🤖 machine learning

Rank-Order N-of-M Codes for Sparse Distributed Memory: Disentangling Representation and Learning Effects in Noise Robustness Against Contemporary Neuromorphic Architectures

यह शोध पत्र प्रमाणित करता है कि रैंक-ऑर्डर N-of-M एनकोडिंग, जब MAX-Hebbian लर्निंग के साथ संयोजित होती है, तो मानक आर्किटेक्चर की तुलना में स्पार्स डिस्ट्रीब्यूटेड मेमोरी सिस्टम की क्षमता और शोर रोधकता (noise robustness) को महत्वपूर्ण रूप से बढ़ाती है, जो CALM जैसे न्यूरोमॉर्फिक AI मॉडल्स में निरंतर सीखने (continual learning) में सुधार के लिए व्यावहारिक डिजाइन मार्गदर्शन प्रदान करती है।

मूल लेखक: Joy Bose

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joy Bose

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 एक सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) का स्पष्टीकरण दिया गया है।

बड़ी तस्वीर: एक पुस्तकालय जो कभी भूलता नहीं

कल्पना कीजिए कि आपके पास एक विशाल, जादुई पुस्तकालय (एक AI सिस्टम) है जो लगातार नई चीजें सीख रहा है। अधिकांश आधुनिक पुस्तकालयों के साथ समस्या यह है कि एक नई किताब जोड़ने के लिए, आपको अक्सर पूरी इमारत को फिर से बनाना पड़ता है या सब कुछ व्यवस्थित करने के लिए एक विशाल टीम रखनी पड़ती है। यह धीमा और महंगा है।

यह शोध पत्र एक विशिष्ट प्रकार के पुस्तकालय पर केंद्रित है जिसे स्पार्स डिस्ट्रिब्यूटेड मेमोरी (Sparse Distributed Memory - SDM) कहा जाता है। SDM को केवल एक बुकशेल्फ़ के रूप में नहीं, बल्कि एक विशाल, अव्यवस्थित फाइलिंग कैबिनेट के रूप में सोचें जहाँ आप एक फाइल डाल सकते हैं और बाद में उसे वापस निकाल सकते हैं, भले ही वह फाइल थोड़ी क्षतिग्रस्त हो या उसका लेबल धुंधला हो। लक्ष्य इस फाइलिंग कैबिनेट को "निरंतर सीखने" (पुरानी चीजों को भूले बिना हमेशा नई चीजें सीखना) के लिए बेहतर बनाना है।

यह शोध पत्र एक विशिष्ट प्रश्न पर ध्यान केंद्रित करता है: कैबिनेट में फाइल रखने से पहले हम लेबल कैसे लगाते हैं?

दो लेबलिंग सिस्टम (Labeling Systems)

शोध पत्र जानकारी को लेबल करने (जिसे "एन्कोडिंग" कहा जाता है) के दो तरीकों की तुलना करता है:

"ऑन/ऑफ" स्विच (थ्रेशोल्ड-बाइनरी): यह वर्तमान सिस्टम (जिसे CALM कहा जाता है) द्वारा उपयोग किया जाता है। कल्पना कीजिए कि आपके पास 1,000 तथ्यों की एक सूची है। आप प्रत्येक तथ्य को देखते हैं और पूछते हैं, "क्या यह तथ्य औसत से ऊपर है?" यदि हाँ, तो आप 1 लिखते हैं। यदि नहीं, तो आप 0 लिखते हैं।
- खामी: यदि कोई तथ्य बमुश्किल औसत से ऊपर है, तो शोर (जैसे टाइपो या संदर्भ में मामूली बदलाव) उसे 1 से 0 में बदल सकता है। लेबल पूरी तरह बदल जाता है, और पुस्तकालय फाइल खो सकता है।
"टॉप 10" रैंकिंग (रैंक-ऑर्डर): यह पुराना तरीका है जिसका परीक्षण यह शोध पत्र कर रहा है। केवल यह कहने के बजाय कि "हाँ" या "नहीं", आप सूची को देखते हैं और कहते हैं, "सबसे महत्वपूर्ण शीर्ष 10 तथ्य कौन से हैं?" फिर आप उन्हें न केवल "सक्रिय" के रूप में लेबल करते हैं, बल्कि उनकी रैंक के आधार पर एक स्कोर देते हैं (जैसे, #1 बहुत महत्वपूर्ण है, #10 कम महत्वपूर्ण है)।
- लाभ: यदि थोड़ा सा शोर (noise) किसी तथ्य के स्कोर को बदल देता है, तो वह #10 से बदलकर #11 हो सकता है, लेकिन शीर्ष 9 समान रहते हैं। लेबल अधिक स्थिर होता है।

तीन बड़ी खोजें

शोधकर्ताओं ने यह देखने के लिए प्रयोग किए कि क्या "टॉप 10" रैंकिंग सिस्टम वास्तव में "ऑन/ऑफ" स्विच से बेहतर है। यहाँ उन्हें जो मिला:

1. पुराना ब्लूप्रिंट काम करता है (वैधीकरण)

सबसे पहले, उन्हें यह सुनिश्चित करना था कि पुराना "टॉप 10" सिस्टम वास्तव में वैसा ही काम करता है जैसा कि 2007 में मूल लेखकों ने दावा किया था।

परिणाम: उन्होंने सिस्टम को शून्य से बनाया और पाया कि यह पूरी तरह से काम करता है। वास्तव में, एक विशिष्ट जैविक-शैली वाले न्यूरॉन मॉडल (जिसे "WheelSDM" कहा जाता है) ने अमूर्त गणितीय मॉडल (abstract math model) के साथ सटीक परिणाम (100% मिलान) दिए। हालाँकि, एक अलग न्यूरॉन मॉडल (RDLIF) जो उन्होंने आज़माया था, भीड़भाड़ होने पर पूरी तरह से विफल रहा।
निष्कर्ष: पुराना "टॉप 10" ब्लूप्रिंट ठोस और विश्वसनीय है।

2. "बड़ी जीत" एक टीम वर्क है (मुख्य आश्चर्य)

शोधकर्ताओं ने शोर वाले इनपुट डेटा (जैसे धुंधला लेबल) के मामले में "टॉप 10" सिस्टम का "ऑन/ऑफ" सिस्टम के साथ परीक्षण किया।

परिणाम: "टॉप 10" सिस्टम सही फाइल खोजने में बहुत बेहतर था, भले ही लेबल बहुत क्षतिग्रस्त हो। कुछ परीक्षणों में यह 38% से 66% अधिक सटीक था!
ट्विस्ट: लेकिन फिर उन्होंने पूछा, "क्या यह लेबलिंग (Rank-Order) ने काम किया, या फाइलिंग नियम ने?"
- पुराने सिस्टम ने एक विशेष "फाइलिंग नियम" का उपयोग किया जिसे MAX-Hebbian learning कहा जाता है। यह नियम एक "विजेता-सब-ले-जाता-है" (winner-take-all) नीति की तरह है: यदि एक नई फाइल किसी पुरानी फाइल के समान है, तो यह पुराने को तभी ओवरराइट करती है जब वह एक बेहतर मैच हो।
- जब उन्होंने विशेष "विजेता-सब-ले-जाता-है" फाइलिंग नियम के बिना "टॉप 10" लेबल का परीक्षण किया, तो भारी लाभ गायब हो गया। "टॉप 10" लेबल अकेले केवल थोड़ा बेहतर (लगभग 1% से 5% बेहतर) था।
निष्कर्ष: भारी सुधार शोर के प्रति प्रतिरोध क्षमता (noise resistance) में आता है, जो "टॉप 10" लेबल को विशेष "विजेता-सब-ले-जाता-है" फाइलिंग नियम के साथ जोड़ने से आता है। यदि आप केवल लेबल बदलते हैं लेकिन पुराना फाइलिंग नियम रखते हैं, तो आपको बहुत कम लाभ मिलता है। यदि आप दोनों को बदलते हैं, तो आपको बहुत बड़ा लाभ मिलता है।

3. "टॉप 10" अभी भी थोड़ा बेहतर क्यों है

विशेष फाइलिंग नियम के बिना भी, "टॉप 10" लेबल "ऑन/ऑफ" स्विच की तुलना में थोड़ा अधिक मजबूत था।

उपमा: कल्पना कीजिए कि "ऑन/ऑफ" स्विच एक चट्टान (cliff) की तरह है। यदि आप एक इंच भी ज्यादा कदम रखते हैं, तो आप गिर जाते हैं। "टॉप 10" रैंकिंग एक ढलान (gentle slope) की तरह है। यदि आप थोड़ा चलते हैं, तो आप बस थोड़ा नीचे फिसलते हैं, लेकिन आप किनारे से नीचे नहीं गिरते। रैंकिंग सिस्टम त्रुटियों को अधिक सहजता से संभालता है क्योंकि यह महत्व के क्रम (order) पर निर्भर करता है, जो एक साधारण "हाँ/नहीं" रेखा की तुलना में बिगाड़ना कठिन है।

ऊर्जा और हार्डवेयर

शोध पत्र ने यह भी देखा कि इन सिस्टमों में कितनी "बिजली" (ऊर्जा) खर्च होती है।

उन्होंने "टॉप 10" सिस्टम की तुलना एक आधुनिक, ऊर्जा-कुशल सिस्टम SpikingMamba से की।
परिणाम: सैद्धांतिक रूप से, "टॉप 10" सिस्टम SpikingMamba से दोगुना कुशल हो सकता है यदि आपके पास विशेष, भविष्य के कंप्यूटर चिप्स हों जो सूचियों को तुरंत सॉर्ट कर सकें।
चुनौती: वर्तमान चिप्स में अभी भी यह विशेष सॉर्टिंग हार्डवेयर नहीं है। इसके अलावा, सबसे बड़ी ऊर्जा लागत लेबलिंग नहीं है, बल्कि "एड्रेस डिकोडर" (वह हिस्सा जो फाइल खोजने के लिए गलियारों में घूमता है) है। इसलिए, जबकि लेबलिंग कुशल है, पूरा सिस्टम अभी भी गलियारों में घूमने की लागत से नियंत्रित होता है।

"CALM" सिस्टम के लिए अंतिम निर्णय

शोध पत्र CALM सिस्टम (शुरुआत में बताए गए पुस्तकालय) के डेवलपर्स के लिए विशिष्ट सलाह के साथ समाप्त होता है:

केवल लेबल न बदलें: यदि आप केवल "ऑन/ऑफ" से "टॉप 10" लेबल पर स्विच करते हैं, तो आपको एक छोटा, मामूली सुधार मिलेगा।
पूरी प्रक्रिया बदलें: भारी विश्वसनीयता प्राप्त करने के लिए, आपको "टॉप 10" लेबल पर स्विच करना होगा और फाइलिंग नियम को "विजेता-सब-ले-जाता-है" (MAX-Hebbian) विधि में बदलना होगा।
यह डिज़ाइन के बारे में है: जिस तरह से आप जानकारी का प्रतिनिधित्व करते हैं (लेबल), वह मेमोरी सिस्टम जितना ही महत्वपूर्ण है।

संक्षेप में: "टॉप 10" रैंकिंग सिस्टम एक बेहतरीन उपकरण है, लेकिन इसे वास्तव में चमकने के लिए सही "फाइलिंग नियम" की आवश्यकता है। एक साथ मिलकर, वे एक ऐसा मेमोरी सिस्टम बनाते हैं जो शोर और त्रुटियों के खिलाफ अविश्वसनीय रूप से मजबूत होता है।

तकनीकी सारांश: स्पार्स डिस्ट्रीब्यूटेड मेमोरी के लिए रैंक-ऑर्डर N-of-M कोड

समस्या विवरण

लार्ज लैंग्वेज मॉडल्स (LLMs) निरंतर सीखने (continual learning) में संघर्ष करते हैं, क्योंकि नए ज्ञान को शामिल करने के लिए आमतौर पर महंगे रिट्रेनिंग की आवश्यकता होती है, और रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) उन बाहरी वेक्टर स्टोर्स पर निर्भर करता है जो ऑनलाइन एसोसिएटिव मेमोरी के लिए डिज़ाइन नहीं किए गए हैं। CALM आर्किटेक्चर (नेचेसोव और रूपोनन, 2025) इसे एक स्पष्ट एपिसोडिक मेमोरी लेयर के रूप में स्पार्स डिस्ट्रीब्यूटेड मेमोरी (SDM) को एकीकृत करके संबोधित करता है। हालाँकि, CALM एक थ्रेशोल्ड-बाइनरी एनकोडर (मीन के विरुद्ध एम्बेडिंग्स का बाइनराइजेशन) का उपयोग करता है और इसे एक सीमा के रूप में स्पष्ट रूप से पहचानता है, यह नोट करते हुए कि बेहतर एनकोडिंग स्कीम्स एक आवश्यक भविष्य की दिशा है।

यह पेपर जिस मुख्य इंजीनियरिंग प्रश्न को संबोधित करता है वह है: निरंतर न्यूरल एक्टिवेशन को SDM एड्रेस स्पेस में मैप करने के लिए कौन सी एनकोडिंग स्कीम शोर (noise) के तहत रिट्रीवल मजबूती को अधिकतम करने के लिए सबसे उपयुक्त है? विशेष रूप से, क्या रैंक-ऑर्डर N-of-M कोडिंग (फर्बर एट अल., 2007)—जो ज्यामितीय रूप से भारित महत्व मानों के माध्यम से सापेक्ष परिमाण जानकारी को संरक्षित करती है—CALM में उपयोग किए जाने वाले थ्रेशोल्ड-बाइनरी दृष्टिकोण की तुलना में एक मूर्त लाभ प्रदान करती है?

कार्यप्रणाली (Methodology)

यह पेपर कई आयामों में तीन SDM वेरिएंट और दो एनकोडिंग स्कीम्स की तुलना करने के लिए एक कठोर प्रयोगात्मक ढांचे का उपयोग करता है:

आर्किटेटेक्चरल वैलिडेशन: लेखकों ने फुरबर एट अल. (2007) और बोस एट अल. (2005) के विनिर्देशों के आधार पर चार SDM वेरिएंट (StandardSDM, RankOrderSDM, WheelSDM, और RDLIFSDM) को लागू किया। उन्होंने यह सत्यापित करने के लिए 10 रैंडम सीड्स पर इनका परीक्षण किया कि जैविक रूप से प्रेरित "WheelSDM" (स्पाइकिंग न्यूरॉन्स) संख्यात्मक रूप से अमूर्त "RankOrderSDM" के समान है या नहीं, और यह पुष्टि करने के लिए कि हस्तक्षेप (interference) के तहत RDLIF न्यूरॉन्स की दस्तावेजी विफलता क्या है।
क्षमता प्रयोग (Capacity Experiments): मेमोरी क्षमता को सैचुरेशन पॉइंट्स ( $n=80, 120, 160$ पैटर्न्स $W=256, D=64$ के लिए) और प्रकाशित डिफॉल्ट स्केल ( $W=4096, D=256$ ) पर मापा गया।
नॉइज़ रोबस्टनेस (BER) डिकंपोजिशन: एनकोडिंग के प्रभावों को लर्निंग रूल्स से अलग करने के लिए, लेखकों ने दो अलग-अलग बिट एरर रेट (BER) प्रयोग किए:
- फुल आर्किटेक्चर टेस्ट: गॉसियन मैग्नीट्यूड परटर्बेशन के तहत मैक्स-हेब्बियन लर्निंग (MAX-Hebbian learning) का उपयोग करते हुए Rank-Order SDM की तुलना स्टैंडर्ड SDM (एक्यूमुलेटिव बाइपोलर-काउंटर राइटिंग का उपयोग करते हुए) से की गई।
- सिमेट्रिक परटर्बेशन टेस्ट: निरंतर एक्टिवेशन वेक्टर पर समान गॉसियन नॉइज़ लागू किया गया, फिर नॉइजी वेक्टर को थ्रेशोल्ड-बाइनरी और रैंक-ऑर्डर दोनों स्कीम्स का उपयोग करके पुनः एनकोड किया गया। इसने लर्निंग रूल (एक्यूमुलेटिव SDM) को स्थिर रखकर केवल एनकोडिंग-ओनली लाभ को अलग किया।
ज्यामितीय स्थिरता विश्लेषण (Geometric Stability Analysis): यह मापने के लिए कि रैंक ऑर्डरिंग नॉइज़ के तहत रैंक कोलिंग (rank correlation) और जैकार्ड ओवरलैप (Jaccard overlap) को कैसे प्रभावित करती है, केंडल टाउ (Kendall tau) और जैकार्ड ओवरलैप का उपयोग किया गया।
ऊर्जा तुलना: SpikingMamba के SI-LIF न्यूरॉन्स (हुआंग एट अल., 2026) के साथ 45nm ऊर्जा स्थिरांकों का उपयोग करते हुए कंपोनेंट-लेवल एनकोडिंग ऊर्जा की गणना की गई, जबकि यह भी नोट किया गया कि सिस्टम-लेवल डिकोडर लागत कुल ऊर्जा बजट में हावी रहती है।
रियल-वर्ल्ड डेटा वैलिडेशन: संरचित, गैर-गॉसियन डेटा पर निष्कर्षों को सत्यापित करने के लिए GloVe-100 वर्ड एम्बेडिंग्स और सभी-MiniLM-L6-v2 सेंटेंस एम्बेडिंग्स पर पायलट प्रयोग किए गए।

मुख्य योगदान और परिणाम

1. मौलिक दावों का सत्यापन

पुनः कार्यान्वयन (reimplementation) ने पुष्टि की कि WheelSDM और RankOrderSDM बिल्कुल समान हैं, जो सभी सीड्स में 1.0000 की कोसाइन सिमिलरिटी देते हैं। इसके विपरीत, RDLIF न्यूरॉन्स हस्तक्षेप के तहत पूरी तरह से विफल हो गए (0 सही रिकॉल), जो व्हील मॉडल में स्विच करने के 2005 के शोध पत्रों के निर्णय को मान्य करता है।

क्षमता: सैचुरेशन पर ( $n=160, W=256$ ), RankOrderSDM ने StandardSDM को 13.4 प्रतिशत अंक से पछाड़ दिया (p < 0.001, Cohen's d = 4.61)। बड़े स्केल ( $W=4096$ ) पर, लाभ छोटा था (+0.8pp) लेकिन सांख्यिकीय रूप से मौजूद था।

2. एनकोडिंग को लर्निंग से अलग करना (मुख्य निष्कर्ष)

पेपर पूर्ण आर्किटेक्चर के संयुक्त लाभ और एनकोडिंग स्कीम के अलग किए गए लाभ के बीच एक महत्वपूर्ण अंतर की पहचान करता है:

संयुक्त लाभ: फुल आर्किटेक्चर टेस्ट (Rank-Order + MAX-Hebbian बनाम Binary + Accumulative) में, Rank-Order एनकोडिंग ने 20% नॉइज़ तक परफेक्ट रिकॉल बनाए रखा, जो उच्च नॉइज़ स्तरों पर बाइनरी एनकोडिंग की तुलना में +38 से +66 प्रतिशत अंक बेहतर प्रदर्शन करता है।
एनकोडिंग-ओनली लाभ: जब लर्निंग रूल को स्थिर रखा गया (Accumulative SDM), तो थ्रेशोल्ड-बाइनरी की तुलना में Rank-Order एनकोडिंग का लाभ मामूली था। सिमेट्रिक परटर्बेशन के तहत, Rank-Order का सुधार +0.1 से +0.9 प्रतिशत अंक था, जो विशिष्ट नॉइज़ स्तरों (जैसे, BER=0.25, p=0.036) पर ही सांख्यिकीय महत्व तक पहुँचा।
निष्कर्ष: फुल आर्किटेक्चर में देखा गया विशाल मजबूती का लाभ (+66pp) मुख्य रूप से MAX-Hebbian लर्निंग रूल द्वारा संचालित है, न कि केवल एनकोडिंग स्कीम द्वारा। एनकोडिंग स्कीम स्वयं एक छोटा, सुसंगत, लेकिन मामूली ज्यामितीय स्थिरता लाभ प्रदान करती है।

3. ज्यामितीय स्थिरता

रैंक-ऑर्डर एनकोडिंग, बाइनरी थ्रेशोल्डिंग की तुलना में बेहतर ज्यामितीय स्थिरता प्रदर्शित करता है। 0.10 के नॉइज़ स्तर पर, रैंक ऑर्डरिंग ने 0.847 का केंडल टाउ और 0.891 का जैकार्ड ओवरलैप बनाए रखा। हालांकि बाइनरी बिट-फ्लिप दर कम (0.020) थी, पेपर का तर्क है कि रैंक गिरावट "सुचारू और आंशिक" (smooth and partial) है, जबकि बाइनरी थ्रेशोल्डिंग "तीव्र और असंतत" (sharp and discontinuous) एड्रेस परिवर्तन का कारण बनती है, जो रैंक-ऑर्डर को निरंतर लर्निंग के दौरान क्वेरी नॉइज़ की प्रकृति के प्रति अधिक मजबूत बनाती है।

4. ऊर्जा और वास्तविक डेटा निष्कर्ष

ऊर्जा: कंपोनेंट स्तर पर, Rank-Order एनकोडिंग (आदर्श समानांतर सॉर्ट हार्डवेयर मानते हुए) SpikingMamba के SI-LIF की तुलना में $D=4$ पर 2 गुना अधिक ऊर्जा-कुशल है। हालांकि, सिस्टम-लेवल लागत (एड्रेस डिकोडर ट्रैवर्सल) आर्किटेक्चर में हावी रहती है, जिससे एनकोडिंग अनुकूलन एक माध्यमिक प्राथमिकता बन जाती है।
वास्तविक डेटा: GloVe-100 एम्बेडिंग्स पर, एनकोडिंग-ओनली लाभ सिंथेटिक परिणामों के समान था (+0.1 से +0.4pp, उच्च नॉइज़ पर महत्वपूर्ण)। सेंटेंस एम्बेडिंग्स (MiniLM) पर, एक सीलिंग इफेक्ट देखा गया जहाँ लो मेमोरी लोड के कारण सभी स्कीम्स ने >0.999 रिकॉल प्राप्त किया, जिससे एनकोडिंग के अंतर छिप गए।

महत्व और दावे

पेपर तीन प्राथमिक योगदानों का दावा करता है जो CALM जैसे मेमोरी-ऑगमेंटेड AI सिस्टम के डेवलपर्स को व्यावहारिक मार्गदर्शन प्रदान करते हैं:

सत्यापन: यह पुष्टि करता है कि 2007 के Rank-Order SDM आर्किटेक्चर के सैद्धांतिक गुण आधुनिक पुन: कार्यान्वयन के तहत भी कायम हैं, विशेष रूप से व्हील-मॉडल स्पाइकिंग न्यूरॉन और अमूर्त रैंक-वेटेड डॉट प्रोडक्ट की समानता।
मैकेनिज्म डिकंपोजिशन: यह स्पष्ट करता है कि Rank-Order SDM की मजबूती केवल प्रतिनिधित्व (एनकोडिंग) के कारण नहीं है, बल्कि यह MAX-Hebbian लर्निंग रूल पर बहुत अधिक निर्भर है। CALM डेवलपर्स के लिए, इसका अर्थ है कि केवल एनकोडर को बदलने से केवल मामूली लाभ होगा; पूर्ण मजबूती क्षमता प्राप्त करने के लिए, एनकोडर और राइट रूल (एक्यूमुलेटिव काउंटर्स को MAX-Hebbian अपडेट से बदलना) दोनों को बदलना आवश्यक है।
डिज़ाइन मार्गदर्शन: पेपर का तर्क है कि प्रतिनिधित्व डिज़ाइन उतना ही महत्वपूर्ण है जितना कि मेमोरी आर्किटेक्चर। हालांकि एनकोडिंग-ओनली लाभ मामूली (+1-5pp) है, यह सुसंगत और दिशात्मक रूप से सही है, जो सुझाव देता है कि निरंतर एम्बेडिंग परटर्बेशन वाले ऑनलाइन लर्निंग परिदृश्यों के लिए साधारण थ्रेशोल्डिंग की तुलना में सापेक्ष परिमाण जानकारी (रैंक-ऑर्डरिंग के माध्यम से) को संरक्षित करना बेहतर है।

लेखक निष्कर्ष निकालते हैं कि हालांकि Rank-Order N-of-M कोड्स थ्रेशोल्ड-बाइनरी एनकोडिंग का एक ठोस, सैद्धांतिक रूप से सुदृढ़ विकल्प प्रदान करते हैं, लेकिन लर्निंग रूल नॉइज़ रोबस्टनेस का प्रमुख कारक है। CALM जैसे सिस्टम के लिए सबसे तात्कालिक कार्रवाई योग्य कदम रैंक-ऑर्डर एनकोडिंग को अपनाना है, जिसे वैकल्पिक रूप से निरंतर एम्बेडिंग अपडेट के तहत रिट्रीवल स्थिरता में सुधार के लिए MAX-Hebbian लर्निंग के साथ जोड़ा जा सकता है।