📊 statistics

Convex Distance Operator Transport: A Convex and Geometry-Preserving Formulation

यह शोध पत्र कॉनवेक्स डिस्टेंस ऑपरेटर ट्रांसपोर्ट (CDOT) को प्रस्तुत करता है, जो एक नवीन कॉनवेक्स ऑप्टिमल ट्रांसपोर्ट फ्रेमवर्क है जो ज्यामितीय संरचना को संरक्षित करते हुए विषम डोमेन के बीच वितरणों को संरेखित करता है, एक वैध स्यूडोमेट्रिक प्रदान करता है, एक डिस्पर्शन गैप के माध्यम से ग्रोमोव-वासरस्टीन की नॉन-कॉन्वेक्सिटी की सैद्धांतिक व्याख्या करता है, और सिद्ध निरंतरता के साथ बेहतर अनुभवजन्य प्रदर्शन प्रदान करता है।

मूल लेखक: Junhyoung Chung, Euijong Song, Won Hwa Kim, Gunwoong Park

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junhyoung Chung, Euijong Song, Won Hwa Kim, Gunwoong Park

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

एक बड़ी तस्वीर: दो अलग दुनियाओं का मिलान

कल्पना कीजिए कि आपके पास दो अलग शहर हैं।

शहर A सड़कों का एक ग्रिड है (जैसे मैनहट्टन)।
शहर B नदियों का एक घुमावदार नेटवर्क है (जैसे वेनिस)।

आप शहर A की इमारतों को शहर B की इमारतों से मिलाना चाहते हैं। लेकिन एक समस्या है: शहर A की सड़कें शहर B के नहरों जैसी नहीं दिखती हैं। यदि आप उन्हें केवल एक समय में एक सड़क देखकर मिलाने की कोशिश करते हैं, तो आप भ्रमित हो सकते हैं क्योंकि आकार पूरी तरह से अलग हैं।

यह डेटा साइंस में एक आम समस्या है जिसे ऑप्टिमल ट्रांसपोर्ट (Optimal Transport) कहा जाता है। यह रेत के एक ढेर को दूसरे आकार में कम से कम प्रयास के साथ ले जाने जैसा है। आमतौर पर, यह तब बहुत अच्छा काम करता है जब दोनों ढेर एक ही कमरे में हों। लेकिन क्या होगा अगर एक ढेर एक चौकोर कमरे में हो और दूसरा एक गोल कमरे में? यहीं पर पुराने तरीके संघर्ष करते हैं।

पुराना तरीका: "कठोर पैमाना" (ग्रोमोव-वॉसरस्टीन - Gromov-Wasserstein)

इस समस्या को संभालने का वर्तमान सबसे अच्छा तरीका ग्रोमोव-वॉसरस्टीन (GW) है। GW को एक बहुत ही सख्त, कठोर पैमाने के रूप में सोचें।

शहर A की एक इमारत को शहर B की एक इमारत से मिलाने के लिए, GW पूछता है: "यह इमारत बिल्डिंग X, Y, और Z से कितनी दूर है? अब, शहर B में आपकी मैचिंग बिल्डिंग अपने पड़ोसियों X, Y, और Z से कितनी दूर है?"

यह सुनिश्चित करने की कोशिश करता है कि हर एक जोड़ी की दूरियां पूरी तरह से मेल खाएं।

समस्या: यह एक चौकोर छेद में गोल खूंटी फिट करने की कोशिश करने जैसा है, जहाँ हर कोने को छूने के लिए मजबूर किया जाता है। क्योंकि आकार अलग-अलग हैं, गणित जटिल और "ऊबड़-खाबड़" हो जाता है। कंप्यूटर स्थानीय घाटियों (जैसे एक गेंद जो एक छोटे गड्ढे में गिर जाती है और उसे ही पहाड़ी का निचला हिस्सा समझ लेती है) में फंस जाता है और वास्तविक सर्वोत्तम मिलान नहीं ढूंढ पाता है। यह एक नॉन-कॉन्वेक्स (non-convex) समस्या है, जिसका अर्थ है कि समाधान का रास्ता बाधाओं से भरा है।

नया तरीका: "धुंधला लेंस" (CDOT)

इस पेपर के लेखक एक नया तरीका पेश करते हैं जिसे CDOT (Convex Distance Operator Transport) कहा जाता है।

इमारतों के हर एक जोड़े को एक-एक करके देखने के बजाय, CDOT एक "धुंधले लेंस" (गणितीय रूप से एक ऑपरेटर) का उपयोग करता है।

उपमा: कल्पना कीजिए कि आपने शहर A पर एक घना कोहरा डाल दिया है। अब आप व्यक्तिगत इमारतों को नहीं देख सकते। इसके बजाय, आप एक "धुंध" या एक "औसत" देखते हैं कि सब कुछ एक-दूसरे से कितनी दूर है। आप यही चीज़ शहर B के लिए भी करते हैं।
जादू: CDOT बिल्डिंग A1 को बिल्डिंग B1 से पूरी तरह से मिलाने की कोशिश नहीं करता है। इसके बजाय, यह पूछता है: "क्या धुंधले शहर A में दूरियों का समग्र पैटर्न धुंधले शहर B के पैटर्न जैसा दिखता है?"
परिणाम: व्यक्तिगत विवरणों के बजाय "बड़ी तस्वीर" (एग्रीगेटेड डिस्टेंस प्रोफाइल) को देखकर, गणित सुचारू (smooth) हो जाता है। ऊबड़-खाबड़ परिदृश्य एक चिकने कटोरे में बदल जाता है। इसे कॉन्वेक्सिटी (convexity) कहा जाता है। अब, कंप्यूटर एक गेंद को पहाड़ी से नीचे लुढ़का सकता है और वह 100% सुनिश्चित हो सकता है कि वह बिना कहीं फंसे बिल्कुल निचले बिंदु तक पहुँचेगा।

यह क्यों महत्वपूर्ण है ("स्मूथनेस" का लाभ)

पेपर दावा करता है कि CDOT के पास तीन मुख्य महाशक्तियाँ हैं:

यह कॉन्वेक्स है (कोई जाल नहीं): क्योंकि यह कठोर जोड़ियों के बजाय "धुंधले औसत" को देखता है, इसलिए गणित सुचारू है। आपको कंप्यूटर प्रोग्राम को फिर से शुरू करने या अनुमान लगाने की आवश्यकता नहीं है क्योंकि वह कहीं फंस गया था। यह हर बार सबसे अच्छा उत्तर ढूंढ लेता है।
यह अलग-अलग आकारों को संभालता है: पेपर के उदाहरण में, उन्होंने 8 नोड्स वाले ग्राफ को 12 नोड्स वाले ग्राफ से मिलाया। पुराना तरीका (GW) चिल्लाएगा, "उनके पास नोड्स की संख्या अलग है! मैं उन्हें नहीं मिला सकता!" लेकिन CDOT कहता है, "इससे कोई फर्क नहीं पड़ता। दूरियों के पैटर्न का आकार समान है, इसलिए मैं उन्हें मिला सकता हूँ।"
यह विश्वसनीय है: लेखकों ने गणितीय रूप से सिद्ध किया है कि यह तरीका इन अलग-अलग दुनियाओं के बीच की दूरी मापने का एक वैध तरीका है। उन्होंने यह भी दिखाया कि जैसे-जैसे आप कंप्यूटर को अधिक डेटा (अधिक इमारतें) देते हैं, उत्तर अधिक सटीक और सुसंगत होता जाता है।

"डिस्पर्सन" (Dispersion) का गुप्त नुस्खा

पेपर बताता है कि पुराना तरीका इतना ऊबड़-खाबड़ क्यों है। उन्होंने पाया कि पुराना तरीका (GW) अनिश्चितता के लिए एक "दंड" (penalty) को अनजाने में शामिल कर लेता है। यह कंप्यूटर को बहुत विशिष्ट, कठोर विकल्प (डिटरमिनिस्टिक प्लान) बनाने के लिए मजबूर करता है।

CDOT इस दंड को हटा देता है। यह कंप्यूटर को पहले थोड़ा "डिफ्यूज" या "फैला हुआ" सोचने की अनुमति देता है, जो वास्तव में इसे सबसे सुचारू रास्ता खोजने में मदद करता है। एक बार जब यह रास्ता ढूंढ लेता है, तो यह आवश्यकतानुसार उत्तर को सटीक बना सकता है।

वास्तविक दुनिया के परीक्षण

लेखकों ने निम्नलिखित पर CDOT का परीक्षण किया:

सिंथेटिक डेटा: डॉट्स के कृत्रिम क्लस्टर। CDOT ने हर बार सटीक मिलान पाया, जबकि अन्य तरीके भ्रमित हो गए।
ब्रेन मैप्स: उन्होंने अलग-अलग लोगों के मस्तिष्क नेटवर्क को मिलाया। CDOT सही कनेक्शन खोजने में बेहतर था, विशेष रूप से "डिफ्यूजन डिस्टेंस" (जो पूरे मस्तिष्क में सूचना के प्रवाह को देखता है, न कि केवल सबसे छोटे पथ को) का उपयोग करते समय।
ग्राफ वर्गीकरण: उन्होंने विभिन्न प्रकार के ग्राफों के बीच अंतर करने के लिए (जैसे प्रोटीन संरचना और सोशल नेटवर्क के बीच अंतर करना) CDOT का उपयोग किया। यह पुराने तरीकों की तुलना में बेहतर काम कर गया।

सारांश

पुराना तरीका (GW): हर एक सड़क को पूरी तरह से संरेखित करने के लिए मजबूर करके दो अलग-अलग मानचित्रों को मिलाने की कोशिश करने जैसा है। यह कठोर है, आसानी से फंस जाता है, और जब मानचित्र अलग आकार के होते हैं तो विफल हो जाता है।
नया तरीका (CDOT): समग्र आकार देखने के लिए दो मानचित्रों को एक धुंधले लेंस के माध्यम से देखने जैसा है। यह लचीला, सुचारू है, और यह गारंटी देता है कि यह हर बार सबसे अच्छा मिलान खोज लेगा, भले ही मानचित्रों का आकार या स्वरूप अलग ही क्यों न हो।

पेपर सिद्ध करता है कि यह "धुंधले लेंस" वाला दृष्टिकोण गणितीय रूप से सही है, हल करने में तेज़ है, और वर्तमान अत्याधुनिक तरीकों की तुलना में अधिक सटीक है।

तकनीकी सारांश: कॉनवेक्स डिस्टेंस ऑपरेटर ट्रांसपोर्ट (CDOT)

समस्या विवरण

ऑप्टिमल ट्रांसपोर्ट (OT) प्रायिकता मापों (probability measures) की तुलना करने के लिए एक मौलिक ढांचा प्रदान करता है, जो द्रव्यमान (mass) को स्थानांतरित करने की न्यूनतम लागत को मापता है। हालाँकि, वासरस्टीन दूरी (Wasserstein distance) पर आधारित शास्त्रीय OT के लिए यह आवश्यक है कि डेटा वितरण एक ही स्थान में स्थित हों, यह प्रतिबंध विषम डोमेन (heterogeneous domains) में इसके अनुप्रयोग को सीमित करता है। ग्रोम-वासरस्टीन (GW) और फ्यूज्ड ग्रोम-वासरस्टीन (FGW) ढांचे इस समस्या को संबोधित करते हैं, जो वितरणों की तुलना उनके आंतरिक मीट्रिक-मेजर (mm) स्थानों के माध्यम से करते हैं, जिससे क्रॉस-डोमेन लागत की आवश्यकता के बिना संरचनात्मक जानकारी को संरेखित किया जाता है।

इनकी बहुमुखी प्रतिभा के बावजूद, (F)GW स्वरूपों में एक मौलिक सीमा है: गैर-उत्तलता (non-convexity)। यह इसलिए उत्पन्न होती है क्योंकि GW लागत कपलिंग ( $\pi \otimes \pi$ ) के टेंसर उत्पाद (tensor product) से जुड़ी होती है, जिससे युग्मवार (pairwise) दूरी तुलनाएं उत्पन्न होती हैं जो एक गैर-उत्तल अनुकूलन परिदृश्य (non-convex optimization landscape) बनाती हैं। फलस्वरूप, मानक अनुकूलन एल्गोरिदम आमतौर पर केवल स्थानीय स्थिर बिंदुओं (local stationary points) पर अभिसरित होते हैं, और प्राप्त समाधानों में वैश्विक इष्टतमता (global optimality) की गारंटी नहीं होती है। इसके अलावा, मौजूदा उत्तल विश्रांति (convex relaxations) अक्सर атрибуटेड mm स्थानों पर स्यूडोमेट्रिक गुण को बनाए रखने में विफल रहती हैं या अतिरिक्त स्मूथिंग मापदंडों (जैसे एंट्रोपिक रेगुलराइजेशन) की आवश्यकता रखती हैं जो समस्या की ज्यामिति को बदल देते हैं।

कार्यप्रणाली: कॉनवेक्स डिस्टेंस ऑपरेटर ट्रांसपोर्ट (CDOT)

लेखक कॉनवेक्स डिस्टेंस ऑपरेटर ट्रांसपोर्ट (CDOT) का प्रस्ताव करते हैं, जो विषम mm स्थानों को संरेखित करने के लिए डिज़ाइन किया गया पहला उत्तल (convex) ऑप्टिमल ट्रांसपोर्ट ढांचा है, जो फीचर पत्राचार (feature correspondence) और आंतरिक ज्यामितीय संरचना दोनों को सुरक्षित रखता है।

मुख्य सूत्रीकरण (Core Formulation)

CDOT प्रत्येक स्थान की ज्यामितीय संरचना और ट्रांसपोर्ट प्लान को $L^2$ स्थानों पर कार्य करने वाले रैखिक ऑपरेटरों में ऊपर उठाता है। युग्मवार दूरियों की सीधे तुलना करने के बजाय, CDOT ऑपरेटर संरचना (operator composition) के माध्यम से एकत्रित दूरी संरचनाओं (aggregated distance structures) को संरेखित करता है।

दो атрибуटेड कॉम्पैक्ट mm स्पेस $\mathcal{X} = (X, d_X, P_X, f_X)$ और $\mathcal{Y} = (Y, d_Y, P_Y, f_Y)$ , और एक ट्रांसपोर्ट प्लान $\pi \in \Pi(P_X, P_Y)$ को देखते हुए, CDOT ऑब्जेक्टिव $L_\alpha(\pi)$ दो घटकों के बीच संतुलन बनाता है:

फीचर अलाइनमेंट (Feature Alignment): $F(\pi) = \mathbb{E}_\pi[\|f_X(X) - f_Y(Y)\|_2^2]$ , जो फीचर्स के बीच तत्व-वार समानता को प्रोत्साहित करता है।
स्ट्रक्चरल रेगुलराइजेशन (Structural Regularization): $R(\pi) = \|D_{P_X} T_\pi - T_\pi D_{P_Y}\|_{HS}^2$ , जो संरचनात्मक विसंगति को दंडित करता है।

यहाँ:

$D_{P_X}$ और $D_{P_Y}$ डिस्टेंस ऑपरेटर्स हैं जिन्हें $L^2(X, P_X)$ और $L^2(Y, P_Y)$ पर इंटीग्रल ऑपरेटर्स के रूप में परिभाषित किया गया है, जो युग्मवार दूरी मैट्रिसेस के निरंतर एनालॉग का प्रतिनिधित्व करते हैं।
$T_\pi$ कपलिंग $\pi$ से जुड़ा कंडीशनल एक्सपेक्टेशन ऑपरेटर है, जो $L^2(Y, P_Y)$ के फलनों को $L^2(X, P_X)$ में मैप करता है।
$\|\cdot\|_{HS}$ हिल्बर्ट-श्मिट (Hilbert–Schmidt) नॉर्म को दर्शाता है।

CDOT समस्या को इस प्रकार सूत्रित किया गया है:
$\inf_{\pi \in \Pi(P_X, P_Y)} \left[ (1-\alpha)F(\pi) + \frac{\alpha}{2}R(\pi) \right]$

सैद्धांतिक आधार

उत्तलता (Convexity): लेखक सिद्ध करते हैं कि CDOT ऑब्जेक्टिव उत्तल है। यह इसलिए प्राप्त होता है क्योंकि संरचनात्मक पद $R(\pi)$ , कंडीशनल एक्सपेक्टेशन ऑपरेटर $T_\pi$ (जो $\pi$ में एफाइन है) पर रैखिक रूप से निर्भर करता है और स्क्वेर्ड हिल्बर्ट-श्मिट नॉर्म उत्तल है। यह GW के विपरीत है, जहाँ $\pi$ पर द्विघाती निर्भरता गैर-उत्तलता पैदा करती है।
स्यूडोमेट्रिसिटी (Pseudometricity): परिणामी CDOT विसंगति (discrepancy), जिसे न्यूनतम ऑब्जेक्टिव मान के वर्गमूल के रूप में परिभाषित किया गया है, को атрибуटेड कॉम्पैक्ट mm स्थानों के स्थान पर एक वैध स्यूडोमेट्रिक के रूप में सिद्ध किया गया है।
डिस्पर्शन गैप (Dispersion Gap): पेपर एक "डिस्पर्शन गैप" विश्लेषण पेश करता है ताकि CDOT और GW के बीच संबंध को औपचारिक रूप से स्पष्ट किया जा सके। यह दिखाया गया है कि GW ऑब्जेक्टिव को CDOT ऑब्जेक्टिव और एक डिस्पर्शन पेनल्टी $V(\pi)$ के योग के रूप में विघटित किया जा सकता है, जो कपलिंग की स्थानिक अनिश्चितता को मापता है। GW की गैर-उत्तलता इस डिस्पर्शन पद से उत्पन्न होती है, जो नियतात्मक (deterministic/concentrated) कपलिंग को प्राथमिकता देता है। CDOT इस पेनल्टी को अलग करके और इसे हटाकर उत्तलता प्राप्त करता है।

अनुकूलन (Optimization)

फाइनाइट-सैंपल रिजीम में, CDOT समस्या एक ट्रांसपोर्ट पॉलीटोप पर कॉन्वेक्स क्वाड्रेटिक प्रोग्राम में बदल जाती है। लेखक इसे फ्रैंक-वोल्वेर (Frank–Wolfe - FW) एल्गोरिदम का उपयोग करके हल करते हैं, जिसे इसके प्रोजेक्शन-मुक्त स्वभाव के कारण चुना गया है। वे एक "लेज़ी ग्रेडिएंट" वेरिएंट का प्रस्ताव करते हैं जो मैट्रिक्स ऑपरेशन्स के सापेक्ष प्रति-इटरेशन कंप्यूटेशनल ओवरहेड को क्यूबिक से क्वाड्रेटिक समय में कम करने के लिए द्विघाती संरचना का लाभ उठाता है, हालांकि समग्र जटिलता अभी भी लीनियर मिनिमाइजेशन ऑरेकल ( $O(n^3)$ ) द्वारा नियंत्रित होती है।

मुख्य योगदान

प्रथम उत्तल ज्यामिति-जागरूक OT ढांचा: CDOT विषम mm स्थानों को संरेखित करने के लिए पहला ढांचा है जो एक स्पष्ट उत्तल सूत्र प्रदान करता है जो वास्तव में एक इष्टतम ट्रांसपोर्ट प्लान को रिकवर करता है, स्लाइसिंग-आधारित तरीकों के विपरीत जो केवल विसंगति का अनुमान लगाते हैं।
सैद्धांतिक गारंटी:
- अस्तित्व और उत्तलता: एक इष्टतम कपलिंग का अस्तित्व और एंट्रोपिक रेगुलराइजेशन की आवश्यकता के बिना ऑब्जेक्टिव की उत्तलता सिद्ध की गई है।
- स्यूडोमेट्रिक गुण: स्थापित किया गया कि CDOT विसंगति एक वैध स्यूडोमेट्रिक है।
- रिस्क कंसिस्टेंसी: गैर-एसिम्प्टोटिक रिस्क बाउंड्स निकाले गए, जो यह सिद्ध करते हैं कि एस्टिमेटर एक ग्लोबली कन्वर्जेंट फ्रैंक-वोल्वेर एल्गोरिदम के तहत रिस्क-कंसिस्टेंट है।
ज्यामितीय अंतर्दृष्टि: "डिस्पर्शन गैप" विश्लेषण औपचारिक रूप से बताता है कि GW में गैर-उत्तलता का स्रोत क्या है और यह कैसे प्रदर्शित करता है कि CDOT डिस्पर्शन टर्म को हटाकर उत्तल परिदृश्य प्राप्त करता है।
अनुभवजन्य प्रदर्शन: सिंथेटिक पॉइंट क्लाउड्स, ब्रेन कनेक्टोम्स (OASIS-3), और ग्राफ क्लासिफिकेशन बेंचमार्क (TUDataset) पर मौजूदा तरीकों (FGW, Entropic FGW, IsoRank, Spectral Matching, COPT) की तुलना में बेहतर प्रदर्शन किया।

प्रयोगात्मक परिणाम

सिंथेटिक डेटा: 2D क्लस्टर्ड पॉइंट क्लाउड्स पर, CDOT ने विभिन्न सैंपल साइज के लिए लगातार सबसे कम मीन स्क्वेर्ड एरर (MSE) प्राप्त किया, जो स्थिर अभिसरण दिखाता है। इसके विपरीत, एंट्रोपिक FGW (EFGW) ने रेगुलराइजेशन पैरामीटर $\epsilon$ के प्रति उच्च संवेदनशीलता दिखाई, जो अक्सर CDOT की सटीकता से मेल खाने में विफल रहा या छोटे $\epsilon$ होने पर लोकल ऑप्टिमा में फंस गया।
ब्रेन कनेक्टोम्स (OASIS-3): स्ट्रक्चरल ब्रेन नेटवर्क पर, CDOT ने डिफ्यूजन डिस्टेंस (एक मजबूत, ग्लोबल मेट्रिक) का उपयोग करते हुए FGW की तुलना में काफी बेहतर प्रदर्शन किया, जिसमें 61.36% मैचिंग एक्यूरेसी मिली जबकि FGW की 18.53% थी। लेखक इसका श्रेय CDOT की क्षमता को देते हैं जो एकत्रित ज्यामितीय प्रोफाइल को संरेखित कर सकता है, भले ही डिफ्यूजन द्वारा युग्मवार कंट्रास्ट को स्मूथ आउट कर दिया गया हो, जबकि गैर-उत्तल GW ऑब्जेक्टिव फ्लैट लैंडस्केप में अपनी विभेदक शक्ति खो देता है। जियोडेसिक डिस्टेंस के तहत, FGW थोड़ा बेहतर प्रदर्शन करता है, जो कठोर युग्मवार संरेखण और मजबूत वैश्विक संरेखण के बीच ट्रेड-ऑफ को उजागर करता है।
ग्राफ क्लासिफिकेशन: TUDataset बेंचमार्क पर, CDOT ने क्लासिफिकेशन एक्यूरेसी में बेसलाइन तरीकों (FGW, GW, COPT) की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूप से उन डेटासेट्स में जो फीचर सूचना से समृद्ध हैं (जैसे MUTAG, ENZYMES)। उल्लेखनीय रूप से, CDOT ने IMDB-BINARY डेटासेट (बिना नोड फीचर्स के) पर भी सर्वश्रेष्ठ प्रदर्शन बनाए रखा, जो सुझाव देता है कि इसका ऑपरेटर-आधारित ज्यामिति मानक GW दृष्टिकोणों की तुलना में टोपोलॉजिकल अंतर को अधिक प्रभावी ढंग से कैप्चर करता है।

महत्व और दावे

पेपर का दावा है कि CDOT मौजूदा गैर-उत्तल OT विधियों के लिए एक मजबूत और विश्वसनीय विकल्प प्रदान करता है। एक उत्तल अनुकूलन परिदृश्य सुनिश्चित करके, CDOT बिना किसी हाइपरपैरामीटर ट्यूनिंग (जैसे एंट्रोपिक रेगुलराइजेशन) की आवश्यकता के वैश्विक इष्टतम तक अभिसरण की गारंटी देता है जो समाधान को अस्थिर कर सकता है। यह ढांचा विशेष रूप से विषम डोमेन वाले अनुप्रयोगों के लिए महत्वपूर्ण है जहाँ आंतरिक ज्यामितीय संरचनाओं को संरक्षित किया जाना चाहिए, जैसे कि ब्रेन नेटवर्क विश्लेषण और ग्राफ क्लासिफिकेशन।

लेखक दो सीमाओं को विनम्रतापूर्वक नोट करते हैं:

CDOT सख्त वन-टू-वन मैचिंग के बजाय ऑपरेटर-लेवल अलाइनमेंट के लिए डिज़ाइन किया गया है; शून्य विसंगति (zero discrepancy) का अर्थ अनिवार्य रूप से सटीक मेजर-प्रिजर्विंग आइसोमेट्री नहीं है।
हालांकि यह उत्तल है, वर्तमान कार्यान्वयन फ्रैंक-वोल्वेर इटरेशन पर निर्भर है जो OT सबप्रॉब्लम्स द्वारा डोमिनेटेड है, जिससे यह बहुत बड़े पैमाने के सेटिंग्स के बजाय मध्यम आकार की समस्याओं के लिए अधिक उपयुक्त है।

लेखक द्वारा सुझाए गए भविष्य के दिशा-निर्देशों में CDOT विसंगति (discrepized) पर आधारित सांख्यिकीय अनुमान ढांचे (जैसे आइसोमोर्फिज्म के लिए परिकल्पना परीक्षण) को विकसित करना और जॉइंटली ऑप्टिमल ग्राउंड मेट्रिक्स सीखने के लिए CDOT ऑब्जेक्टिव को डीप न्यूरल नेटवर्क में एक डिफरेंशिएबल लेयर के रूप में एकीकृत करना शामिल है।