📊 statistics

Capacity-Constrained Online Convex Optimization with Delayed Feedback

यह शोध पत्र विलंबित फीडबैक के साथ एक क्षमता-सीमित ऑनलाइन कॉनवेक्स ऑप्टिमाइज़ेशन फ्रेमवर्क प्रस्तुत करता है, जिसमें एक सेमी-क्लेरवॉयेंट मॉडल और "विलंबित और भारित" (delayed and weighted) OCO में एक शेड्यूलर-आधारित रिडक्शन प्रस्तावित किया गया है जो सीमित ट्रैकिंग संसाधनों के तहत उत्तल (convex) और दृढ़ उत्तल (strongly convex) दोनों नुकसानों के लिए प्रथम रिग्रेट गारंटी प्राप्त करता है।

मूल लेखक: Alexander Ryabchenko, Idan Attias, Daniel M. Roy

प्रकाशित 2026-06-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexander Ryabchenko, Idan Attias, Daniel M. Roy

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 व्यस्त रसोई (ऑनलाइन कॉन्वेक्स ऑप्टिमाइजेशन - Online Convex Optimization) चला रहे हैं। हर मिनट, एक ग्राहक एक व्यंजन का ऑर्डर देता है (आप एक भविष्यवाणी/prediction करते हैं)। आप उसे पकाते हैं, लेकिन आपको यह काफी समय बाद पता चलता है कि उन्हें वह पसंद आया या नहीं। कभी फीडबैक 5 मिनट बाद आता है; कभी 50 मिनट बाद। यह विलंबित फीडबैक (Delayed Feedback) है।

अधिकांश पिछले शोध में, यह धारणा थी कि आपकी रसोई में अनंत काउंटर स्पेस है। आप हर एक ऑर्डर टिकट को काउंटर पर रख सकते थे, चाहे कितने भी लंबित (pending) ऑर्डर क्यों न हों, जब तक कि ग्राहक की समीक्षा प्राप्त न हो जाए।

समस्या: "छोटा काउंटर" वाली वास्तविकता
वास्तविक दुनिया में, आपके काउंटर की जगह सीमित होती है। आपके पास एक बार में केवल C टिकट रखने की जगह है। यदि कोई नया ऑर्डर आता है और आपका काउंटर भर जाता है, तो आपको एक कठिन निर्णय लेना पड़ता है: या तो एक लंबित टिकट को फेंक दें (और उस व्यंजन की समीक्षा कभी न देख पाएं) या नए ऑर्डर लेना बंद कर दें। यदि आप एक टिकट फेंक देते हैं, तो वह फीडबैक हमेशा के लिए खो जाता है। यह क्षमता संबंधी बाधा (Capacity Constraint) है।

यह शोध पत्र पूछता है: आप बेहतर खाना बनाना कैसे सीखें जब आप हर ऑर्डर का हिसाब नहीं रख सकते, और आपको मिलने वाला फीडबैक देर से आता है और कभी-कभी गायब भी हो जाता है?

समाधान: एक स्मार्ट "टिकट मैनेजर"
लेखक इस समस्या को हल करने के लिए दो-भागों वाली प्रणाली प्रस्तावित करते हैं:

1. "प्रॉक्सी डिले" शेड्यूलर (टिकट मैनेजर)

चूंकि आपको यह नहीं पता कि समीक्षा वास्तव में कब आएगी (विलंब अज्ञात है), आप केवल प्रतीक्षा नहीं कर सकते। इसके बजाय, शोध पत्र एक चतुर "शेड्यूलर" पेश करता है जो एक टिकट मैनेजर की तरह कार्य करता है।

यह कैसे काम करता है: जब एक नया ऑर्डर आता है, तो मैनेजर यह तय करने के लिए कि टिकट को काउंटर पर कितनी देर रखना है, एक सिक्का उछालता है (यानी रैंडम निर्णय लेता है)।
- यदि मैनेजर यह निर्णय लेता है कि टिकट को "हमेशा के लिए" (या जब तक समीक्षा प्राप्त न हो जाए) रखना है, तो वह काउंटर पर रहता है।
- यदि मैनेजर यह निर्णय लेता है कि टिकट को रखना "बहुत जोखिम भरा" है, तो उसे तुरंत फेंक दिया जाता है।
ट्रिक: मैनेजर एक विशिष्ट संभाव्यता नियम (probability rule) का उपयोग करता है। यदि काउंटर भर रहा है, तो वह टिकटों को फेंकने के मामले में अधिक आक्रामक हो जाता है। यदि काउंटर खाली है, तो वह अधिक टिकट रखता है।
"महत्व भार" (Importance Weight): यहीं असली जादू है। यदि मैनेजर एक टिकट को रखता है और अंततः आपको समीक्षा मिल जाती है, तो सिस्टम कहता है, "इस समीक्षा का महत्व अधिक है!" यह उन अन्य समीक्षाओं की भरपाई करने के लिए गणितीय रूप से उस समीक्षा के महत्व को बढ़ा देता है जिन्हें फेंक दिया गया था। यह ऐसा है जैसे कहना, "चूंकि हमने 10 में से केवल 1 समीक्षा देखी, इसलिए यह एक समीक्षा उन सभी 10 समीक्षाओं का प्रतिनिधित्व करती है जिन्हें फेंक दिया गया था।"

2. "वेटेड लर्नर" (शेफ)

एक बार जब मैनेजर टिकटों को फ़िल्टर कर देता है और उन्हें वे "महत्व भार" (importance weights) प्रदान कर देता है, तो शेफ (लर्निंग एल्गोरिदम) अपना काम शुरू करता है।

शेफ केवल समीक्षा को नहीं देखता; वह वेटेड (भारित) समीक्षा को देखता है।
शोध पत्र एक नई गणितीय रेसिपी विकसित करता है (एक एल्गोरिदम जिसे पूर्ण फीडबैक के लिए DW-FTRL और आंशिक फीडबैक के लिए DW-FTBL कहा जाता है) जो इन विलंबित और भारित समीक्षाओं को बिना भ्रमित हुए संभालने का तरीका जानता है।

परिणाम: आपके काउंटर को कितना बड़ा होना चाहिए?
यह शोध पत्र सटीक रूप से गणना करता है कि आपको अनंत स्थान वाले काउंटर के समान प्रदर्शन करने के लिए कितने काउंटर स्पेस (C) की आवश्यकता है।

सरल फीडबैक (First-Order) के लिए: यदि आपको इस बारे में विस्तृत विवरण मिलता है कि कोई व्यंजन अच्छा था या बुरा (जैसे विस्तृत आलोचना), तो आपको केवल एक ऐसा काउंटर आकार चाहिए जो समय के साथ बहुत धीरे-धीरे बढ़ता है (लगभग कुल समय का लघुगणक, log T)। एक छोटा काउंटर भी एक विशाल काउंटर के प्रदर्शन को पुनः प्राप्त करने के लिए पर्याप्त है।
कठिन फीडबैक (Bandit) के लिए: यदि आपको केवल एक सरल "अच्छा/बुरा" स्कोर मिलता है (जैसे थम्स अप या थम्स डाउन) बिना किसी विवरण के, तो गणित कठिन है। यहाँ, प्रदर्शन इस बात पर निर्भर करता है कि काउंटर कितना भरा हुआ है (σ_max) बनाम आपका काउंटर कितना बड़ा है (C)।
- यदि आपका काउंटर पर्याप्त बड़ा है, तो आप बहुत अच्छा करते हैं।
- यदि आपका काउंटर बहुत छोटा है, तो आपका प्रदर्शन गिर जाता है, लेकिन यह क्रमशः (gracefully) गिरता है; यह अचानक खत्म नहीं होता, बल्कि "भीड़भाड़" और "क्षमता" के अनुपात वाले एक विशिष्ट सूत्र के आधार पर थोड़ा खराब हो जाता है।

"सेमी-क्लेरवॉयेंट" (अर्ध-भविष्यद्रष्टा) ट्विस्ट
पिछले तरीकों ने माना था कि शेफ को खाना पकाने से पहले ही पता होता है कि देरी कितनी होगी। यह शोध पत्र इसे शिथिल (relax) करता है। शेफ को देरी के बारे में केवल तब पता चलता है जब समीक्षा अंततः आती है (या जब टिकट समाप्त हो जाता है)। यह समस्या को बहुत अधिक वास्तविक बनाता है, जैसे मेल-इन समीक्षा के लिए प्रतीक्षा करना जो 1 दिन से 30 दिनों तक कहीं भी जा सकती है, और पहले से जानने का कोई तरीका नहीं है।

सारांश
यह शोध पत्र आदर्श दुनिया (अनंत मेमोरी, पूर्ण ट्रैकिंग) और वास्तविक दुनिया (सीमित मेमोरी, खोया हुआ डेटा) के बीच एक सेतु बनाता है। यह सिद्ध करता है कि एक स्मार्ट, रैंडमाइज्ड "टिकट मैनेजर" का उपयोग करके जो कुछ डेटा फेंकता है लेकिन शेष डेटा को भारी वजन देता है, आप प्रभावी ढंग से सीख सकते हैं, भले ही आपका "काउंटर" छोटा हो और फीडबैक विलंबित हो।

तकनीकी सारांश: विलंबित फीडबैक के साथ क्षमता-सीमित ऑनलाइन कॉनवेक्स ऑप्टिमाइज़ेशन (Capacity-Constrained Online Convex Optimization with Delayed Feedback)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र दो एक साथ मौजूद बाधाओं: विलंबित फीडबैक (delayed feedback) और सीमित ट्रैकिंग क्षमता (limited tracking capacity) के तहत ऑनलाइन कॉनवेक्स ऑप्टिमाइज़ेशन (OCO) और बैंडिट कॉनवेक्स ऑप्टिमाइज़ेशन (BCO) को संबोधित करता है।

मानक विलंबित ऑनलाइन लर्निंग में, एक लर्नर राउंड $t$ पर क्रिया $x_t$ चुनता है, जिससे हानि $f_t(x_t)$ होती है, लेकिन उसे राउंड $t + d_t$ पर फीडबैक (ग्रेडिएंट या स्केलर लॉस) प्राप्त होता है। पारंपरिक साहित्य यह मानता है कि लर्नर के पास उन सभी लंबित राउंड्स को ट्रैक करने की असीमित क्षमता है जब तक कि उनका फीडबैक प्राप्त न हो जाए। हालांकि, व्यावहारिक परिदृश्यों में (जैसे सीमित निगरानी संसाधनों वाले क्लिनिकल ट्रायल्स), लर्नर केवल एक सीमित संख्या में लंबित राउंड्स को ट्रैक कर सकता है, जिसे क्षमता $C$ द्वारा दर्शाया गया है। यदि किसी राउंड को ट्रैक नहीं किया जाता है, तो उसका फीडबैक स्थायी रूप से खो जाता है।

इसे एक ऐसे खेल के रूप में औपचारिक रूप दिया गया है जहाँ:

एडवर्सरी (Adversary) कॉनवेक्स लॉस $f_t$ और डिलेज़ (delays) $d_t$ निर्धारित करता है।
प्लेयर (Player) अधिकतम आकार $C$ का एक ट्रैकिंग सेट $S$ बनाए रखता है।
प्रत्येक राउंड में, प्लेयर ट्रैक किए जा रहे राउंड्स को प्रीएम्प्ट (ड्रॉप) कर सकता है या वर्तमान राउंड को $S$ में जोड़ सकता है।
राउंड $s$ के लिए फीडबैक $s + d_s$ पर तभी देखा जाता है यदि उस समय $s \in S$ हो।
लक्ष्य पश्चभेष (hindsight) में सर्वश्रेष्ठ स्थिर क्रिया $x^*$ के विरुद्ध रिग्रेट (regret) $R_T = \sum_{t=1}^T (f_t(x_t) - f_t(x^*))$ को कम करना है।

यह शोध पत्र डिलेज़ के संबंध में दो सूचना मॉडल पर विचार करता है:

क्लेरवॉयंट (Clairvoyant): डिलेज़ $d_t$ प्रेडिक्शन समय पर ज्ञात होते हैं।
सेमी-क्लेरवॉयंट (Semi-Clairvoyant): डिलेज़ केवल एक्सपायरी (at $t+d_t$ ) पर प्रकट होते हैं, जो मानक विलंबित लर्निंग सेटिंग्स के अनुरूप है।

2. कार्यप्रणाली (Methodology)

लेखक एक रिडक्शन-आधारित दृष्टिकोण प्रस्तावित करते हैं जो क्षमता-सीमित समस्या को दो घटकों में विभाजित करता है: एक शेड्यूलर (scheduler) और एक बेस लर्नर (base learner)।

2.1 रिडक्शन फ्रेमवर्क (The Reduction Framework)

मुख्य विचार क्षमता-सीमित समस्या को एक नए "विलंबित और भारित" (delayed and weighted) OCO समस्या में बदलना है।

शेड्यूलर (Scheduler): एक रैपर एल्गोरिदम ट्रैकिंग सेट $S$ का प्रबंधन करता है। यह एक प्रॉक्सी-डिले शेड्यूलिंग (proxy-delay scheduling) तंत्र का उपयोग करता है। प्रत्येक राउंड $t$ के लिए, शेड्यूलर वितरण $D_t$ से एक "प्रॉक्सी डिले" $d'_t$ सैंपल करता है। राउंड $t$ को $S$ में तब जोड़ा जाता है यदि $d'_t \ge 0$ हो और क्षमता अनुमति दे। यदि फीडबैक अभी तक प्राप्त नहीं हुआ है, तो इसे $t + d'_t + 1$ पर $S$ से हटा दिया जाता है।
इम्पोर्टेंस वेटिंग (Importance Weighting): यदि राउंड $s$ के लिए फीडबैक देखा जाता है (अर्थात $s \in S$ और $d'_s \ge d_s$ ), तो रैपर देखे गए फीडबैक को एक इम्पोर्टेंस वेट $w_s = 1 / P(d'_s \ge d_s)$ के साथ बेस लर्नर को फॉरवर्ड करता है। यदि फीडबैक खो जाता है (क्षमता संतृप्ति या जल्दी प्रॉक्सी टाइमआउट के कारण), तो वेट को 0 सेट किया जाता है।
बेस लर्नर (Base Learner): लर्नर विलंबित, भारित फीडबैक की एक स्ट्रीम प्राप्त करता है। यह पेपर विशेष रूप से इस भारित, विलंबित स्ट्रीम को संभालने के लिए डिज़ाइन किए गए एल्गोरिदम पेश करता है।

2.2 बेस एल्गोरिदम: DW-FTRL (Base Algorithms: Delayed-Weighted FTRL)

पेपर विलंबित-भारित सेटिंग के लिए दो बेस एल्गोरिदम पेश करता है और उनका विश्लेषण करता है:

DW-FTRL (Delayed-Weighted Follow-the-Regularized-Leader): फर्स्ट-ऑर्डर (ग्रेडिएंट) फीडबैक के लिए। यह सभी देखे गए राउंड्स के भारित ग्रेडिएंट्स को एकत्रित करने वाले एक रेगुलराइज्ड ऑब्जेक्टिव को मिनिमाइज करके इटरेट (iterate) को अपडेट करता है।
DW-FTBL (Delayed-Weighted Follow-the-Bandit-Leader): बैंडिट (स्केलर लॉस) फीडबैक के लिए। यह मानक सिंगल-पॉइंट ग्रेडिएंट एस्टीमेटर (सेंटर पॉइंट को पर्टर्ब करके) का उपयोग करता है लेकिन इसे भारित, विलंबित फीडबैक स्ट्रीम पर लागू करता है।

इन बेस एल्गोरिदम का सैद्धांतिक विश्लेषण स्पष्ट रूप से वेट्स के समय-परिवर्तित होने और लंबित अवलोकनों के बैकलॉग के बीच की परस्पर क्रिया को ध्यान में रखते हुए रिग्रेट बाउंड्स स्थापित करता है। एक प्रमुख निष्कर्ष यह है कि रिग्रेट ओवरलैपिंग डिलेज़ वाले राउंड्स के वेट्स के बीच युग्मों (pairwise interactions) पर निर्भर करता है।

2.3 प्रॉक्सी डिले शेड्यूलर (Proxy Delay Schedulers)

यह सुनिश्चित करने के लिए कि रिडक्शन काम करे, शेड्यूलर को दो प्रतिस्पर्धी लक्ष्यों के बीच संतुलन बनाना चाहिए: वास्तविक डिलेज़ को कवर करना (फीडबैक देखने के लिए) और क्षमता संतृप्ति (capacity saturation) से बचना। पेपर दो विशिष्ट शेड्यूलर प्रस्तावित करता है:

पारेटो शेड्यूलर (Pareto Scheduler): व्यक्तिगत डिलेज़ $d_t$ के अनुकूल होता है। यह शिफ्टेड पारेटो वितरण से प्रॉक्सी डिलेज़ सैंपल करता है, जिससे ट्रैकिंग की संभावना डिले के व्युत्क्रमानुपाती (inversely proportional) होती है। यह सामान्य कॉनवेक्स लॉस के लिए उपयुक्त है।
बर्नौली शेड्यूलर (Bernoulli Scheduler): इसे अधिकतम बैकलॉग $\sigma_{max}$ (किसी भी समय लंबित अवलोकनों की अधिकतम संख्या) के लिए कैलिब्रेट किया गया है। यह प्रायिकता $p \approx C / \sigma_{max}$ के साथ $\infty$ का प्रॉक्सी डिले सैंपल करता है और अन्यथा $-1$। यह यूनिफॉर्म इम्पोर्टेंस वेट्स (uniform importance weights) प्रदान करता है, जो स्ट्रॉन्गली कॉनवेक्स और बैंडिट सेटिंग्स में टाइट बाउंड्स प्राप्त करने के लिए एक महत्वपूर्ण गुण है।

3. मुख्य योगदान (Key Contributions)

क्षमता-सीमित OCO/BCO के लिए प्रथम रिग्रेट गारंटी: यह पेपर कॉनवेक्स और स्ट्रॉन्गली कॉनवेक्स दोनों डोमेन में, फर्स्ट-ऑर्डर और बैंडिट फीडबैक के लिए क्षमता-सीमित ऑनलाइन लर्निंग के लिए पहले सबलीनियर रिग्रेट बाउंड्स प्रदान करता है।
विलंबित-भारित OCO फ्रेमवर्क: यह एक नया "विलंबित और भारित" फीडबैक सेटिंग पेश करता है और इसके लिए FTRL वेरिएंट का विश्लेषण करता है। यह फ्रेमवर्क डिलेज़ के तहत स्केल-फ्री ऑनलाइन लर्निंग के लिए स्वतंत्र रुचि का है।
गत।
एकीकृत प्रॉक्सी-डिले शेड्यूलिंग: लेखक पिछले शेड्यूलिंग विचारों को एकीकृत करते हैं और एक नया शेड्यूलर (बर्नौली) पेश करते हैं जो यूनिफॉर्म वेट्स देता है, जिससे स्ट्रॉन्गली कॉनवेक्स और बैंडिट सेटिंग्स के लिए मजबूत गारंटी मिलती है।
अज्ञात मापदंडों को संभालना: फ्रेमवर्क सेमी-क्लेरवॉयंट मॉडल को समायोजित करता है और पूर्व ज्ञान के बिना अज्ञात $\sigma_{max}$ को संभालने के लिए 'डबलिंग ट्रिक' का उपयोग करता है।

4. मुख्य परिणाम (Main Results)

रिग्रेट बाउंड्स क्षितिज (horizon) $T$ , आयाम $k$ , कुल डिले $d_{tot}$ , अधिकतम बैकलॉग $\sigma_{max}$ , और क्षमता $C$ पर निर्भर करते हैं।

4.1 फर्स्ट-ऑर्डर फीडबैक (OCO)

कॉनवेक्स लॉस (Convex Losses): क्षमता $C = \Omega(\log T)$ के साथ, रिग्रेट लॉगरिदमिक फैक्टर्स तक इष्टतम अनकन्स्ट्रेंड डिले रेट से मेल खाता है:
$\tilde{O}\left( G D \sqrt{d_{tot} + T} \right)$
स्ट्रॉन्गली कॉनवेक्स लॉस (Strongly Convex Losses): रिग्रेट है:
$\tilde{O}\left( \frac{G^2}{\lambda} (\sigma_{max} + 1) \log T \right)$
यह अनकन्स्ट्रेंड सेटिंग्स में पाए जाने वाले $\sigma_{max}$ पर इष्टतम निर्भरता से मेल खाता है।

4.2 बैंडिट फीडबैक (BCO)

बैंडिट फीडबैक के लिए, क्षमता बाधा $(1 + \sigma_{max}/C)$ के कारकों के माध्यम से आयाम-निर्भर पदों (dimension-dependent terms) में प्रवेश करती है।

कॉनवेक्स लॉस (Convex Losses):
$\tilde{O}\left( GD \left( \sqrt{T \sigma_{max}} + T^{3/4} \left(1 + \frac{\sigma_{max}}{C}\right)^{1/4} \sqrt{\nu k} \right) \right)$
जहाँ $\nu$ फंक्शन वैल्यूज़ और ग्रेडिएंट्स का स्केल रेश्यो है। बाउंड $C$ के घटने के साथ धीरे-धीरे खराब (degrade) होता है।
स्ट्रॉंगली कॉनवेक्स लॉस (Strongly Convex Losses):
$\tilde{O}\left( \frac{G^2}{\lambda} \left( \sigma_{max} \log T + (T^2 \log T)^{1/3} \left(1 + \frac{\sigma_{max}}{C}\right)^{1/3} (\nu k)^{2/3} \right) \right)$

मुख्य अवलोकन: जब $C \ge \sigma_{max}$ होता है, तो बाउंड्स अनकन्स्ट्रेंड दरों को रिकवर करते हैं। जब $C < \sigma_{max}$ होता है, तो रिग्रेट बढ़ता है लेकिन सबलीनियर रहता है। $\sigma_{max}$ (पीक कंकरेंसी) पर निर्भरता को $d_{max}$ (अधिकतम डिले) की तुलना में अधिक स्वाभाविक दिखाया गया है।

5. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि यह क्षमता-सीमित OCO और BCO के लिए रिग्रेट गारंटी देने वाला पहला है। इसका महत्व यहाँ है:

सिद्धांत और व्यवहार को जोड़ना: यह एक वास्तविक बाधा को संबोधित करता है कि ट्रैकिंग संसाधन सीमित हैं, एक ऐसी सीमा जिसे अधिकांश पूर्ववर्ती विलंबित लर्निंग साहित्य ने अनदेखा कर दिया था जो अनंत क्षमता मानता है।
डिले मॉडल को रिफाइन करना: सेमी-क्लेरवॉयंट मॉडल को अपनाकर, यह कार्य पिछले "क्लेरवॉयंट" धारणाओं की तुलना में मानक विलंबित लर्निंग और ऑनलाइन जॉब शेड्यूलिंग वास्तविकता के अधिक करीब है।
ग्रेसफुल डिग्रेडेशन (Graceful Degradation): परिणाम दर्शाते हैं कि फर्स्ट-ऑर्डर फीडबैक के लिए मानक डिले रेट को रिकवर करने के लिए लॉगरिदमिक क्षमता ( $C = \Omega(\log T)$ ) पर्याप्त है, जबकि बैंडिट फीडबैक के लिए, प्रदर्शन क्षमता के $\sigma_{max}$ से नीचे गिरने पर धीरे-धीरे खराब होता है।
सैद्धांतिक नवीनता: "विलंबित और भारित" OCO समस्या की शुरूआत और रिसोर्स कंस्ट्रेंट्स के तहत FTRL में वेट्स और डिलेज़ के बीच की परस्पर क्रिया का विशिष्ट विश्लेषण नए उपकरण प्रदान करता है।

लेखक नोट करते हैं कि हालांकि उनके कॉनवेक्स बैंडिट फीडबैक के लिए बाउंड्स अनकन्स्ट्रेंड सेटिंग के इष्टतम $\sqrt{d_{tot}}$ के बजाय $\sqrt{T \sigma_{max}}$ के साथ स्केल करते हैं, फिर भी वे $\sqrt{T d_{max}}$ पर निर्भर पिछले बाउंड्स में सुधार करते हैं। वे इस अंतर को पाटने को एक ओपन प्रॉब्लम के रूप में पहचानते हैं। इसके अतिरिक्त, वे सुझाव देते हैं कि उनके मॉडल और सीमित-बफर क्यूइंग सिस्टम के बीच संरचनात्मक समानता और अधिक अन्वेषण की मांग करती है।