🤖 machine learning

PIT-SUN: A Deployable Empirical Marginal Transform Framework with Expectation-Consistent Recovery for Regression in Recommender Systems

यह शोध पत्र PIT-SUN को प्रस्तुत करता है, जो एक तैनात करने योग्य ढांचा (deployable framework) है जो प्रशिक्षण को स्थिर करने के लिए प्रोबेबिलिटी-इंटीग्रल-ट्रांसफॉर्म को लागू करके और मूल-स्थान के प्रत्याशित मानों (expectations) का सटीक अनुमान लगाने के लिए एक मल्टीप्लिकेटिव SUN रिकवरी पद्धति का उपयोग करके, सीधे व्युत्क्रमण (direct inversion) की सीमाओं के बिना, अनुशंसा प्रणालियों में रिग्रेशन के लिए प्रत्याशा-संगत रिकवरी (expectation-consistent recovery) प्राप्त करता है।

मूल लेखक: Mingyu Zhao, Zhaohan Li, Zhenxiong Miao, Xu Zhang, Dewei Leng, Yanan Niu, Kun Gai

प्रकाशित 2026-07-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mingyu Zhao, Zhaohan Li, Zhenxiong Miao, Xu Zhang, Dewei Leng, Yanan Niu, Kun Gai

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 विशाल वीडियो ऐप चला रहे हैं, और आपका काम यह अनुमान लगाना है कि एक उपयोगकर्ता एक वीडियो को कितनी देर तक देखेगा या वह कितना पैसा खर्च कर सकता है। यह रिकमेंडेशन सिस्टम में "रिग्रेशन" (regression) की समस्या है। PIT-SUN नामक पेपर एक पेचीदा पहेली को सुलझाता है: आप अपने अनुमानों को सटीक कैसे बना सकते हैं जब डेटा अव्यवस्थित हो, शून्य (zeros) से भरा हो, और उसमें अप्रत्याशित उछाल (spikes) हों?

समस्या: वह "रूलर" जो टूट जाता है

एक मानक रूलर (standard ruler) से पहाड़ों की एक श्रृंखला को मापने की कोशिश करने के बारे में सोचें। अधिकांश समय, आप छोटी पहाड़ियों (कम वॉच टाइम) को माप रहे होते हैं, लेकिन कभी-कभी, आप एक विशाल शिखर (जैसे कोई लगातार 10 घंटे तक देख रहा हो) या एक गहरी घाटी (शून्य वॉच टाइम) से टकरा जाते हैं।

यदि आप एक मानक रूलर (यानी "Original-Space MSE" विधि) के साथ सब कुछ मापने की कोशिश करते हैं, तो आपके माप डगमगाने लगते हैं। विशाल शिखर आपके रूलर को इतनी ज़ोर से खींचते हैं कि आपका औसत अनुमान ढह जाता है, और छोटी पहाड़ियाँ दब जाती हैं। अंततः, आप भविष्यवाणी करते हैं कि हर कोई एक उबाऊ औसत समय तक ही देखेगा, जिससे आप बड़े उछालों और ज़ीरो को पूरी तरह से मिस कर देते हैं।

विफल शॉर्टकट: "जादुई खिंचने वाला रूलर" (Magic Stretchy Ruler)

कई लोगों ने इसे ठीक करने के लिए एक "जादुई खिंचने वाले रूलर" (लॉग या स्क्वायर रूट जैसे गणितीय रूपांतरण) का उपयोग करने की कोशिश की। यह रूलर विशाल पहाड़ों को इतना सिकोड़ देता है कि वे आपकी मेज पर फिट हो सकें, जिससे गणित आसान हो जाता है।

यहाँ वह पेच है जिसे पेपर स्पष्ट रूप से खारिज करता है: आप पहाड़ों को केवल सिकोड़ नहीं सकते, उन्हें माप नहीं सकते, और फिर केवल परिणाम को "अन-स्ट्रेच" (un-stretch) करके वास्तविक उत्तर प्राप्त नहीं कर सकते। पेपर गणितीय रूप से सिद्ध करता है कि यदि आप अपने रूलर को गैर-रेखीय (non-linear) तरीके से खींचते हैं (उछालों को संभालने के लिए), तो केवल स्ट्रेच को रिवर्स करना आपको सही औसत नहीं देगा। यह एक रबर बैंड को खींचने, उस पर एक निशान लगाने और फिर यह मानने जैसा है कि छोड़ने पर वह निशान अपनी मूल जगह पर वापस आ जाएगा। ऐसा नहीं होता। पेपर दिखाता है कि जब तक आपका स्ट्रेच पूरी तरह से एक सीधी रेखा (जो उछालों को संभालने के उद्देश्य को ही खत्म कर देगी) नहीं है, तब तक यह सीधा "अन-स्ट्रेचिंग" गणितीय रूप से त्रुटिपूर्ण है।

समाधान: "दो-चरणीय जीपीएस" (Two-Step GPS - PIT-SUN)

लेखक PIT-SUN (Probability-Integral-TranSformed Unbiased recovery) नामक एक नया फ्रेमवर्क प्रस्तावित करते हैं। रूलर को ठीक करने के बजाय, वे एक दो-चरणीय जीपीएस सिस्टम बनाते हैं।

चरण 1: "रैंकिंग मैप" (निर्देशांक)
सबसे पहले, वे वास्तविक संख्याओं (जैसे "5 मिनट" या "$50") को अनदेखा करते हैं और केवल रैंक (rank) देखते हैं। वे पूछते हैं: "क्या यह उपयोगकर्ता शीर्ष 10% देखने वालों में है? या निचले 5% में?" वे प्रत्येक अव्यवस्थित डेटा पॉइंट को -3 और +3 के बीच एक साफ, सीमित स्कोर में बदल देते हैं (जैसे एक स्टैंडर्ड नॉर्मल स्कोर)। यह जंगली, ऊबड़-खाबड़ पहाड़ों को एक चिकनी, प्रबंधनीय पहाड़ी में बदल देता है। यह "PIT" वाला हिस्सा है। यह लर्निंग को स्थिर करता है ताकि AI भ्रमित न हो।

चरण 2: "रिकवरी बेस" (The SUN)
अब, AI के पास रैंक का एक बेहतरीन मैप है, लेकिन उसे अभी भी वास्तविक मूल्य जानने की आवश्यकता है। यहीं "SUN" वाला हिस्सा आता है। केवल रूलर को अन-स्ट्रेच करने के बजाय, AI एक विशेष "रिकवरी बेस" का उपयोग करता है।
इसे एक कैलिब्रेटेड एंकर (calibrated anchor) के रूप में सोचें। AI अपने द्वारा अनुमानित रैंक को देखता है और पूछता है, "इस विशिष्ट रैंक के इतिहास के आधार पर, इससे जुड़ा औसत वास्तविक मूल्य क्या है?" यह अंतिम भविष्यवाणी प्राप्त करने के लिए रैंक को इस एंकर से गुणा करता है।

महत्वपूर्ण बात यह है कि पेपर दिखाता है कि इस एंकर को फ्रीज (एक "stop-gradient" ट्रिक का उपयोग करके) किया जाना चाहिए जबकि AI अनुपात (ratio) सीख रहा होता है। यदि एंकर घूमता रहता है जबकि AI अनुपात सीखने की कोशिश कर रहा है, तो पूरा सिस्टम भ्रमित हो जाता है। इस एंकर को लॉक करके, AI सुरक्षित रूप से साफ रैंक को वास्तविक डॉलर राशि या समय में बदलना सीख सकता है।

क्या पेपर सिद्ध करता है और मापता है

लेखकों ने केवल यह अनुमान नहीं लगाया कि यह काम करेगा; उन्होंने इसे हर जगह परखा:

सिमुलेशन: उन्होंने अजीब, अव्यवस्थित डेटा आकृतियों (कुछ में बड़े उछाल, कुछ में बहुत सारे ज़ीरो) के साथ 12 अलग-अलग नकली दुनिया बनाई। हर एक में, PIT-SUN स्थिर रहा जबकि अन्य विधियां क्रैश हो गईं या पक्षपाती (biased) उत्तर दिए।
पब्लिक बेंचमार्क्स: उन्होंने दो वास्तविक सार्वजनिक डेटासेट्स (CIKM16 और DTMart) पर इसका परीक्षण किया। PIT-SUN ने मौजूदा सर्वोत्तम मॉडलों को पछाड़ दिया, जिससे सटीकता में मापने योग्य सुधार हुआ (जैसे त्रुटि दरों को काफी कम करना)।
रियल-वर्ल्ड इंडस्ट्रियल डेटा: उन्होंने "ड्वेल टाइम" (देखने का समय) और "GMV" (सकल व्यापार मूल्य) की भविष्यवाणी करने के लिए कुआईशौ (Kuaishou - एक विशाल वीडियो प्लेटफॉर्म) में इसे तैनात किया।
- ड्वेल टाइम के लिए, PIT-SUN ने त्रुटि (NMAE) को 0.477 तक कम कर दिया, जो अगले सर्वश्रेष्ठ (CCOR-Net 0.487) से बेहतर है।
- GMV (जो ज़ीरो से भरा है) के लिए, PIT-SUN-ZI (ज़ीरो-हैवी डेटा के लिए एक संस्करण) ने 0-AUC का 0.902 हासिल किया, जो अगले सर्वश्रेष्ठ से काफी बेहतर है।
ऑनलाइन A/B टेस्ट: उन्होंने 7 दिनों तक एक लाइव प्रयोग चलाया। परिणामों ने "वॉचिंग टाइम" (0.318% की वृद्धि) और "वीडियो व्यू काउंट" (0.265% की वृद्धि) में सांख्यिकीय रूप से महत्वपूर्ण बढ़त दिखाई। पेपर नोट करता है कि हालांकि विज्ञापन राजस्व में एक सकारात्मक रुझान दिखा, लेकिन यह सांख्यिकीय रूप से महत्वपूर्ण नहीं था, इसलिए वे केवल जुड़ाव (engagement) की बढ़त का दावा करते हैं।

मुख्य निष्कर्ष (The Bottom Line)

पेपर सुझाव देता है कि आप केवल "ट्रांसफॉर्म और इनवर्ट" करके अव्यवस्थित डेटा से बाहर नहीं निकल सकते। आपको एक पूर्ण प्रणाली की आवश्यकता है जो स्थिर रैंकिंग को वैल्यू रिकवरी से अलग करती है।

PIT-SUN यही सिस्टम है। यह एक एकल "लुकअप टेबल" (डेटा के वितरण का एक अनुभवजन्य मानचित्र) का उपयोग करता है जो एक साथ तीन काम करता है: स्थिर रैंक को परिभाषित करना, रिकवरी के लिए एंकर प्रदान करना, और ड्रिफ्ट (drift) की निगरानी करना। यह हल्का और तेज़ है (इन्फरेंस में लगभग 14.61 ms लगता है), और यह तब भी काम करता है जब डेटा एक चिकनी पहाड़ी हो या एक ऊबड़-खाबड़ पर्वत श्रृंखला। यह एक टूटे हुए रूलर को एक विश्वसनीय जीपीएस में बदल देता है।

तकनीकी सारांश: PIT-SUN

समस्या विवरण (Problem Statement)

वैल्यू-ड्रिवन रिकमेंडर सिस्टम में, निरंतर व्यावसायिक मेट्रिक्स जैसे कि ड्वेल टाइम (dwell time), सकल व्यापार मूल्य (GMV), और लाइफटाइम वैल्यू (LTV) की भविष्यवाणी करना रैंकिंग और आवंटन के लिए केंद्रीय है। ये लक्ष्य स्वाभाविक रूप से विरल (sparse), हेवी-टेल्ड (heavy-tailed), मल्टीमॉडल (multimodal) और ज़ीरो-इन्फ्लेटेड (zero-inflated) होते हैं।

इस शोध पत्र में पहचाना गया मुख्य द्वंद्व ऑप्टिमाइज़ेशन स्थिरता (optimization stability) और एक्सपेक्टेशन कंसिस्टेंसी (expectation consistency) के बीच का ट्रेड-ऑफ है:

ओरिजिनल-स्पेस MSE: जबकि ओरिजिनल स्पेस में मीन स्क्वेर्ड एरर (MSE) को कम करना सैद्धांतिक रूप से कंडीशनल एक्सपेक्टेशन $m(x) = E[Y|X=x]$ को लक्षित करता है, लेकिन अत्यधिक मानों (extreme values) और ज़ीरो प्लेटो (zero plateaus) के कारण परिमित-नमूना ग्रेडिएंट्स (finite-sample gradients) अस्थिर होते हैं। इससे "मीन कोलैप्स" (mean collapse) या "टेल श्रिंकेज" (tail shrinkage) जैसी स्थितियाँ उत्पन्न होती हैं।
ट्रांसफॉर्मेड स्पेस: मोनोटोनिक ट्रांसफॉर्मेशन (जैसे log, sqrt, Box-Cox) लागू करने से लर्निंग कोऑर्डिनेट तो स्थिर हो जाता है, लेकिन यह रिट्रांसफॉर्मेशन बायस (retransformation bias) पेश करता है। ट्रांसफॉर्म किए गए प्रेडिक्शन का सीधा इनवर्जन, $T^{-1}(E[T(Y)|x])$ , मूल एक्सपेक्टेशन $E[Y|x]$ के बराबर नहीं होता है, जब तक कि $T^{-1}$ एक एफाइन (affine) फंक्शन न हो। हालांकि, एफाइन ट्रांसफॉर्म हेवी-टेल्ड डेटा के लिए आवश्यक बाउंडेड टेल कंप्रेशन प्रदान नहीं कर सकते।

मौजूदा रिकवरी विधियाँ (जैसे TranSUN/GTS) कंडिशनली लीनियर रिकवरी के माध्यम से एक्सपेक्टेशन कंसिस्टेंसी को बहाल करती हैं, लेकिन वे मैनुअल ट्रांसफॉर्म और रिकवरी बेस के चयन पर निर्भर करती हैं। शोध पत्र का तर्क है कि केवल एक मैनुअल ट्रांसफॉर्म को एम्पिरिकल PIT (Probability Integral Transform) से बदलना पर्याप्त नहीं है, जब तक कि एक एकीकृत फ्रेमवर्क (unified framework) के तहत कोऑर्डिनेट, इनवर्स लुकअप, रिकवरी बेस और ड्रिफ्ट मॉनिटरिंग को शामिल न किया जाए।

कार्यप्रणाली (Methodology): PIT-SUN

लेखक PIT-SUN (Probability-Integral-TranSformed Unbiased recovery) प्रस्तावित करते हैं, जो एक डिप्लॉयबल एम्पिरिकल मार्जिनल रिकवरी फ्रेमवर्क है। यह एम्पिरिकल मार्जिनल टेबल को केवल एक ट्रांसफॉर्म के रूप में नहीं, बल्कि एक एकीकृत "क्लोजर" (closure) के रूप में मानता है जो कोऑर्डिनेट, इनवर्स लुकअप, रिकवरी बेस और मॉनिटरिंग मैकेनिज्म को एक साथ परिभाषित करता है।

1. सैद्धांतिक आधार (Theoretical Foundation)

पेपर दो प्रमुख 'इम्पॉसिबिलिटी रिजल्ट्स' (impossibility results) स्थापित करता है:

नॉन-लीनियर डायरेक्ट इनवर्जन: एक नॉन-लीनियर, टेल-कंप्रेसिंग ट्रांसफॉर्म, डायरेक्ट इनवर्जन के तहत सार्वभौमिक रूप से एक्सपेक्टेशन-प्रिजर्विंग नहीं हो सकता है।
PIT-ओनली बायस: एक परफेक्ट PIT कोऑर्डिनेट के साथ भी, डायरेक्ट इनवर्जन $C^{-1}(E[C(Y)|x])$ इनवर्स क्वांटाइल फंक्शन की कर्वेचर (curvature) के कारण व्यवस्थित टेलर बायस (Taylor bias) प्रदर्शित करता है।

2. PIT-SUN क्लोजर (The PIT-SUN Closure)

यह फ्रेमवर्क एक एकल एम्पिरिकल क्युमुलेटिव डिस्ट्रीब्यूशन फंक्शन (CDF) टेबल से प्राप्त तीन युग्मित घटकों से बना है:

एम्पिरिकल PIT कोऑर्डिनेट (Scale-Bounded Learning):
मैनुअल ट्रांसफॉर्म के बजाय, मॉडल एक बाउंडेड नॉर्मल-स्कोर स्पेस में सीखता है। लक्ष्य को एम्पिरिकल CDF $\hat{F}_Y$ के माध्यम से ट्रांसफॉर्म किया जाता है जिसे $[\delta, 1-\delta]$ तक क्लिप किया गया है और फिर स्टैंडर्ड नॉर्मल क्वांटाइल में मैप किया जाता है:
$C(y) = \Phi^{-1}(\text{clip}(\hat{F}_Y(y), \delta, 1-\delta))$
यह हेवी-टेल्ड एम्प्लीट्यूड को बाउंडेड कोऑर्डिनेट्स में बदल देता है, जिससे ग्रेडिएंट्स स्थिर होते हैं।
इनवर्स-क्वांटाइल बेस (Stabilized Recovery):
प्रेडिक्टेड PIT कोऑर्डिनेट को मूल स्केल पर वापस मैप किया जाता है ताकि रिकवरी बेस $b(x)$ बनाया जा सके:
$b(x) = \max(C^{-1}(\bar{f}(x)), b_{min}) + \epsilon$
यहाँ, $C^{-1}$ एम्पिरिकल इनवर्स क्वांटाइल लुकअप है। महत्वपूर्ण रूप से, $b_{min}$ (पॉजिटिव टारगेट्स के क्वांटाइल पर आधारित एक लोअर बाउंड) ज़ीरो-इन्फ्लेटेड क्षेत्रों में डिनोमिनेटर कोलैप्स को रोकता है और रिकवरी लेबल के वेरिएंस को नियंत्रित करता है।
SUN रिकवरी (Conditionally Linear):
एक दूसरा ब्रांच $b(x)$ पर स्टॉप-ग्रेडिएंट (stop-gradient) ऑपरेटर का उपयोग करके प्रोपोर्शनल टारगेट $z(x) \approx E[Y/b(x) | x]$ सीखता है। लॉस (loss) है:
$L_{SUN} = E\left[ \left( z_\psi(x) - \frac{y}{\text{sg}[b(x)]} \right)^2 \right]$
यह सुनिश्चित करता है कि रिकवरी पाथ फिक्स्ड बेस के सापेक्ष कंडिशनली लीनियर हो, जिससे हाई-वैरिएंस रेसिडुअल्स के माध्यम से PIT ज्योमेट्री को खराब किए बिना एक्सपेक्टेशन कंसिस्टेंसी बहाल होती है।
फाइनल प्रेडिक्शन (Final Prediction):
$\hat{y}(x) = z_\psi(x) \cdot b(x)$

3. स्पार्स और ज़ीरो-इन्फ्लेटेड टारगेट्स को हैंडल करना

उन लक्ष्यों के लिए जिनमें अत्यधिक ज़ीरो-इन्फ्लेशन है (जैसे GMV), पेपर PIT-SUN-ZI पेश करता है, जो समस्या को फैक्टराइज़ करता है:

एक हर्डल ब्रांच (hurdle branch) $P(Y > 0 | x)$ का अनुमान लगाती है।
PIT-SUN पॉजिटिव सैंपल्स पर $E[Y | x, Y > 0]$ का अनुमान लगाता है।
फाइनल प्रेडिक्शन ऑकरेंस प्रोबेबिलिटी (occurrence probability) और पॉजिटिव अमाउंट का गुणनफल होता है।

मुख्य योगदान (Key Contributions)

इम्पॉसिबिलिटी-गाइडेड फॉर्मुलेशन: पेपर औपचारिक रूप से सिद्ध करता है कि नॉन-लीनियर स्टेबल कोऑर्डिनेट्स, डायरेक्ट इनवर्जन के तहत एक्सपेक्टेशन-प्रिजर्विंग नहीं हो सकते, जिसके लिए केवल एक बेहतर स्केलर ट्रांसफॉर्म के बजाय एक अलग रिकवरी पाथ की आवश्यकता होती है।
PIT-SUN क्लोजर: यह एक एकीकृत फ्रेमवर्क पेश करता है जहाँ एक एकल एम्पिरिकल CDF टेबल स्टेबल कोऑर्डिनेट, इनवर्स लुकअप, वेरिएंस-कंट्रोल्ड रिकवरी बेस और ड्रिफ्ट मॉनिटर को परिभाषित करती है। यह मैनुअल ह्यूरिस्टिक चॉइस को एक डेटा-ड्रिवन, डिप्लॉयबल क्लोजर से बदल देता है।
एम्पिरिकल वैलिडेशन: विधि को सिंथेटिक डिस्ट्रीब्यूशन्स, पब्लिक बेंचमार्क्स (CIKM16, DTMart), बड़े पैमाने के इंडस्ट्रियल डेटासेट्स (Dwell Time, GMV), और ऑनलाइन A/B टेस्ट के माध्यम से मान्य किया गया है।

प्रयोगात्मक परिणाम (Experimental Results)

सिंथेटिक और पब्लिक बेंचमार्क्स: PIT-SUN विभिन्न मार्जिनल शेप्स (हेवी-टेल्ड, ज़ीरो-इन्फ्लेटेड, मल्टीमॉडल) के लिए मजबूत कैलिब्रेशन (SRE, TRE, MRE द्वारा मापा गया) और रैंकिंग क्वालिटी (xAUC, Gini) प्रदर्शित करता है। यह डिस्ट्रिब्यूशनल मॉडल्स (ZILN, EGMN), डिस्क्रीटाइज्ड मॉडल्स (TPM, CREAD), और मैनुअल रिकवरी बेसलाइन्स (TranSUN) को पीछे छोड़ देता है।
इंडस्ट्रियल ऑफलाइन परिणाम: बड़े पैमाने के ड्वेल टाइम और ज़ीरो-इन्फ्लेटेड GMV डेटासेट्स पर, PIT-SUN सबसे कम पॉइंट एरर्स (NMAE, NRMSE) और सर्वश्रेष्ठ एग्रीगेट कैलिब्रेशन प्राप्त करता है। डायग्नोस्टिक वेरिएंट्स (जैसे PIT-SUN-w/o SUN, PIT-TranSUN) पुष्टि करते हैं कि पूर्ण क्लोजर (बाउंडेड कोऑर्डिनेट + स्टेबलाइज्ड बेस + ग्रेडिएंट आइसोलेशन) आवश्यक है; केवल मौजूदा फ्रेमवर्क्स में एम्पिरिकल PIT को प्लग करने से निम्नतर परिणाम मिलते हैं।
ऑनलाइन A/B टेस्टिंग: एक इंसेंटिव एलोकेशन सिस्टम में तैनात होने पर, PIT-SUN ने ड्वेल टाइम, वीडियो व्यू काउंट्स, और डीपली एंगेज्ड यूजर्स में सांख्यिकीय रूप से महत्वपूर्ण सुधार दिखाया। DAU और एड रेवेन्यू स्थिर रहे, जो दर्शाता है कि मॉडल अन्य व्यावसायिक मेट्रिक्स को नुकसान पहुँचाए बिना एंगेजमेंट में सुधार करता है।
दक्षता (Efficiency): PIT-SUN दो-चरणीय (two-stage) बेसलाइन्स की तुलना में ट्रेनिंग टाइम और इन्फरेंस लेटेंसी (P50/P99) को कम करता है, जिससे यह उच्च-QPS प्रोडक्शन एनवायरनमेंट्स के लिए उपयुक्त बनता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि PIT-SUN टारगेट ट्रांसफॉर्मेशन को एक ह्यूरिस्टिक प्रीप्रोसेसिंग स्टेप के बजाय एक डिप्लॉयबल एम्पिरिकल-मार्जनल क्लोजर के रूप में पुनर्गठित करता है। इसका महत्व इस बात में निहित है कि यह जटिल डिस्ट्रिब्यूशनल धारणाओं या ट्रांसफॉर्म के लिए मैनुअल हाइपरपैरामीटर ट्यूनिंग पर निर्भर किए बिना "स्टेबिलिटी बनाम एक्सपेक्टेशन" के द्वंद्व को हल करता है।

लेखक इस बात पर जोर देते हैं कि यह फ्रेमवर्क मॉडल-अगनॉस्टिक और इंटरप्रिटेबल है, जो हेट्रोजेनियस कंटीन्यूअस टारगेट्स (ड्वेल टाइम, GMV, LTV) के लिए एक व्यावहारिक स्केल-अलाइनर के रूप में कार्य करता है। यह कार्य दर्शाता है कि जटिल, वास्तविक दुनिया के रिग्रेशन कार्यों में पॉइंट एक्यूरेसी और एक्सपेक्टेशन कंसिस्टेंसी दोनों प्राप्त करने के लिए एक पूर्ण, डेटा-ड्रिवन क्लोजर—जिसमें कोऑर्डिनेट, बेस और रिकवरी को एकीकृत किया गया हो—अनिवार्य है।