता होती है। $n=300$ पर, यह SOC वेरिएंट की तुलना में ~5 गुणा वॉल-क्लॉक स्पीडअप प्रदान करता है।
पारेटो नियंत्रण (Pareto Control): एक एकल स्केलर $\beta$ एक "नॉब" के रूप में कार्य करता है जो सटीक मल्टीसेट संरक्षण ( $\beta=0$ ) और प्रवर्धन के बीच ट्रेड-ऑफ को नियंत्रित करता है। पीक एम्प्लीफिकेशन $\beta$ बढ़ने के साथ अनिवार्य रूप से बिना किसी सीमा के बढ़ता है (संख्यात्मक ओवरफ्लो से पहले अनुभवजन्य रूप से $10^{10}$ तक पहुँच जाता है)।
मैकेनिस्टिक टोपोलॉजी संरक्षण: ग्रेडिएंट विधियों के विपरीत जो प्रवर्धन बनाने के लिए वेट्स को संशोधित करती हैं, DAGGER मौजूदा मैग्निट्यूड्स को एक फीडफॉरवर्ड संरचना पर पुनर्व्यवस्थित करके गेन प्राप्त करता है। स्ट्रक्चरल डायग्नोस्टिक्स दिखाते हैं कि DAGGER नेटवर्क में मैच की गई एम्प्लीफिकेशन लेवल्स पर बैकवर्ड-एज वेट फ्रैक्शन SOC नेटवर्क की तुलना में >40 गुणा कम है।
अनुभवजन्य सत्यापन (Empirical Validation): एक डाउनस्ट्रीम सिग्नल-डिटेक्शन कार्य में, DAGGER नेटवर्क (उच्च $\beta$ के साथ) प्रतिस्पर्धी विधियों की तुलना में एक क्रम की परिमाण कम सिग्नल एम्पलीट्यूड पर भी पूर्ण भेदभाव (AUC = 1) प्राप्त करने में सक्षम रहा।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने DAGGER का तीन बेसलाइन के विरुद्ध मूल्यांकन किया: L0 (यूनिफॉर्म रीस्केलिंग), SOC (स्टेबिलिटी-ऑप्टिमाइज्ड सर्किट), और GRAD-Adam (न्यूमेरिकल एब्सकोसा पर ग्रेडिएंट एसेंट)।

पारेटो फ्रंटियर (Pareto Frontier): DAGGER एक निरंतर वक्र (continuous curve) बनाता है जो सख्त संरक्षण ( $\beta=0$ , पीक $\approx 7$ ) से लेकर उच्च प्रवर्धन ( $\beta=5$ , पीक $\approx 73$ ) तक जाता है। SOC और GRAD-Adam बिना किसी ट्यूनेबल बजट नॉब के फिक्स्ड पॉइंट्स द्वारा घेरे गए हैं।
गति (Speed): DAGGER $O(n^3)$ के रूप में स्केल करता है जिसमें एक छोटा स्थिरांक है, जबकि SOC और GRAD-Adam अपने पुनरावृत्ति काउंट (क्रमशः 1500 और 200 आइजनडिकम्पोजिशन) को दर्शाने वाले मल्टीप्लिकेटिव फैक्टर के साथ स्केल करते हैं।
स्यूडोस्पेक्ट्रल विश्लेषण (Pseudospectral Analysis): DAGGER नेटवर्क एक "स्यूडोस्पेक्ट्रल बल्ज" प्रदर्शित करते हैं जो राइट हाफ-प्लेन में बहुत दूर तक फैला हुआ है (उच्च स्यूडोस्पेक्ट्रल एब्सकोसा $\alpha_\varepsilon$ ), बावजूद इसके कि उनके आइजनवेल्स लेफ्ट हाफ-प्लेन में हैं। यह पुष्टि करता है कि प्रवर्धन नॉन-नॉर्मलिटी (पुनर्व्यवस्था) द्वारा संचालित है, न कि आइजनवैल्यू मूवमेंट द्वारा।
स्ट्रक्चरल मेट्रिक्स:
- बैकवर्ड फ्रैक्शन: DAGGER उच्च $\beta$ पर बैकवर्ड किनारों के अंश को ~0.37 (SOC/L0) से घटाकर ~0.008 कर देता है, जो फीडफॉरवर्ड टोपोलॉजी की ओर बदलाव की पुष्टि करता है।
- प्रभावी रैंक (Effective Rank): DAGGR नेटवर्क एक मध्यम क्षणिक प्रभावी रैंक (~14–18) बनाए रखते हैं, जो मल्टी-मोड प्रवर्धन का संकेत देता है, जबकि SOC प्रवर्धन को एक एकल मोड (रैंक ~3.4) में केंद्रित करता है।
सिग्नल डिटेक्शन: $\beta=6$ पर, DAGGER ने प्रतिस्पर्धियों की तुलना में 10 गुणा कमजोर सिग्नल का पता लगाया, और सिग्नल एम्पलीट्यूड $a=0.03$ पर AUC 1.0 प्राप्त किया, जहाँ प्रतिस्पर्धी शोर से सिग्नल को अलग करने में विफल रहे।

5. महत्व और दावे (Significance and Claims)

शोधपत्र यह तर्क देता है कि कन्स्ट्रेंट स्ट्रक्चर (प्रतिबंध संरचना) अनुकूलन (optimization) का स्थान ले सकता है जब बाधाओं की ज्यामिति पर्याप्त समृद्ध हो। एक निश्चित मैग्निट्यूड मल्टीसेट के परमुटेशन को एक निश्चित एज सेट पर प्रतिबंधित करके, रीअरेंजमेंट इनइक्वैलिटी एक विश्लेषणात्मक समाधान प्रदान करती है जिसे ग्रेडिएंट डिसेंट केवल अनुमानित कर सकता है।

लेखक दावा करते हैं कि DAGGER उपयुक्त उपकरण है जब:

सबस्ट्रेट कनेक्टिविटी (साइन, स्पर्सिटी, डायगोनल) को सटीक रूप से संरक्षित किया जाना चाहिए (जैसे, जैविक कनेक्टोम, डेल्स-लॉ मॉडल)।
तेज़, सिंगल-पास निर्माण की आवश्यकता हो।
संरचना संरक्षण और प्रवर्धन के बीच एक व्याख्या योग्य ट्रेड-ऑफ की आवश्यकता हो।

यह कार्य सुझाव देता है कि कठोर संरचनात्मक बाधाओं के तहत, संरचनात्मक अंतर्दृष्टि ऐसी विश्लेषणात्मक ऑप्टिमा प्रदान कर सकती है जो पुनरावृत्ति अनुकूलन से बेहतर हो। लेखक सीमाओं को भी नोट करते हैं, जिनमें फिक्स्ड स्पर्सिटी पैटर्न (जो सैद्धांतिक नाइलपोटेंट सीलिंग तक पहुँचने से रोकता है), एक्सपोनेंशियल टिल्ट की उप-इष्टतमता, और नोड ऑर्डरिंग की ह्यूरिस्टिक प्रकृति शामिल है। वे भविष्य के कार्य के रूप में बड़े जैविक कनेक्टोम्स पर DAGGER लागू करने और इसे शूर-पैरामीटराइज्ड RNNs के लिए इनिशियलाइजेशन के रूप में उपयोग करने का प्रस्ताव करते हैं।