⚡ electrical engineering

Input-to-State Stability Certification via Projection Residuals for Koopman Learning Control of Nonlinear Repetitive Systems

यह शोध पत्र अज्ञात गैररेखीय पुनरावृत्ति प्रणालियों (nonlinear repetitive systems) के कूप्मन लर्निंग कंट्रोल (Koopman learning control) के लिए एक डेटा-संचालित इनपुट-टू-स्टेट स्टेबिलिटी (ISS) प्रमाणन ढांचा स्थापित करता है, जो यह प्रदर्शित करता है कि परिमित परीक्षण क्षितिजों (finite trial horizons) पर व्यावहारिक स्थिरता न केवल भविष्यवाणी की सटीकता पर, बल्कि महत्वपूर्ण रूप से चैनल मार्जिन और प्रोजेक्शन अवशेषों (projection residuals) के स्पष्ट लेखांकन पर निर्भर करती है।

मूल लेखक: Yue Wu, Ye Cao, Jianfu Cao

प्रकाशित 2026-07-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yue Wu, Ye Cao, Jianfu Cao

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 रोबोट को एक दोहराव वाला कार्य (repetitive task) करना सिखा रहे हैं, जैसे कि बक्सेों को एक के ऊपर एक रखना या कार के दरवाजे पर पेंट करना। आप चाहते हैं कि रोबोट हर बार कोशिश करने पर (हर "ट्रायल" में) बेहतर होता जाए। इसे इटरेटिव लर्निंग कंट्रोल (Iterative Learning Control) कहा जाता है।

हालाँकि, रोबोट को दुनिया के सटीक भौतिक विज्ञान (physics) का ज्ञान नहीं है (यह "अज्ञात" है)। इसलिए, वह अगले प्रयास के लिए अपनी गतिविधियों को कैसे समायोजित किया जाए, यह समझने के लिए पिछले डेटा पर आधारित एक "स्मार्ट अनुमान" मॉडल (जिसे कोपमैन मॉडल (Koopman model) कहा जाता है) का उपयोग करता है।

समस्या यह है: सिर्फ इसलिए कि रोबोट का मॉडल भविष्य की अच्छी भविष्यवाणी करता है, इसका मतलब यह नहीं है कि रोबोट वास्तव में कार्य में बेहतर होगा। मॉडल सटीक हो सकता है, लेकिन यदि रोबोट शारीरिक रूप से प्रतिबंधित है (जैसे कि एक कार जो एकदम से मुड़ नहीं सकती) या यदि डेटा थोड़ा गलत है, तो रोबोट वास्तव में और खराब हो सकता है या क्रैश हो सकता है।

यह पेपर एक "सुरक्षा निरीक्षक" (safety inspector) की तरह है जो यह जाँचता है कि रोबोट की सीखने की योजना वास्तव में सुरक्षित है या नहीं, इससे पहले कि वह शुरू हो। यह रोबोट को सीखने का एक नया तरीका नहीं बताता; इसके बजाय, यह एक गणितीय "प्रमाणपत्र" (certificate) प्रदान करता है जो गारंटी देता है कि रोबोट पटरी से नहीं उतरेगा।

यहाँ यह पेपर सरल उपमाओं (analogies) का उपयोग करके सुरक्षा जाँच को कैसे समझाता है:

1. "सुरक्षा प्रमाणपत्र" (इनपुट-टू-स्टेट स्टेबिलिटी)

रोबोट की सीखने की प्रक्रिया को एक पहाड़ी से लुढ़कती हुई गेंद के रूप में सोचें।

लक्ष्य: हम चाहते हैं कि गेंद लुढ़कना बंद कर दे और एक छोटी, सुरक्षित घाटी ( "अल्टीमेट बैंड") में स्थिर हो जाए।
खतरा: हवा, झटके और ऊबड़-खाबड़ ज़मीन (डिस्टर्बेंस, शोर और मॉडल त्रुटियां) गेंद को धक्का देते रहते हैं।
प्रमाणपत्र: लेखक सिद्ध करते हैं कि इन सभी झटकों के बावजूद, गेंद अंततः उस सुरक्षित घाटी में स्थिर हो जाएगी, बशर्ते कि पहाड़ी का "ढलान" पर्याप्त तीव्र हो। वे गणना करते हैं कि सड़क कितनी ऊबड़-खाबड़ है, इसके आधार पर वह घाटी कितनी बड़ी होगी।

2. तीन बड़ी जाँचें

पेपर का तर्क है कि आप केवल यह देखकर कि मॉडल भविष्य की कितनी अच्छी भविष्यवाणी करता (भविष्यवाणी सटीकता), काम नहीं चला सकते। आपको सुरक्षा प्रमाणपत्र प्राप्त करने के लिए तीन विशिष्ट परीक्षणों को पास करना होगा:

A. "वीक चैनल" जाँच (क्या रोबोट वास्तव में यह कर सकता है?)

कल्पना कीजिए कि आप एक डिलीवरी ड्राइवर से एक भारी सोफे को एक विशिष्ट स्थान पर ले जाने के लिए कहते हैं।

मॉडल: ड्राइवर के पास एक सटीक नक्शा है और वह जानता है कि सोफा कहाँ है।
समस्या: सोफा बहुत भारी है, या गलियारा बहुत संकीरा है। सटीक नक्शे के साथ भी, ड्राइवर सोफे को उस सटीक स्थान पर नहीं ले जा सकता।
पेपर का अंतर्दृष्टि: यदि रोबोट का "चैनल" (उसकी कमांड को मूवमेंट में बदलने की क्षमता) "कमजोर" है (जैसे एक संकरा गलियारा), तो सुरक्षा प्रमाणपत्र विफल हो जाता है, भले ही नक्शा एकदम सही हो। यह पेपर जाँचता है कि क्या रोबोट के पास उस अनुरोधित गतिविधि को करने के लिए पर्याप्त "मांसपेशियां" और जगह है।

B. "प्रोजेक्शन रेसिडुअल" जाँच (अगम्य लक्ष्य)

कभी-कभी, रोबोट ऐसी गतिविधि की मांग करता है जो उसके प्रतिबंधों के कारण शारीरिक रूप से असंभव है (जैसे कि एक कार से तुरंत 90 डिग्री मुड़ने के लिए कहना)।

उपमा: कल्पना कीजिए कि आप एक टैक्सी ड्राइवर को कहते हैं, "ठीक बिंदु X पर जाओ।" लेकिन बिंदु X एक बंद इमारत के अंदर है। ड्राइवर उसके करीब तो पहुँच सकता है, लेकिन वहाँ तक नहीं।
पेपर की अंतर्दृष्टि: "प्रोजेक्शन रेसिडुअल" उस दूरी को दर्शाता है जहाँ रोबोट जाना चाहता है और वह सबसे करीबी बिंदु जहाँ वह वास्तव में पहुँच सकता है। पेपर इस "अगम्य अंतर" को एक गारंटीकृत त्रुटि के रूपए मानता है। यह इस अंतर को सुरक्षा बजट में जोड़ देता है, जिससे यह सुनिश्चित होता है कि अंतिम "सुरक्षित घाटी" इस अंतर को कवर करने के लिए पर्याप्त बड़ी हो।

C. "रियल-वर्ल्ड नॉइज़" जाँच (कैलिब्रेशन)

रोबोट डेटा से सीखता है, लेकिन वास्तविक जीवन अव्यवस्थित है।

उपमा: आप एक नए कार का परीक्षण एक चिकने ट्रैक (कैलिब्रेशन) पर करते हैं, लेकिन आप इसे ऊबड़-खाबड़ शहर की सड़कों (डिप्लॉयमेंट) पर चलाएंगे।
पेपर की अंतर्दृष्टि: लेखक यह मापने के लिए कि वास्तविक दुनिया परीक्षण ट्रैक से कितनी भिन्न हो सकती है, एक सांख्यिकीय ट्रिक (जिसे "स्प्लिट-कॉन्फॉर्मल प्रेडिक्शन" कहा जाता है) का उपयोग करते हैं। वे इस अंतर को ध्यान में रखते हुए एक "सुरक्षा मार्जिन" जोड़ते हैं, जिससे यह सुनिश्चित होता है कि रोबोट सुरक्षित रहे, भले ही वास्तविक दुनिया परीक्षण ट्रैक से थोड़ी खराब हो।

3. परिणाम: एक "सुरक्षित क्षेत्र" (Safe Zone)

रोबोट को परफेक्ट (शून्य त्रुटि) होने का वादा करने के बजाय, यह पेपर रोबोट को एक गारंटीकृत सुरक्षित क्षेत्र के भीतर रहने का वादा करता है।

यदि रोबोट बड़ी गलती के साथ शुरू करता है, तो वह तेजी से कम होगी।
अंततः, यह त्रुटि की एक छोटी, अनुमानित सीमा के भीतर स्थिर हो जाएगी।
इस सीमा का आकार मॉडल की सटीकता, रोबोट की भौतिक सीमाओं और अपेक्षित शोर के आधार पर शुरू होने से पहले ही गणना किया जाता है।

"प्रमाणपत्र" का सारांश

पेपर कहता है: "केवल मॉडल की भविष्यवाणी पर भरोसा न करें। यह जाँचें कि क्या रोबोट शारीरिक रूप से लक्ष्य तक पहुँच सकता है, यह जाँचें कि क्या लक्ष्य उसके प्रतिबंधों के लिए बहुत दूर है, और वास्तविक दुनिया की अव्यवस्था के लिए एक बफर जोड़ें। यदि आप यह सब करते हैं, तो हम गणितीय रूप से गारंटी दे सकते हैं कि रोबोट सुरक्षित रहेगा और एक विशिष्ट, गणना योग्य सीमा तक पहुँचने के बाद सुधार करना बंद कर देगा।"

यदि इनमें से कोई भी जाँच विफल होती है (जैसे कि चैनल बहुत कमजोर है या अंतर बहुत बड़ा है), तो सिस्टम "नॉट सर्टिफाइड" (Not Certified) कहता है और रोबोट को चलने देने से मना कर देता है, जिससे संभावित विफलता को रोका जा सके। यह "यह काम करेगा, इसकी उम्मीद करने" से बदलकर "यह कितनी अच्छी तरह काम करेगा, इसे जानने" की ओर एक बदलाव है।

तकनीकी सारांश: कोपमान लर्निंग कंट्रोल के लिए प्रोजेक्शन रेसिडुअल्स के माध्यम से इनपुट-टू-स्टेट स्टेबिलिटी प्रमाणन

1. समस्या विवरण

यह शोध पत्र सीमित ट्रायल क्षितिज (finite trial horizons) पर संचालित होने वाले अज्ञात डिस्क्रीट-टाइम नॉनलीनियर रिपिटेटिव सिस्टम्स के लिए डेटा-ड्रिवन कोपमान लर्निंग कंट्रोल के स्थिरता प्रमाणन (stability certification) को संबोधित करता है। क्लासिकल इटरेटिव लर्निंग कंट्रोल (ILC) के विपरीत, जो अक्सर शून्य-त्रुटि अभिसरण (zero-error convergence) या नाममात्र मोनोटोनिक अभिसरण की तलाश करता है, यह कार्य लर्निंग-ट्रायल अक्ष ( $k$ ) के साथ प्रैक्टिकल इनपुट-टू-स्टेट स्टेबिलिटी (ISS) पर केंद्रित है।

पहचाना गया मुख्य संकट यह है कि डेटा-ड्रिवन सेटिंग्स में, एक छोटा प्रेडिक्शन रेसिड्यूल (मॉडल फिट) स्थिरता की गारंटी नहीं देता है। स्थिरता निम्नलिखित पर निर्भर करती है:

चैनल इन्फॉर्मेटिवनेस (Channel Informativeness): चयनित परिमित-क्षित इनपुट-आउटपुट चैनल में एक सकारात्मक मार्जिन (invertibility) होना चाहिए ताकि अनुरोधित आउटपुट सुधार उत्पन्न किया जा सके।
रीचेबिलिटी (Reachability): अनुरोधित आउटपुट इंक्रीमेंट, सीखे गए चैनल के बाधित रीचेबल सेट (constrained reachable set) के भीतर होना चाहिए। यदि नहीं, तो एक प्रोजेक्शन रेसिड्यूल उत्पन्न होता है, जो एक निरंतर विक्षोभ (persistent disturbance) के रूप में कार्य करता है।
परसिस्टेंट परटर्बेशन्स (Persistent Perturbations): रिसेट मिसमैच, नॉन-रिपिटेटिव डिस्टर्बेंस, चैनल आइडेंटिफिकेशन एरर्स, डिप्लॉयमेंट शिफ्ट्स और न्यूमेरिकल टॉलरेंस जैसे कारक ट्रायल्स के दौरान समाप्त नहीं होते हैं।

लक्ष्य एक नियतात्मक प्रमाण (deterministic certificate) का निर्माण करना है जो लर्निंग एरर को एक प्रारंभिक अवस्था से एक स्पष्ट अल्टीमेट बैंड (ultimate band) तक सीमित करता है, कोपमान रेसिडुअल्स, प्रोजेक्शन एरर्स और अनिश्चितताओं को ISS इनपुट्स के रूप में मानता है।

2. कार्यप्रणाली

सिस्टम फॉर्मूलेशन

सिस्टम को एक नॉनलीनियर रिपिटेटिव टास्क के रूप में मॉडल किया गया है जहाँ स्टेट $x_k(t)$ , इनपुट $u_k(t)$ , और आउटपुट $y_k(t)$ एक विदिन-ट्रायल होराइजन $t \in \{0, \dots, N-1\}$ और एक ट्रायल इंडेक्स $k$ पर विकसित होते हैं। कंट्रोलर ट्रायल-दर-ट्रायल इनपुट्स को अपडेट करने के लिए एक फ्रोजन कोपमान ऑपरेटर एप्रोक्सिमेशन (EDMDc के माध्यम से) का उपयोग करता है।

लर्निंग डायनेमिक्स को ट्रायल अक्ष पर एक डिस्क्रीट-टाइम सिस्टम के रूप में तैयार किया गया है:
$\bar{E}_k = \Lambda \bar{E}_{k-1} + r_k$
जहाँ $\bar{E}_k$ चयनित स्टैक्ड ट्रैकिंग एरर है, $\Lambda$ एक लर्निंग मैट्रिक्स है जिसका $\|\Lambda\|_\infty < 1$ है, और $r_k$ सभी परटर्बेशन स्रोतों को एकत्रित करता है।

प्रमाण के प्रमुख घटक

लेखक परटर्बेशन टर्म $r_k$ (ISS इनपुट) को विशिष्ट, ऑडिट करने योग्य घटकों में विभाजित करते हैं:

कोपमान रेसिडुअल्स ( $\omega_k$ ): मॉडल मिसमैच और नॉन-रिपिटेटिव डिस्टर्बेंस।
प्रोजेक्शन रेसिडुअल्स ( $p_k$ ): अनुरोधित आउटपुट इंक्रीमेंट और सीखे गए चैनल के बाधित रीचेबल सेट के बीच की दूरी। यह एक संरचनात्मक सीमा है, न कि केवल एक न्यूमेरिकल एरर।
चैनल अनसर्टेन्टी ( $\Delta G_k \Delta U_k$ ): सीखे गए परिमित-क्षित चैनल मैट्रिक्स में त्रुटियां।
रिसेट/ऑब्जर्वेबिलिटी परटर्बेशन्स ( $\Delta O_k \Delta z_{k,0}$ ): प्रारंभिक स्थितियों और ऑब्जर्वेबिलिटी में मिसमैच।
डिप्लॉयमेंट शिफ्ट्स और न्यूमेरिकल टॉलरेंस: कैलिब्रेशन और डिप्लॉयमेंट डिस्ट्रीब्यूशन्स के बीच अंतर, और सॉल्वर एरर्स।

सर्टिफिकेशन प्रोटोकॉल

पेपर एक रिजेक्शन-केपेबल सर्टिफिकेशन प्रोसीजर (एल्गोरिदम 1) प्रस्तावित करता है जो तैनाती से पहले एक कैंडिडेट कंट्रोलर को मान्य करता है:

मॉडल फिटिंग: आइडेंटिफिकेशन डेटा से कोपमान मैट्रिसेस को सीखें।
मार्जिन वेरिफिकेशन: जाँचें कि क्या चयनित चैनल में एक सकारात्मक लोअर सिंगुलर वैल्यू मार्जिन ( $\sigma_{\min} - \epsilon > 0$ ) है। यदि नहीं, तो कैंडिडेट को खारिज कर दिया जाता है (कमजोर-चैनल नॉन-सर्टिफिएबिलिटी)।
प्रोजेक्शन ऑडिट: प्रमाणित अनुरोध सेट पर वर्स्ट-केस प्रोजेक्शन बजट की गणना करें।
इनवेरियंस चेक: सत्यापित करें कि कॉन्ट्रैक्शन कंडीशन $\lambda R + P(R, \bar{Z}_0) + \bar{\xi} \leq R$ बनी रहती है, जिससे यह सुनिश्चित होता है कि एरर एक प्रमाणित बॉल के भीतर रहता है।
फिनाइट-सैंपल कैलिब्रेशन: निर्दिष्ट रिस्क लेवल के साथ कम्पलीट-एपिसोड रेसिड्यूल स्कोर को बाउंड करने के लिए स्प्लिट-कॉन्फोर्मल प्रेडिक्शन का उपयोग करें।

सैद्धांतिक परिणाम

थ्योरम 1 (डिटरमिनिस्टिक प्रैक्टिकल ISS): यह स्थापित करता है कि यदि चैनल मार्जिन सकारात्मक है और परटर्बेशन्स बाउंडेड हैं, तो लर्निंग एरर एक अल्टीमेट बैंड $\Delta_{ISS} = \bar{w} / (1-\lambda)$ की ओर ज्यामितीय रूप से अभिसरित होता है, जहाँ $\bar{w}$ एक एग्रीगेट परटर्बेशन बजट है।
थ्योरम 2 (फिनाइट-सैंपल ISS बजट): कॉनफोर्मल रेसिड्यूल स्कोर को चैनल अनसर्टेन्टी, प्रोजेक्शन रेसिड्यूल्स और डिप्लॉयमेंट शिफ्ट्स के डिटरमिनिस्टिक बाउंड्स के साथ जोड़कर $\bar{w}$ पर एक प्रोबेबिलिस्टिक बाउंड प्रदान करता है।

3. प्रमुख योगदान

प्रैक्टिकल ISS फॉर्मूलेशन: पेपर कोपमान लर्निंग कंट्रोल स्टेबिलिटी को ट्रायल अक्ष के साथ एक प्रैक्टिकल ISS समस्या के रूप में तैयार करता है, जो मॉडल फिट को लर्निंग सर्टिफिएबिलिटी से स्पष्ट रूप से अलग करता है।
प्रोजेक्शन रेसिड्यूल्स को स्टेबिलिटी ऑब्जेक्ट के रूप में पहचानना: यह प्रोजेक्शन रेसिड्यूल्स और सिलेक्टेड-चैनल मार्जिन्स को आवश्यक सर्टिफिकेट ऑब्जेक्ट्स के रूप में पहचानता है। यह प्रदर्शित करता है कि एक प्रेडिक्टर जिसमें कम रेसिड्यूल्स हों, फिर भी स्थिरता प्रमाणन में विफल हो सकता है यदि चैनल कमजोर है या अनुरोध अप्राप्य (unreachable) है।
कंप्यूटेबल सर्टिफिकेट बजट: लेखक एक स्पष्ट अल्टीमेट बैंड बनाने का तरीका प्रदान करते हैं जो निम्नलिखित को जोड़ता है:
- कम्पलीट-एपिसोड रेसिड्यूल कैलिब्रेशन (स्प्लिट-कॉनफोर्मल मेथड्स के माध्यम से)।
- परिमित-क्षित चैनल और रिसेट मार्जिन्स।
- प्रोजेक्शन रेसिड्यूल्स।
- इम्प्लीमेंटेशन मार्जिन्स (शिफ्ट, न्यूमेरिकल)।
ऑडिट फ्रेमवर्क: एक न्यूमेरिकल ऑडिट फ्रेमवर्क विकसित किया गया है जो केवल ट्रैकिंग प्रदर्शन की तुलना करने के बजाय सिद्धांत के प्रत्येक घटक (रेसिड्यूल-टू-बैंड स्केलिंग, वीक-चैनल रिजेक्शन, प्रोजेक्शन क्लोजर, और अल्टीमेट-बैंड कवरेज) को सत्यापित करता है।

4. संख्यात्मक परिणाम और सत्यापन

पेपर चार नॉनलीनियर रिपिटेटिव सिस्टम्स पर सिद्धांत को मान्य करता है: एक डफिंग ऑसिलेटर (क्लोज्ड-लूप और बजट ऑडिट), एक क्यूबिक डैम्पिंग ऑसिलेटर, और एक नॉनलीनियर सर्वो।

रेसिड्यूल-टू-बैंड स्केलिंग: प्रयोग पुष्टि करते हैं कि डिस्टर्बेंस, नॉइज़, या मॉडल मिसमैच बढ़ाने से प्रमाणित अल्टीमेट बैंड रैखिक रूप से बढ़ता है, जो ISS गेन $\gamma(s) = s/(1-\lambda)$ के अनुरूप है।
वीक-चैनल रिजेक्शन: "कमजोर" चयनित चैनलों (लो सिंगुलर वैल्यूज) वाले मामलों को सर्टिफिकेट द्वारा सही ढंग से खारिज कर दिया जाता है, भले ही उनके प्रेडिक्शन रेसिड्यूल्स छोटे हों। यह दर्शाता है कि प्रेडिक्शन सटीकता अकेले पर्याप्त नहीं है।
प्रोजेक्शन क्लोजर: ऑडिट यह सत्यापित करता है कि अनुरोधित आउटपुट करेक्शन, प्रमाणित उम्मीदवारों के लिए बाधित रीचेबल सेट के भीतर रहते हैं।
अल्टीमेट बैंड कवरेज: सफल ट्रायल्स में, ट्रैकिंग एरर एक प्रमाणित फिनाइट-एंट्री इंडेक्स के बाद सैद्धांतिक रूप से अनुमानित अल्टीमेट बैंड के भीतर प्रवेश करता है और बना रहता है।
एब्लेशन स्टडीज: पेपर दिखाता है कि "नॉमिनल" कंट्रोलर्स (जीरो रेसिड्यूल बजट) सर्टिफिकेशन में विफल हो जाते हैं, जबकि वही कंट्रोलर्स प्रमाणित होने योग्य बन जाते हैं जब कैलिब्रेटेड रेसिड्यूल बजट को शामिल किया जाता है। इसके विपरीत, बजट को कंजर्वेटिव रूप से बढ़ाने से अल्टीमेट बैंड विस्तृत हो जाता है, जिससे कवरेज बना रहता है।

5. महत्व और दावे

पेपर दावा करता है कि यह कोपमान लर्निंग कंट्रोल के लिए एक व्यावहारिक, डेटा-ड्रिवन स्थिरता प्रमाण प्रदान करता है जो पारंपरिक अभिसरण विश्लेषण से भिन्न है।

चिंताओं का पृथक्करण (Separation of Concerns): यह मॉडल फिट (प्रेडिक्शन रेसिड्यूल्स) को कंट्रोल सर्टिफिएबिलिटी (चैनल मार्जिन्स और रीचेबिलिटी) से कठोरता से अलग करता है। एक अच्छा प्रेडिक्टर अपने आप में एक स्थिर कंट्रोलर नहीं होता है।
स्पष्ट बाउंड्स: एसिम्प्टोटिक परिणामों के विपरीत, यह विधि तैनाती से पहले ट्रैकिंग एरर पर एक स्पष्ट, कंप्यूट करने योग्य अल्टीमेट बाउंड प्रदान करती है, जो फाइनाइट डेटा, बाधाओं और निरंतर डिस्टर्बेंस को ध्यान में रखती है।
गैर-आदर्श स्थितियों के प्रति मजबूती: फ्रेमवर्क रिसेट मिसमैच, डिप्लॉयमेंट शिफ्ट्स और न्यूमेरिकल टॉलरेंस को स्पष्ट रूप से शामिल करता है, उन्हें ISS इनपुट्स के रूप में मानता है न कि यह मानकर कि वे समाप्त हो जाएंगे।
सीमित दायरा: लेखक इस बात पर जोर देते हैं कि यह एक फिनाइट-होराइजन, टास्क-प्रोटोकॉल डिपेंडेंट सर्टिफिकेट है। यह किसी भी मनमाने सीखे गए कंट्रोलर के लिए सार्वभौमिक स्थिरता का दावा नहीं करता है, बल्कि परिभाषित प्रोटोकॉल के तहत विशिष्ट, फ्रोजन कंट्रोल कॉन्फ़िगरेशन के लिए एक कठोर ऑडिट ट्रेल प्रदान करता है।

कार्य यह निष्कर्ष निकालता है कि कोपमान लर्निंग कंट्रोल को केवल तभी स्थिर रूप से प्रमाणित किया जा सकता है जब मॉडल रेसिड्यूल्स, प्रोजेक्शन रेसिड्यूल्स और चैनल मार्जिन्स को अलग-अलग, ऑडिट करने योग्य स्थिरता मात्राओं के रूप में रिपोर्ट किया जाए।