🤖 machine learning

Machine-learnable Sets

यह शोध पत्र सीमित-जटिलता वाले बूलियन ऑटोएनकोडर्स (Boolean autoencoders) के अस्तित्व के आधार पर "मशीन-लर्नेबल" (machine-learnable) असतत समुच्चयों की एक औपचारिक परिभाषा प्रस्तुत करता है, जो प्रयोगों के माध्यम से यह प्रदर्शित करता है कि ऐसे समुच्चयों में रोर्शाक पैटर्न (Rorschach patterns) शामिल हैं और उन्हें एक सरल पुनरावृत्ति प्रक्रिया के माध्यम से "वाइल्ड" (wild) समुच्चयों से विकसित किया जा सकता है।

मूल लेखक: Veit Elser, Manish Krishan Lal

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Veit Elser, Manish Krishan Lal

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 "मशीन-लर्नेबल सेट्स" (Machine-Learnable Sets) पेपर का सरल भाषा और रचनात्मक उपमाओं के साथ विवरण दिया गया है।

मुख्य विचार: एक पैटर्न को "सीखने योग्य" क्या बनाता है?

कल्पना कीजिए कि आप एक बच्चे को एक विशिष्ट प्रकार के चित्र को पहचानना सिखा रहे हैं। आप उसे कुछ उदाहरण दिखाते हैं, और अचानक, वह उस प्रकार के किसी भी चित्र को पहचानने लगता है, यहाँ तक कि उन्हें भी जो उसने पहले कभी नहीं देखे। वह स्वयं भी उसके नए उदाहरण बना सकता है।

इस पेपर के लेखक पूछते हैं: पैटर्न का एक समूह (जैसे चित्र, शब्द, या डेटा) मशीन के लिए सीखने में आसान क्यों होता है?

उन्होंने "मशीन-लर्नेबल सेट्स" के लिए एक औपचारिक परिभाषा प्रस्तावित की है। ये डेटा के ऐसे समूह हैं जिनमें तीन विशेष शक्तियाँ होती हैं:

पहचानने में आसान: यदि आप मशीन को एक तस्वीर दिखाते हैं, तो वह जल्दी से तय कर सकती है कि "हाँ, यह इस समूह का हिस्सा है" या "नहीं, यह नहीं है।"
बनाने में आसान: यदि आप मशीन को एक नया उदाहरण बनाने के लिए कहते हैं, तो वह इसे आसानी से कर सकती है।
कुछ उदाहरणों से सीखने में आसान: मशीन को नियमों को समझने के लिए लाखों उदाहरणों की आवश्यकता नहीं होती। बस कुछ ही उदाहरण पर्याप्त हैं।

गुप्त उपकरण: "जादुई अनुवादक" (ऑटोएन्कोडर)

यह समझाने के लिए कि यह कैसे काम करता है, लेखक एक ऑटोएन्कोडर (Autoencoder) की अवधारणा का उपयोग करते हैं। इसे दो हिस्सों वाला एक जादुई अनुवादक समझें:

डिकोडर (व्याख्याकार): यह एक जटिल, अव्यवस्थित वाक्य (या छवि) को लेता है और उसे एक छोटे, सरल "गुप्त कोड" (एक अर्थ) में अनुवादित करता है।
एनकोडर (लेखक): यह उस छोटे "गुप्त कोड" को लेता है और उसे वापस मूल जटिल वाक्य में अनुवादित करता है।

सेट को कैसे परिभाषित किया जाता है:
यदि आप इस अनुवादक में एक वैध पैटर्न डालते हैं, तो यह उसे एक कोड में बदल देता है और फिर उसे वापस उसी सटीक पैटर्न में बदल देता है।

वैध पैटर्न: इनपुट $\rightarrow$ कोड $\rightarrow$ वही पैटर्न (यह काम करता है!)
अवैध पैटर्न: इनपुट $\rightarrow$ कोड $\rightarrow$ अलग पैटर्न (यह विफल हो जाता है!)

"मशीन-लर्नेबल सेट" केवल उन सभी पैटर्नों का संग्रह है जो इस अनुवादक से गुजरते हैं और बिना बदले बाहर आते हैं।

"भाषा विकास" की उपमा

पेपर मानव भाषाओं के विकसित होने के बारे में एक दिलचस्प उपमा का उपयोग करता है।

कल्पना कीजिए कि लोगों का एक समूह एक भाषा सीखने की कोशिश कर रहा है, लेकिन वे इसमें खराब हैं। वे कुछ शब्दों को गलत समझते हैं।
अपनी गलतियों के कारण, वे भाषा का एक थोड़ा अलग संस्करण बोलने लगते हैं।
अगली पीढ़ी उस संस्करण को सीखती है। वे अपनी खुद की छोटी गलतियाँ करते हैं, जिससे तीसरे संस्करण का निर्माण होता है।
समय के साथ, भाषा एक ऐसे संस्करण में "विकसित" होती है जो सीखने में आसान और अधिक सुसंगत है।

लेखक दिखाते हैं कि मशीनें भी ऐसा ही कर सकती हैं। यदि एक मशीन डेटा के एक अव्यवस्थित सेट को सीखने की कोशिश करती है और विफल रहती है, तो वह डेटा को एक स्वच्छ संस्करण में "विकसित" कर सकती है जो सीखने में आसान हो।

प्रयोग: दो प्रकार के सेट्स

शोधकर्ताओं ने अपने सिद्धांत का परीक्षण दो बहुत अलग प्रकार के "पहेलियों" के साथ किया।

1. रोर्शाक टेस्ट (सममित पैटर्न)

उन्होंने सममित (symmetrical) स्याही के धब्बों (जैसे प्रसिद्ध मनोवैज्ञानिक परीक्षण) का उपयोग किया।

चाल: छवि का बायां हिस्सा दाएं हिस्से का दर्पण है। कभी-कभी रंग उलट जाते हैं (काला सफेद हो जाता है)।
परिणाम: मशीन ने इसे बहुत जल्दी सीख लिया। उसने "गुप्त कोड" (बायां हिस्सा + एक फ्लिप स्विच) को समझ लिया और पूरे चित्र को पूरी तरह से फिर से बना सकी। यह ऐसा था जैसे मशीन को समझ आ गया हो, "ओह, मुझे केवल आधे चित्र को याद रखने की आवश्यकता है!"

2. "वाइल्ड" सेट्स (अव्यवस्थित डेटा)

फिर, उन्होंने उन सेट्स को सीखने की कोशिश की जिनमें कोई स्पष्ट नियम नहीं थे।

सेटअप: उन्होंने एक रैंडम, अव्यवस्थित कंप्यूटर सर्किट का उपयोग करके डेटा बनाया। कोई भी नियम नहीं जानता था; यह केवल 1 और 0 का एक मिश्रण था।
समस्या: मशीन मूल अव्यवस्थित सेट को पूरी तरह से नहीं सीख सकी। वह गलतियाँ करती रही।
समाधान (विकास): मशीन ने सेट को सीखने की कोशिश की, थोड़ा विफल हुई, और फिर अपने "गलतियों" का उपयोग करके एक नया सेट बनाया। उसने इस प्रक्रिया को दोहराया।
परिणाम: हर दौर के "विकास" के साथ, सेट अधिक स्वच्छ होता गया। मशीन ने नए, स्वच्छ संस्करण को बेहतर और बेहतर तरीके से सीखा। अंततः, अव्यवस्थित, "वाइल्ड" सेट एक पूरी तरह से सीखने योग्य सेट में बदल गया।

उन्होंने इसे डाउन-सैंपल डाउन-MNIST (हाथ से लिखे नंबरों की छोटी, धुंधली, ब्लैक-एंड-व्हाइट छवियां) के साथ भी आज़माया। भले ही छवियां धुंधली और पढ़ने में कठिन थीं, "विकास" की प्रक्रिया ने मशीन को यह समझने में मदद की कि कौन सी धुंधली आकृतियाँ वास्तव में संख्याओं जैसी दिखती हैं और कौन सी नहीं।

"गैप" और "आहा!" क्षण

शोधकर्ताओं ने एक "गैप" मीटर का उपयोग करके मशीन की प्रगति को ट्रैक किया।

उच्च गैप: मशीन संघर्ष कर रही है। वह डेटा को फिट करने की कोशिश कर रही है, लेकिन यह एक बुरा फिट है।
कम गैप: मशीन ने पैटर्न को पा लिया है।

उन्होंने पाया कि सीखना हमेशा एक धीमी, स्थिर चढ़ाई नहीं होती है। कभी-कभी, संघर्ष के एक लंबे दौर के बाद, मशीन को एक "आहा!" क्षण मिलता है। गैप अचानक शून्य के करीब गिर जाता है, और सटीकता 100% तक बढ़ जाती है। यह ऐसा है जैसे मशीन को अचानक गुप्त नियम समझ आ गया हो।

यह क्यों महत्वपूर्ण है (पेपर के अनुसार)

अधिकांश आधुनिक AI सांख्यिकी और संभाव्यता (डेटा की विशाल मात्रा के आधार पर अनुमान लगाना) पर निर्भर करते हैं। यह पेपर एक अलग मार्ग का सुझाव देता है: संरचना (Structure)।

"बच्चे" की उपमा: लेखक इसकी तुलना इस बात से करते हैं कि बच्चे भाषा कैसे सीखते हैं। एक बच्चे को व्याकरण सीखने के लिए लाखों उदाहरणों की आवश्यकता नहीं होती; वे कुछ उदाहरणों से सीखते हैं क्योंकि उनका मस्तिष्क केवल सांख्यिकी नहीं, बल्कि अंतर्निहित संरचना (नियमों) की तलाश कर रहा होता है।
निष्कर्ष: डेटा के विशिष्ट सेट्स मौजूद हैं जो मशीनों के लिए स्वाभाविक रूप से सीखने में आसान होते हैं, यदि हम उन्हें सही उपकरण (सख्त नियमों वाले सरल सर्किट) दें। इन सेट्स को "विकसित" होने देकर, हम अव्यवस्थित, सीखने में असंभव डेटा को स्वच्छ, सीखने योग्य डेटा में बदल सकते हैं।

एक वाक्य में सारांश

यह पेपर डेटा के एक विशेष प्रकार को परिभाषित करता जिसे मशीनें एक सरल "गुप्त कोड" खोजकर आसानी से सीख सकती हैं, और यह भी दिखाता है कि कैसे अव्यवस्थित, रैंडम डेटा को पुनरावृत्ति विकास (iterative evolution) की प्रक्रिया के माध्यम से साफ और सीखने योग्य बनाया जा सकता है।

तकनीकी सारांश: मशीन-लर्नेबल सेट्स (Machine-Learnable Sets)

समस्या विवरण

यह शोध पत्र "मशीन-लर्नेबल सेट्स" की एक औपचारिक परिभाषा की आवश्यकता को संबोधित करता है—ऐसे बड़े असतत (discrete) सेट जिनके तत्वों को आसानी से पहचाना, उत्पन्न किया और कुछ उदाहरणों से सीखा जा सके। हालांकि गोल्ड का "लैंग्वेज आइडेंटिफिकेशन इन द लिमिट" और वैलिएंट का "PAC लर्निंग" जैसे औपचारिक मॉडल मौजूद हैं, वे या तो कम्प्यूटेशनल सीमाओं का अभाव रखते हैं या उन संभाव्य गारंटियों (probabilistic guarantees) पर निर्भर करते हैं जो न्यूरल नेटवर्क लर्निंग की दक्षता को पूरी तरह से नहीं पकड़ पाती हैं। लेखक तर्क देते हैं कि वर्तमान मशीन लर्निंग अक्सर डेटा को स्थिर ("वे जो हैं वही हैं") मानती है, जबकि प्राकृतिक भाषा अधिग्रहण (natural language acquisition) यह सुझाव देता है कि डेटा संरचनाएं (जैसे व्याकरण) अधिक सीखने योग्य (learnable) बनने के लिए विकसित हो सकती हैं। मुख्य चुनौती एक ऐसे सेट की श्रेणी को परिभाषित करने की है जहाँ एक सीमित-जटिलता वाला ऑटोएन्कोडर तत्वों को स्थिर (fix) कर सके, और यह प्रदर्शित करना है कि ऐसे सेटों को तब भी सीखा जा सकता है जब अंतर्निहित संरचना तुरंत स्पष्ट न हो या प्रारंभिक सेट "अपूर्ण" हो।

कार्यप्रणाली (Methodology)

औपचारिक परिभाषा

लेखक एक मशीन-लर्नेबल सेट $X \subset \{0, 1\}^m$ को उसके आंतरिक आयाम $n < m$ और क्षमता $c \le 1$ के साथ परिभाषित करते हैं। सेट को निम्नलिखित के अस्तित्व द्वारा परिभाषित किया गया है:

एक डिकोडर $D \in B(m, n, k_D)$ और एक इंजेक्टिव एनकोडर $E \in B(n, m, k_E)$ , जहाँ $B$ सूचना के $k$ बिट्स द्वारा निर्दिष्ट बूलियन फंक्शन का एक वर्ग है।
एक ऑटोएन्कोडर $A = E \circ D$ ताकि $x \in X \iff A(x) = x$ ।
कार्डिनैलिटी (Cardinality) $|X| = c \cdot 2^n$ ।

लेखक कंसन्ट्रेशन-ऑफ-मेजर (COM) मॉडल पेश करते हैं, जो यह मानता है कि बड़े मापदंडों के लिए, यादृच्छिक (random) ऑटोएन्कोडर समान आकार के सेट को स्थिर करते हैं। सूचना सिद्धांत (Information theory) का उपयोग करते हुए, वे सूचना पर्याप्तता (information sufficiency) के लिए एक शर्त व्युत्पन्न करते हैं: एक लर्निंग एल्गोरिदम ऑटोएन्कोडर $A$ को उदाहरणों के एक उपसमुच्चय $X^*$ से पुनर्गठित कर सकता है यदि $|X^*| > \frac{k_A}{m - n + \log_2(1/c)}$ , जहाँ $k_A$ ऑटोएन्कोडर की जटिलता है।

लर्निंग एल्गोरिदम: Boolnets और RRR

प्रयोग Boolnets का उपयोग करते हैं, जो बूलियन थ्रेशोल्ड फंक्शन्स (BTFs) के नेटवर्क हैं।

BTFs: इन्हें $f_w(x) = \text{sgn}(w \cdot x)$ के रूप में परिभाषित किया गया है, जिसमें इनपुट $\{-1, 1\}$ में हैं।
जटिलता नियंत्रण (Complexity Control): एक मार्जिन बाधा $\mu(w) \ge \sqrt{m}/\sigma$ लागू की जाती है, जहाँ $\sigma$ एक सपोर्ट पैरामीटर है। यह स्पर्सिटी (sparsity) सुनिश्चित करता है और सर्किट की जटिलता को सीमित करता है।
अनुकूलन (Optimization): रिफ्लेक्ट-रिफ्लेक्ट-रिलैक्स (RRR) एल्गोरिदम का उपयोग किया जाता है। यह एक कंस्ट्रेंट सेटिस्फैक्शन विधि है जो लर्निंग समस्या को वेट्स (weights) और एक्टिवेशन्स के निरंतर स्थान (continuous space) में दो ज्यामितीय सेटों ( $A$ $A$ और $B$ $B$ ) के प्रतिच्छेदन (intersection) को खोजने के रूप में मानती है।
- सेट $A$ BTF लॉजिक और मार्जिन बाधाओं को लागू करता है।
- सेट $B$ नेटवर्क आर्किटेक्चर की निरंतरता (इनपुट/आउटपुट समानता) और वेट नॉर्म्स को लागू करता है।
- एल्गोरिदम ग्रेडिएंट डिसेंट के माध्यम से लॉस फंक्शन को कम करने के बजाय, इन सेटों पर इटरेटिवली प्रोजेक्ट (iteratively project) करके "गैप को बंद करने" का कार्य करता है।

विकासवादी पुनरावृत्ति (Evolutionary Iteration)

"वाइल्ड" या अपूर्ण सेटों के लिए (जहाँ कोई पूर्ण ऑटोएन्कोडर मौजूद नहीं है), शोध पत्र एक इटरेशन स्कीम प्रस्तावित करता है:

सेट $X_i$ पर एक ऑटोएन्कोडर $A_i$ को प्रशिक्षित करें।
एक नया सेट $X_{i+1} = A_i(X_i)$ उत्पन्न करें।
दोहराएं।
परिकल्पना यह है कि यह प्रक्रिया सेट को एक ऐसी स्थिति की ओर विकसित करती है जहाँ वह समान जटिलता के ऑटोएन्कोडर द्वारा पूरी तरह से स्थिर हो जाता है, जो प्रभावी रूप से डेटा को "परिष्कृत" (refine) करता है।

प्रमुख योगदान

मशीन-लर्नेबल सेट्स का औपचारिकता: सीमित-जटिलता वाले बूलियन ऑटोएन्कोडर पर आधारित एक कठोर परिभाषा, जो ध्यान फंक्शन सीखने से हटाकर स्वयं सेटों को सीखने पर केंद्रित करती है।
सूचना-सैद्धांतिक थ्र्रेसहोल्ड (Information-Theoretic Threshold): एक प्रस्ताव (Prop. III.3) जो ऑटोएन्कोडर की जटिलता और सेट की क्षमता के आधार पर सेट को सीखने के लिए आवश्यक उदाहरणों की संख्या को मात्रात्मक रूप से निर्धारित करता है।
कंस्ट्रेंट-आधारित लर्निंग: बूलियन थ्रेशोल्ड फंक्शन्स के नेटवर्क को प्रशिक्षित करने के लिए RRR एल्गोरिदम का अनुप्रयोग, जो यह प्रदर्शित करता है कि डिस्क्रीट, नॉन-डिफरेंशिएबल सर्किट को बिना ग्रेडिएंट-आधारित ऑप्टिमाइज़ेशन के प्रभावी ढंग से सीखा जा सकता है।
सेट का विकास (Set Evolution): एक प्रदर्शन कि कैसे अपूर्ण सेटों (यादृच्छिक एनकोडर्स या डाउन-सैंपल की गई छवियों द्वारा उत्पन्न) को इटरैटिव ऑटोएन्कोडर रिफाइनमेंट के माध्यम से मशीन-लर्नेबल सेट्स में विकसित किया जा सकता है।

प्रयोगात्मक परिणाम

1. रोरशाच पैटर्न (परफेक्ट सेट्स)

कार्य: वर्टिकल मिरर सिमेट्री (कंट्रास्ट रिवर्सल के साथ या बिना) वाली 10x10 बाइनरी इमेज को सीखना।
आर्किटेक्चर: एक बॉटलनेक के साथ 3-लेयर ऑटोएन्कोडर।
निष्कर्ष:
- एल्गोरिदम सफलतापूर्वक सिमेट्री नियमों को सीखता है।
- सीखा गया डिकोडर सर्किट पिक्सेल पेयर्स के सहसंबंध विश्लेषण (correlation analysis) के आधार पर एक विशिष्ट चक्रीय संरचना प्रदर्शित करता है, न कि केवल एक साधारण "कॉपी" तंत्र।
- लर्नेबिलिटी ट्रांजिशन: प्रशिक्षण उदाहरणों ( $|X^*|$ ) की संख्या को बदलते हुए प्रयोगों से पता चलता है कि एक तीव्र संक्रमण (sharp transition) होता है। ~100 उदाहरणों से नीचे, लर्निंग विफल हो जाती है; ~200 से ऊपर, लर्निंग तेजी से सफल होती है। यह सूचना-सैद्धांतिक सीमाओं के अनुरूप एक थ्र्रेसहोल्ड की पुष्टि करता है।
- जटिलता: सीखा गया सर्किट "डाइवर्सिटी हाइपोथीसिस" (कि BTF के सभी संभावित इनपुट देखे जाते हैं) का उल्लंघन करता है, जो बताता है कि सैद्धांतिक जटिलता सीमाएं व्यवहार में कम आंकी जा सकती हैं।

2. वाइल्ड सेट्स (यादृच्छिक एनकोडर्स)

कार्य: एक रैंडम 4-लेयर Boolnet एनकोडर द्वारा उत्पन्न सेट को सीखना, जहाँ डिकोडर अज्ञात है।
निष्कर्ष:
- प्रारंभिक "प्रोटो-सेट" $X_0$ का लर्निंग अपूर्ण है (सटीकता < 100%)।
- इवोल्यूशन नियम ( $X_{i+1} = A_i(X_i)$ ) लागू करने से सेट व्यवस्थित रूप से बेहतर होता है।
- इवोल्यूशन के दो राउंड के बाद, ऑटोएन्कोडर विकसित सेट पर >99% सटीकता प्राप्त करता है, और सेट "मशीन-लर्नेबल" (ऑटोएन्कोडर द्वारा पूरी तरह से स्थिर) बन जाता है।
- विकसित सेट अन्य वाइल्ड सेट्स से भिन्न है, जो दर्शाता है कि सिस्टम विभिन्न अंतर्निहित संरचनाओं के बीच भ्रमित नहीं होता है।

3. डाउन-सैंपल किया गया MNIST (BooLNIST)

कार्य: डाउन-सैंपल की गई MNIST डिजिट्स से प्राप्त 8x8 बाइनरी इमेज को सीखना, जहाँ एंट्रॉपी और अंतर्निहित संरचना अज्ञात है।
निष्कर्ष:
- लेखक एंट्रॉपी का अनुमान लगाने के लिए इवोल्यूशन स्कीम का उपयोग करते हैं।
- अलग-अलग "वेस्ट" (waist) साइज ( $n=12$ $n = 12$ बनाम $n=24$ $n = 24$ ) वाले ऑटोएन्कोडर की तुलना करना:
  - संकरा वेस्ट ( $n=12$ ) डेटा के अधिक आक्रामक परिमार्जन (refinement) को मजबूर करता है, जिसके परिणामस्वरूप कम अनुमानित एंट्रॉपी (8.0 बिट्स) मिलती है और ऐसी छवियां बनती हैं जो सुसंगत हस्तलिखित अंकों जैसी दिखती हैं।
  - चौड़ा वेस्ट ( $n=24$ ) उच्च एंट्रॉपी (23.3 बिट्स) देता है और ऐसी छवियां उत्पन्न करता है जिनमें कनेक्टिविटी खराब (कम अंक-जैसी) होती है।
- इवोल्यूशन प्रक्रिया कच्चे, अपूर्ण डेटा को मशीन-लर्नेबल सेट में सफलतापूर्वक बदल देती है, जो एंट्रॉपी अनुमान और डेटा रिफाइनमेंट के लिए इस ढांचे की उपयोगिता को प्रदर्शित करती है।

महत्व और दावे

शोध पत्र दावा करता है कि यह सांख्यिकीय लर्निंग थ्योरी (statistical learning theory) के विकल्प के बजाय एक पूरक (complement) प्रदान करता है। जबकि सांख्यिकीय सिद्धांत (जैसे PAC) वितरणों और संभाव्य गारंटियों पर निर्भर करता है, यह कार्य डिस्क्रीट, कंस्ट्रेंट-आधारित ऑप्टिमाइज़ेशन का उपयोग करते हुए एक जांच दृष्टिकोण (investigative approach) अपनाता है।

सांख्यिकी के बजाय तंत्र (Mechanism over Statistics): लेखक तर्क देते हैं कि उनके प्रयोगों में देखा गया "सामान्यीकरण का अचानक आगमन" (abrupt onset of generalization) यह सुझाव देता है कि लर्निंग क्रमिक सांख्यिकीय अभिसरण (gradual statistical convergence) के बजाय संरचनात्मक बाधाओं और सूचना के एक महत्वपूर्ण थ्र्रेसहोल्ड को पार करने से संचालित होती है।
डेटा का विकास: पेपर का तर्क है कि डेटा स्वयं विकसित हो सकता है। जिस तरह भाषाएं सीखने में आसान बनने के लिए विकसित होती हैं, उसी तरह "वाइल्ड" सेट्स को लर्निंग प्रक्रिया द्वारा परिष्कृत किया जा सकता है ताकि वे "सच्चे" मशीन-लर्नेबल सेट्स बन सकें।
व्याख्यात्मकता (Interpretability): बूलियन थ्रेशोल्ड फंक्शन्स और RRR एल्गोरिदम का उपयोग करके, प्राप्त मॉडल स्पर्स (sparse) और संरचनात्मक रूप से व्याख्या योग्य (लॉजिक गेट्स के सर्किट) होते हैं, जो सिमेट्री और संरचना का पता लगाने वाले "न्यूरल पाथवे" में एक खिड़की प्रदान करते हैं, जो अक्सर मानक डीप लर्निंग में अस्पष्ट होते हैं।

लेखक निष्कर्ष निकालते हैं कि मशीन-लर्नेबल सेट्स एकल विसंगतियां नहीं बल्कि वस्तुओं का एक विशाल वर्ग हैं। अपूर्ण सेट्स को सीखने योग्य सेट्स में विकसित करने की क्षमता यह बताती है कि "सीखने योग्य वस्तुओं का ब्रह्मांड" पहले की तुलना में बहुत बड़ा है, बशर्ते कि डेटा को लर्निंग मैकेनिज्म के अनुकूल होने दिया जाए।