🤖 machine learning

Learning $\mathsf{AC}^0$ under Locally Sampleable Graphical Models

यह शोधपत्र ट्रंकेटेड ग्लौबर डायनेमिक्स (truncated Glauber dynamics) के माध्यम से एक नए निम्न-डिग्री सन्निकटन (low-degree approximation) को पेश करते हुए, कुशल स्थानीय सैम्पलर्स वाले ग्राफिकल मॉडल्स के तहत $\mathsf{AC}^0$ सर्किट्स को सीखने के लिए एक अर्ध-बहुपद-समय (quasipolynomial-time) एल्गोरिदम प्रस्तुत करता है, जिससे पूर्ववर्ती लर्निंग गारंटियों को बिना किसी बहुपद वृद्धि (polynomial growth) की आवश्यकता के, मनमाने बाउंडेड-डिग्री ग्राफ्स तक विस्तारित किया जा सके।

मूल लेखक: Weiming Feng, Xiongxin Yang, Yixiao Yu, Yiyao Zhang

प्रकाशित 2026-07-10

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Weiming Feng, Xiongxin Yang, Yixiao Yu, Yiyao Zhang

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 बहुत ही भीड़भाड़ वाले, अराजक कमरे में पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं। कमरा लोगों (variables) से भरा है जो अपने पड़ोसियों के साथ फुसफुसा रहे हैं। यदि आप किसी एक व्यक्ति को चिल्लाकर सवाल पूछते हैं, तो उनके द्वारा दिया गया उत्तर इस बात पर बहुत निर्भर करता है कि उनके दोस्त क्या कह रहे हैं। इसे वैज्ञानिक गिब्स डिस्ट्रीब्यूशन (Gibbs distribution) या ग्राफिकल मॉडल (graphical model) कहते हैं: एक ऐसी प्रणाली जहाँ सब कुछ आपस में जुड़ा हुआ और सह-संबंधित (correlated) है, जो भविष्यवाणी करना या सीखना एक दुस्वप्न बना देता है।

लंबे समय तक, कंप्यूटर वैज्ञानिकों के पास पैटर्न सीखने की एक महाशक्ति थी, लेकिन यह केवल एक "शांत कमरे" में काम करती थी जहाँ हर कोई स्वतंत्र रूप से अपने उत्तर चिल्ला रहा था (जिसे प्रोडक्ट डिस्ट्रीब्यूशन (product distribution) कहा जाता है)। 2026 में, शोधकर्ताओं की एक टीम (फेंग, यांग, यू और झांग) ने इस महाशक्ति को इस शोर भरे, भीड़भाड़ वाले कमरे में लाने में सफलता प्राप्त की, लेकिन वे एक दीवार से टकरा गए: वे इसे तभी कर सकते थे जब कमरा बहुत बड़ा या जटिल न हो (विशेष रूप से, यदि एक निश्चित दूरी के भीतर लोगों की संख्या बहुत तेज़ी से न बढ़े, जिसे पॉलिनोमियल ग्रोथ (polynomial growth) का नियम कहा जाता है)।

बड़ी सफलता
यह शोध पत्र सिद्ध करता है कि रोबोट को सिखाने के लिए आपको उस "कमरे के आकार" के नियम की आवश्यकता नहीं है। लेखक दिखाते हैं कि जब तक कमरे में एक लोकल सैंपलर (local sampler) है—एक चतुर तरीका जिससे आप यह पता लगा सकें कि एक व्यक्ति क्या कह रहा है, केवल उसके दोस्तों के एक छोटे से स्थानीय परिवेश को देखकर—आप रोबोट को AC0 सर्किट्स (AC0 circuits) (जो मूल रूप से सरल, उथले निर्णय लेने वाली मशीनें हैं) सिखा सकते हैं।

उन्होंने केवल अनुमान नहीं लगाया; उन्होंने गणितीय रूप से इसे सिद्ध किया। उन्होंने एक नया लर्निंग एल्गोरिदम बनाया जो क्वासिपोलिनोमियल टाइम (quasipolynomial time) में चलता है (जो उपयोगी होने के लिए पर्याप्त तेज़ है, हालांकि तत्काल नहीं) और यह किसी भी ग्राफ पर काम करता है जिसमें प्रति व्यक्ति सीमित संख्या में पड़ोसी होते हैं, भले ही वह ग्राफ एक एक्सपैंडर ग्राफ (expander graph) या एक रैंडम नेटवर्क (random network) की तरह एक विशाल, जटिल जाल क्यों न हो जहाँ "भीड़" तेजी से बढ़ती है।

वे इसे कैसे कर पाए: "समय-यात्रा करने वाला" जासूस
इसे सफल बनाने के लिए, लेखकों ने "टेलीफोन के खेल" (game of telephone) के एक उल्टे संस्करण का उपयोग करते हुए एक शानदार चाल चली।

फॉरवर्ड गेम (द सैंपलर): कल्पना करें कि एक खेल है जहाँ आप एक खाली स्लेट से शुरुआत करते हैं और एक घेरे में एक-एक करके लोगों की राय अपडेट करते हैं। इसे अनुमानित बनाने के लिए, उन्होंने "जादुई पासे" (जिन्हें मार्क्स (marks) कहा जाता है) पेश किए। यदि आप एक विशिष्ट संख्या रोल करते हैं, तो एक व्यक्ति की राय मजबूर होती है; यदि आप दूसरी संख्या रोल करते हैं, तो वह अपने पड़ोसियों को देखता है। इन पासों को एक विशिष्ट क्रम में रोल करके, आप पूरे कमरे की स्थिति का अनुकरण (simulate) कर सकते हैं।
बैकवर्ड गेम (द इनवर्टर): यही जादू वाला हिस्सा है। आमतौर पर, यदि आप कमरे की अंतिम स्थिति जानते हैं, तो आप आसानी से यह अनुमान नहीं लगा सकते कि उस स्थिति तक पहुँचने के लिए कौन से पासे रोल किए गए थे। लेकिन लेखकों ने महसूस किया कि यदि "पासे" इस तरह से रोल किए जाते हैं कि अंतिम परिणाम इस बात पर निर्भर नहीं करता कि खेल कैसे शुरू हुआ था (एक अवधारणा जिसे वे डिटरमिनिंग मार्क सीक्वेंस (determining mark sequence) कहते हैं), तो आप खेल को उल्टा (backwards) चला सकते हैं।
लोकल डिटेक्टिव (स्थानीय जासूस): उन्होंने दिखाया कि कई प्रणालियों के लिए (जैसे हार्ड-कोर मॉडल (hard-core model) जहाँ पड़ोसी दोनों "सक्रिय" नहीं हो सकते, या आइसिंग मॉडल (Ising model) जहाँ पड़ोसी सहमत होते हैं या असहमत), आप केवल अपने दोस्तों के एक छोटे से स्थानीय समूह और उनके विशिष्ट पासे के रोल को देखकर केवल एक व्यक्ति की अंतिम राय का पता लगा सकते हैं। आपको पूरे कमरे के इतिहास को जानने की आवश्यकता नहीं है।

"ट्रंकेशन" (कटौती) की ट्रिक
यहाँ दिलचस्प हिस्सा है: लेखकों ने महसूस किया कि ये बैकवर्ड-डिटेक्टिव गेम आमतौर पर बहुत जल्दी समाप्त हो जाते हैं। शुरुआती स्थितियों का "प्रभाव" बहुत तेज़ी से खत्म हो जाता है। इसलिए, उन्होंने खेल को बीच में ही रोकने का निर्णय लिया। उन्होंने जासूस से कहा, "तब तक देखें जब तक आपने लगभग $\log(n)$ दोस्तों की जाँच नहीं कर ली।"

चूंकि जासूस लगभग हमेशा समय सीमा तक पहुँचने से पहले ही काम पूरा कर लेता है, इसलिए खेल को बीच में काटने से लगभग कोई त्रुटि (error) नहीं आती है। यह "ट्रंकेशन" (truncation) एक जटिल, अनंत दिखने वाली प्रक्रिया को एक सरल, छोटी चरणों की सूची में बदल देता है। इस छोटी सूची को एक लो-डिग्री पॉलिनोमियल (low-degree polynomial) (एक सरल गणितीय सूत्र) के रूप में लिखा जा सकता है। चूंकि सूत्र सरल है, इसलिए रोबोट इसे मानक तकनीकों का उपयोग करके जल्दी सीख सकता है।

उन्होंने किसे खारिज किया
यह शोध पत्र स्पष्ट रूप से "पॉलिनोमियल ग्रोथ" के नियम की आवश्यकता के विरुद्ध तर्क देता है (जहाँ कमरा बहुत तेज़ी से भीड़भाड़ वाला नहीं हो सकता)। पिछले कार्यों ने कहा था, "यदि कमरा बहुत तेज़ी से बड़ा होता है, तो हम इसे नहीं सीख सकते।" यह शोध पत्र कहता है, "नहीं! जब तक आपके पास स्थानीय रूप से देखने का तरीका है, कमरे का आकार मायने नहीं रखता।"

वे यह भी स्पष्ट करते हैं कि यह कमरे की संरचना (यह समझना कि कौन किसका दोस्त है) सीखने के बारे में नहीं है। यह एक अलग समस्या है। यह शोध पत्र मानता है कि आपको कमरे के लेआउट की जानकारी पहले से ही है और आप बस उसके भीतर काम करने वाले एक विशिष्ट नियम (फंक्शन) को सीखना चाहते हैं।

प्रमाण और संख्याएँ
लेखकों ने इसे केवल कंप्यूटर पर सिम्युलेट नहीं किया; उन्होंने एक कठोर गणितीय प्रमाण प्रदान किया।

उन्होंने सिद्ध किया कि हार्ड-कोर मॉडल के लिए (जहाँ पड़ोसी दोनों "ऑन" नहीं हो सकते), "फ्यूगुसिटी" (एक माप कि लोग कितने "ऑन" होना चाहते हैं) लगभग $1/(\Delta - 1)$ से कम होनी चाहिए, जहाँ $\Delta$ अधिकतम पड़ोसियों की संख्या है। यह एक बहुत ही सटीक, लगभग पूर्ण स्थिति है।
आइसिंग मॉडल के लिए (जहाँ पड़ोसी परस्पर क्रिया करते हैं), उन्होंने सिद्ध किया कि यह तब काम करता है जब इंटरेक्शन स्ट्रेंथ $\beta$ 1 के आसपास एक विशिष्ट रेंज में हो (लगभग $1 - \frac{1}{2\Delta} < \beta < 1 + \frac{1}{2\Delta}$ )।
लर्निंग एल्गोरिदम को लगभग $n^{\log^{O(d)}(n/\varepsilon)}$ सैंपल और समय की आवश्यकता होती है, जहाँ $n$ लोगों की संख्या है, $d$ सर्किट की गहराई है, और $\varepsilon$ वह त्रुटि है जिसे आप सहन कर सकते हैं।

निष्कर्ष
यह शोध पत्र एक सिद्ध परिणाम है। यह "लोकल सैंपलर" (उपकरण जो आपको किसी प्रणाली के एक छोटे हिस्से को देखने देते हैं) और "लर्निंग थ्योरी" (कंप्यूटर को पैटर्न खोजने के लिए सिखाना) के बीच के अंतर को जोड़ता है। यह दिखाता है कि एक अराजक, अत्यधिक जुड़े हुए संसार में भी, यदि आपके पास स्थानीय रूप से देखने का तरीका है, तो आप मशीन को बड़े चित्र (big picture) को समझने के लिए सिखा सकते हैं, बिना यह आवश्यकता के कि दुनिया छोटी या सरल हो। यह एक जासूस को शहर भर के रहस्य को सुलझाने के लिए प्रशिक्षित करने जैसा है, केवल कुछ मोहल्लों का इंटरव्यू लेकर, यह साबित करते हुए कि सच पाने के लिए आपको हर किसी का इंटरव्यू लेने की ज़रूरत नहीं है।

तकनीकी सारांश: स्थानीय रूप से नमूना लेने योग्य ग्राफिकल मॉडल के तहत $\text{AC}^0$ को सीखना

समस्या विवरण

यह शोध पत्र (paper) सहसंबद्ध प्रायिकता वितरणों (correlated probability distributions) के तहत स्थिर-गहराई वाले बूलियन सर्किट (विशेष रूप से $\text{AC}^0$ वर्ग) को सीखने की मौलिक समस्या को संबोधित करता है। जबकि लिनियल, मानस और निसन (LMN93) के मौलिक कार्य ने यह स्थापित किया था कि यूनिफॉर्म वितरण के तहत $\text{AC}^0$ सर्किट कम-डिग्री वाले फूरियर सन्निकटन (Fourier approximations) स्वीकार करते हैं (जिससे क्वैसी-पॉलिनोमियल-टाइम लर्नर्स प्राप्त होते हैं), इन गारंटियों को सहसंबद्ध वितरणों तक विस्तारित करना एक महत्वपूर्ण चुनौती बना हुआ है।

लेखक एक अज्ञात फलन $f \in \text{AC}^0$ को सीखने पर ध्यान केंद्रित करते हैं, जहाँ $(x, f(x))$ के नमूने दिए गए हैं, जहाँ $x$ एक ग्राफिकल मॉडल (एक मार्कोव रैंडम फील्ड) पर परिभाषित गिब्स वितरण $\mu$ से लिया गया है। चंद्रासेकरन और अन्य (CGMV26) द्वारा प्रदान किए गए पिछले कार्यों ने बाउंडेड-डिग्री ग्राफ पर गिब्स वितरणों के लिए सीखने की गारंटी प्रदान की थी, लेकिन केवल पॉलिनोमियल ग्रोथ (अर्थात, $\ell$ दूरी के भीतर शीर्षों की संख्या $\ell$ में पॉलिनोमियल है) की प्रतिबंधात्मक धारणा के तहत। यह धारणा एक्सपैंडर (expanders) और एर्दोश-रेनी रैंडम ग्राफ जैसे महत्वपूर्ण ग्राफ वर्गों को बाहर करती है, जहाँ एक बॉल का वॉल्यूम घातीय (exponentially) रूप से बढ़ता है।

केंद्रीय प्रश्न यह है: क्या $\text{AC}^0$ को सामान्य बाउंडेड-डिग्री ग्राफ्स पर बिना पॉलिनोमियल-ग्रोथ आवश्यकता के गिब्स वितरण के तहत सीखा जा सकता है?

कार्यप्रणाली (Methodology)

यह शोध पत्र एक नया ढांचा पेश करता है जो लोकल सैंपलर (local samplers) का लाभ उठाकर पॉलिनोमियल-ग्रोथ बाधा को दरकिनार करता है। मुख्य कार्यप्रणाली में रैंडम बिट्स के एक प्रोडक्ट स्पेस (product space) से $f$ के लिए एक कम-डिग्री पॉलीनोमियल सन्निकटन का निर्माण करना शामिल है, जिसका उपयोग सैंपलिंग प्रक्रिया में किया जाता है।

1. Samp–InvSamp ढांचा

लेखक अमूर्त Samp–InvSamp ढांचे को अनुकूलित करते हैं। लक्ष्य $\mu$ के तहत $f$ का सन्निकटन करना है:

Samp: एक सैंपलर जो रैंडम मार्क्स $\rho$ की एक स्ट्रिंग को एक कॉन्फ़िगरेशन $\sigma \sim \mu$ में मैप करता है।
InvSamp: एक इनवर्स सैंपलर जो, एक कॉन्फ़िगरेशन $\sigma$ दिए जाने पर, सैंपलिंग पथ के अनुरूप एक रैंडम मार्क स्ट्रिंग $\rho$ को पुनः प्राप्त करता है।

यदि $f \circ \text{Samp}$ को मार्क्स के प्रोडक्ट स्पेस पर एक कम-डिग्री पॉलीनोमियल $g$ द्वारा सन्निकट किया जा सकता है, और यदि $\text{InvSamp}$ का "डिग्री" कम है (अर्थात, इसका आउटपुट $\sigma$ के केवल कुछ निर्देशांकों पर निर्भर करता है), तो $g \circ \text{InvSamp}$ $\mu$ के तहत $f$ के लिए एक कम-डिग्री सन्निकटन प्रदान करता है।

2. सैंपलर के रूप में सिस्टमैटिक-स्कैन ग्लौबर डायनेमिक्स (Systematic-Scan Glauber Dynamics)

एक स्ट्रॉन्ग स्पेशियल मिक्सिंग (जो पॉलिनोमियल ग्रोथ की आवश्यकता रखती है) पर निर्भर रहने के बजाय, लेखक सैंपलर के रूप में सिस्टमैटिक-स्कैन ग्लौबर डायनेमिक्स का उपयोग करते हैं।

फॉरवर्ड प्रोसेस: चेन एक निश्चित कॉन्फ़िगरेशन $\sigma_0$ से शुरू होती है और शीर्षों के एक चक्रीय क्रम $u_1, \dots, u_T$ में अपडेट करती है। प्रत्येक अपडेट एक रैंडम "मार्क" $\rho_t$ द्वारा संचालित एक नियतात्मक नियम $\psi_t$ के माध्यम से लागू किया जाता है।
निर्धारक मार्क अनुक्रम (Determining Mark Sequences) का निर्धारण: एक प्रमुख अंतर्दृष्टि यह है कि यदि मार्क अनुक्रम $\rho$ "निर्धारक" (determining) है, तो अंतिम कॉन्फ़िगरेशन $\sigma_T$ , प्रारंभिक कॉन्फ़िगरेशन $\sigma_0$ से स्वतंत्र हो जाता है। यह फिक्स्ड-इनिशियलाइजेशन सैंपलर को इस तरह व्यवहार करने की अनुमति देता है जैसे कि इसे स्टेशनरी वितरण $\mu$ से इनिशियलाइज़ किया गया हो।
लोकल सैंपलर: लेखक सैंपलिंग के लिए लोकल कंप्यूटेशन एल्गोरिदम (LCAs) का उपयोग करते हैं। ये ऑटोमेटा हैं जो मार्क अनुक्रम और प्रारंभिक कॉन्फ़िगरेशन के एक स्थानीय पड़ोस को क्वेरी करके एक विशिष्ट शीर्ष $v$ के स्पिन को हल करते हैं। महत्वपूर्ण रूप से, ये लोकल सैंपलर उच्च संभावना के साथ तेजी से समाप्त होते हैं, भले ही ग्राफ में एक्सपोनेंशियल ग्रोथ हो, बशर्ते कि गिब्स वितरण कुछ मिक्सिंग शर्तों को पूरा करता हो।

3. ट्रंकेशन और लो-डिग्री सन्निकटन

यह सुनिश्चित करने के लिए कि परिणामी पॉलीनोमियल की डिग्री कम हो:

फॉरवर्ड और बैकवर्ड दोनों लोकल सैंपलर को एक पॉलिनोगारिथमिक चरणों के बाद ट्रंकेट (truncate) किया जाता है।
लेखक सिद्ध करते हैं कि ट्रंकेशन एरर छोटा है क्योंकि सैंपलर के ट्रंकेटेड डेप्थ के भीतर समाप्त न होने की संभावना घातीय रूप से घटती है।
ट्रंकेटेड सैंपलर/इनवर्टर का $\text{AC}^0$ फलन $f$ के साथ संयोजन, मार्क स्पेस पर एक कम-डेप्थ, पॉलिनोमियल-साइज़ सर्किट द्वारा कंप्यूट किया जा सकने वाला फलन बनाता है।
परिमित प्रोडक्ट डोमेन (सेक्शन 4) पर टाल के फूरियर टेल बाउंड्स के विस्तार का उपयोग करते हुए, वे दिखाते हैं कि ऐसे सर्किट कम-डिग्री पॉलीनोमियल सन्निकटन स्वीकार करते हैं।

मुख्य योगदान

पॉलिनोमियल ग्रोथ धारणा को हटाना: यह शोध पत्र सामान्य बाउंडेड-डिग्री ग्राफ्स पर गिब्स वितरणों के तहत $\text{AC}^0$ के लिए सीखने की गारंटी स्थापित करता है, जिससे CGMV26 द्वारा आवश्यक पॉलिनोमियल-ग्र pertumbuhan की आवश्यकता समाप्त हो जाती है।
LCAs और लर्निंग के बीच नया संबंध: यह कार्य लोकल कंप्यूटेशन एल्गोरिदम (विशेष रूप से गिब्स वितरणों के लिए लोकल सैंपलर) और बूलियन फलनों के सीखने के बीच के अंतर को पाटता है। यह प्रदर्शित करता है कि कुशल लोकल सैंपलर का अस्तित्व $\text{AC}^0$ के लिए कम-डिग्री सन्निकटन के अस्तित्व को दर्शाता है।
सामान्यीकृत कम-डिग्री सन्निकटन: लेखक बूलियन क्यूब से सामान्य परिमित प्रोडक्ट डोमेन तक $\text{AC}^0$ सर्किट के लिए लो-डिग्री सन्निकटन प्रमेय का तकनीकी विस्तार प्रदान करते हैं, जो सैंपलिंग सिम्युलेटर्स द्वारा उपयोग किए जाने वाले गैर-बूलियन मार्क अल्फाबेट को संभालने के लिए आवश्यक है (थ्योरम 4.2)।
द्विदिश (Bi-directional) गुड लोकल सैंपलर स्थिति: वे एक "बाय-डायरेक्शनल गुड लोकल सैंपलर" स्थिति (कंडीशन 5.6) को परिभाषित करते हैं जो यह सुनिश्चित करती है कि फॉरवर्ड सैंपलिंग और बैकवर्ड इन्वर्जन दोनों को स्थानीय रूप से और कुशलतापूर्वक किया जा सके।

परिणाम

यह शोध पत्र किसी भी बाउंडेड-डिग्री ग्राफ पर विशिष्ट ग्राफिकल मॉडल्स के तहत $\text{AC}^0$ के लिए क्वैसी-पॉलिनोमियल-टाइम लर्निंग एल्गोरिदम प्रदान करता है:

हार्ड-कोर मॉडल (Hard-Core Model): फ्युगेटिसिटी $\lambda < (1-\eta)/(\Delta-1)$ के लिए सीखना संभव है। यह स्थिति क्लासिकल डोब्रुशिन थ्रेशोल्ड से केवल एक कांस्टेंट फैक्टर अधिक सख्त है, जबकि पिछली स्ट्रॉन्ग स्पेशियल मिक्सिंग शर्त $\lambda < (\Delta-1)^{\Delta-1}/(\Delta-2)^\Delta$ की आवश्यकता थी।
सॉफ्ट-कन्स्ट्रेंट मॉडल्स (Ising सहित): इंटरैक्शन मैट्रिसेस के लिए सीखना संभव है जो एक नॉर्मलाइज्ड सॉफ्ट-कन्स्ट्रेंट स्थिति को संतुष्ट करते हैं। आइसिंग मॉडल के लिए, लर्निंग तब होती है जब $\beta$ एक कांस्टेंट फैक्टर के भीतर हो (विशेष रूप से $1 - \frac{1-\eta}{2\Delta} < \beta < (1 - \frac{1-\eta}{2\Delta})^{-1}$ )।
जटिलता (Complexity): लर्निंग एल्गोरिदम $n^{\log^{O(d)}(n/\varepsilon)}$ समय में चलता है और $n^{\log^{O(d)}(n/\varepsilon)}$ नमूनों की आवश्यकता होती है, जहाँ $d$ सर्किट की गहराई और $n$ शीर्षों की संख्या है। छिपे हुए स्थिरांक (constants) केवल डिग्री $\Delta$ , सर्किट के पैरामीटर्स और मॉडल के मिक्सिंग पैरामीटर्स पर निर्भर करते हैं।

महत्व और दावे

यह शोध पत्र दावा करता है कि इसका प्राथमिक महत्व पॉलिनोमियल-ग्रोथ आवश्यकता को दरकिनार करने में निहित है, जिससे एक्सपैंडर ग्राफ और रैंडम ग्राफों को भी सीखे जा सकने वाले सहसंबद्ध वितरणों के दायरे में शामिल किया जा सके। बूलियन फलनों को सीखने (learning of Boolean functions) के साथ कुशल लोकल सैंपलर (सैंपलिंग साहित्य की एक अवधारणा) के बीच संबंध बनाकर, लेखक निर्भरता के तहत सीखने के लिए एक मजबूत तंत्र प्रदान करते हैं जो ज्यामितीय बाधाओं पर निर्भर नहीं है।

लेखक अपने योगदान को एक "नए संबंध" और एक "फ्रेमवर्क" के रूप में विनम्रतापूर्वक प्रस्तुत करते हैं जो विशिष्ट हार्ड-कोर और आइसिंग मॉडल्स के लिए लर्नर्स प्रदान करता है। वे यह दावा नहीं करते हैं कि उन्होंने सभी गिब्स वितरणों के लिए लर्निंग को हल कर दिया है, बल्कि उनके लिए जो कुशल लोकल सैंपलर को स्वीकार करते हैं, जो सामान्य ग्राफों पर मॉडल्स का एक व्यापक और प्रासंगिक वर्ग है। यह कार्य उन विशिष्ट ज्यामितीय सेटिंग्स से परे वास्तव में निर्भर वितरणों के तहत सीखने को समझने की दिशा में एक कदम है जिनका पहले अध्ययन किया गया था।

तकनीकी सारांश: स्थानीय रूप से नमूना लेने योग्य ग्राफिकल मॉडल के तहत AC0\text{AC}^0AC0 को सीखना