🤖 AI

Perspectives on Tsallis Statistics for Artificial Intelligence

यह शोध पत्र कृत्रिम बुद्धिमत्ता में टालिस सांख्यिकी (Tsallis statistics) के एकीकरण पर एक व्यापक परिप्रेक्ष्य प्रदान करता है, जो इसके गणितीय आधारों और स्पार्स अटेंशन (sparse attention) एवं सुदृढीकरण शिक्षण (reinforcement learning) से लेकर जनरेटिव मॉडलिंग तक के विविध अनुप्रयोगों की समीक्षा करता है, साथ ही यह तर्क देता है कि पैरामीटर $q$ को एक सीखने योग्य इंडक्टिव बायस (inductive bias) के रूप में माना जाना चाहिए ताकि आधुनिक डीप लर्निंग गतिकी में निहित गैर-विस्तारशील (nonextensive) और भारी-पूंछ (heavy-tailed) विशेषताओं को पकड़ा जा सके।

मूल लेखक: Kleyton da Costa, Bernardo Modenesi

प्रकाशित 2026-08-04

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kleyton da Costa, Bernardo Modenesi

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 मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। लंबे समय तक, वैज्ञानिकों ने एक बहुत ही सख्त नियम पुस्तिका का उपयोग किया: उन्होंने माना कि यदि आप एक स्थान का तापमान जानते हैं, तो आप बगल वाले स्थान का तापमान अनुमान लगा सकते हैं, और चरम घटनाएं (जैसे कि अचानक आया एक विशाल तूफान) इतनी दुर्लभ हैं कि उन्हें सुरक्षित रूप से अनदेखा किया जा सकता है। इस "नियम पुस्तिका" को बोल्ट्ज़मैन-गिब्स सांख्यिकी (Boltzmann-Gibbs statistics) कहा जाता है, और यह लगभग सभी आधुनिक आर्टिफिशियल इंटेलिजेंस का आधार है। यह तब बहुत अच्छा काम करता है जब चीजें शांत, अनुमानित और स्वतंत्र होती हैं। लेकिन वास्तविक दुनिया अव्यवस्थित है। प्राकृतिक भाषा अजीब पैटर्न का पालन करती है जहाँ कुछ शब्दों का लगातार उपयोग किया जाता है और लाखों शब्दों का उपयोग केवल एक बार होता है। वित्तीय बाजार इस तरह से गिरते हैं जो मानक वक्रों (curves) में फिट नहीं होते। और AI में, कभी-कभी हमें एक ऐसे मॉडल की आवश्यकता होती है जो अधिकांश विकल्पों को अनदेखा करे और केवल एक पर तीव्रता से ध्यान केंद्रित करे, या अप्रत्याशित के लिए तैयार रहे।

यहाँ एक नया विचार आता है जिसे त्सैलिस सांख्यिकी (Tsallis statistics) कहते हैं। इसे संभावना के लिए एक "वॉल्यूम नॉब" (volume knob) के रूप में समझें। यह मानते हुए कि सब कुछ एक ही चिकनी, बेल-कर्व (bell-curve) नियमों का पालन करता है, इसके बजाय यह नया ढांचा एक एकल संख्या पेश करता है, जिसे $q$ कहा जाता है, जो एक डायल की तरह काम करता है। यदि आप डायल को एक तरफ घुमाते हैं, तो AI "सघन" (dense) हो जाता है, जो एक नरम कंबल की तरह ध्यान को समान रूप से फैला देता है। यदि आप डायल को दूसरी ओर घुमाते हैं, तो यह "विरल" (sparse) या "भारी-पूंछ वाला" (heavy-tailed) हो जाता है, जिसका अर्थ है कि यह शोर को पूरी तरह से अनदेखा कर सकता है या जंगली, दुर्लभ बाहरी घटनाओं (outliers) के लिए तैयार हो सकता है। यह शोध पत्र एक बड़ा सवाल पूछता है: क्या होगा यदि हम इस डायल को एक निश्चित सेटिंग के रूप में मानने के बजाय, AI को खुद इसे घुमाना सिखाने लगें?

शोध पत्र का बड़ा विचार: AI के लिए "Q-डायल"

यह शोध पत्र आर्टिफिशियल इंटेलिजेंस के बारे में सोचने के एक नए तरीके के लिए एक मार्गदर्शिका है। लेखक, क्लेटन डा कोस्टा और बर्नार्डो मोडेनेसी, तर्क देते हैं कि एक विशिष्ट गणितीय उपकरण जिसे त्सैलिस सांख्यिकी कहा जाता है, वह केवल एक विशिष्ट भौतिक जिज्ञासा नहीं है; वास्तव में यह उन कई स्मार्ट, मजबूत AI उपकरणों के पीछे का गुप्त घटक है जिनका हम आज उपयोग करते हैं।

वे प्रस्तावित करते हैं कि हमें त्सैलिस सांख्यिकी को एक सार्वभौमिक "Q-डायल" के रूप में देखना चाहिए। कल्पना कीजिए कि आपके पास एक मानक AI मॉडल है जो एक चिकनी, बहती हुई नदी की तरह काम करता है। Q-डायल आपको उस नदी में बदलाव करने की अनुमति देता है।

डायल को 1 पर घुमाएँ: आपको मानक, चिकनी नदी मिलती है (परिचित "सॉफ्टमैक्स" फंक्शन जिसका उपयोग लगभग सभी AI में किया जाता है)। यह सुरक्षित है और चीजों को समान रूप से फैलाता है।
डायल को ऊपर की ओर घुमाएँ (q > 1): नदी अचानक एक केंद्रित जेट में बदल जाती है। AI कमजोर संकेतों पर ध्यान देना बंद कर देता है और सबसे मजबूत संकेतों पर तीव्रता से ध्यान केंद्रित करता है। यह "विरल" (sparse) ध्यान बनाता है, जहाँ मॉडल उस 10% डेटा पर ध्यान केंद्रित करने के लिए 90% डेटा को अनदेखा कर देता है जो वास्तव में मायने रखता है।
डायल को नीचे की ओर घुमाएँ (q < 1): नदी जंगली और अप्रत्याशित हो जाती है, जो बड़े, दुर्लभ बाढ़ को संभालने के लिए तैयार है। यह AI को "भारी-पूंछ वाला" (heavy-tailed) बनाता है, जिसका अर्थ है कि यह किसी अजीब, बाहरी या गलत लेबल को देखकर घबराता नहीं है।

शोध पत्र ने वास्तव में क्या पाया

लेखकों ने शुरू से कोई नया एल्गोरिदम आविष्कार नहीं किया। इसके बजाय, वे पूरे AI परिदृश्य में एक जासूसी खोज पर निकले और महसूस किया कि कई अलग-अलग, स्पष्ट रूप से असंबंधित उपकरण वास्तव में बिना जाने एक ही "Q-डायल" का उपयोग कर रहे थे।

उन्होंने पाया कि:

विरल ध्यान (Sparse Attention): वे उपकरण जो AI को एक लंबे वाक्य में केवल कुछ शब्दों पर ध्यान केंद्रित करने देते हैं (जैसे आधुनिक चैटबॉट्स में), वे वास्तव में डायल को ऊपर की ओर घुमाकर प्राप्त की गई त्सैलिस सांख्यिकी ही हैं।
सुदृढीकरण शिक्षण (Reinforcement Learning): जब AI गेम खेलने या कार चलाने सीखता है, तो इस डायल का उपयोग करने से उसे नई रणनीतियों को अधिक प्रभावी ढंग से खोजने में मदद मिलती है, जिससे यह तय करने में मदद मिलती है कि कब लालची होना है और कब जिज्ञासु होना है।
मजबूती (Robustness): जब डेटा अव्यवस्थित होता है या उसमें त्रुटियां होती हैं, तो डायल को दूसरी ओर घुमाने से AI गलतियों को याद करने के बजाय उन्हें अनदेखा करने की अधिक संभावना रखता है।

"अहा!" क्षण: शोध पत्र सुझाव देता है कि डीप लर्निंग में दिखने वाला भारी-पूंछ वाला, जंगली व्यवहार एक बग (bug) नहीं है; यह एक फीचर (feature) है। लेखक बताते हैं कि जिस तरह से AI सीखता है (ग्रेडिएंट शोर) और जिस तरह से इसके आंतरिक भार (weights) वितरित होते हैं, वे पहले से ही इन त्सैलिस नियमों का पालन करते हुए दिखाई देते हैं। इसका मतलब है कि AI पहले से ही एक गैर-मानक प्रणाली की तरह व्यवहार कर रहा है, लेकिन हम इसे इसे संभालने के लिए सही उपकरण नहीं दे रहे हैं।

बड़ा बदलाव: AI को डायल सीखना दें

इस शोध पत्र का सबसे रोमांचक हिस्सा यह प्रस्ताव है कि डायल को मैन्युअल रूप से सेट करना बंद कर दिया जाए। वर्तमान में, वैज्ञानिकों को $q$ के लिए सही संख्या का अनुमान लगाना पड़ता है और उम्मीद करनी पड़ती है कि यह काम करेगा। लेखक तर्क देते हैं कि $q$ एक सीखने योग्य पैरामीटर (learnable parameter) होना चाहिए, ठीक वैसे ही जैसे न्यूरल नेटवर्क में भार (weights) होते हैं।

उन्होंने यह सिद्ध करने के लिए छोटे प्रयोग चलाए कि यह संभव है:

प्रयोग 1: उन्होंने एक AI को एक ऐसा डेटासेट दिया जिसमें "भारी-पूंछ" (भारी मात्रा में दुर्लभ, चरम मान) थी। जब उन्होंने AI को डायल सीखने दिया, तो इसने डेटा से मेल खाने के लिए स्वचालित रूप से इसे सही सेटिंग ( $q \approx 1.49$ ) पर ट्यून कर दिया। एक मानक AI (डायल को 1 पर स्थिर रखकर) चरम स्थितियों को पकड़ने में विफल रहा।
प्रयोग 2: उन्होंने एक AI को नकली, शोर वाले लेबल वाले डेटा पर प्रशिक्षित किया। डायल को सीखने देने के बाद, इसने इसे नीचे की ओर घुमाया ( $q < 1$ तक) ताकि यह "मजबूत" (robust) बन सके और खराब लेबल को अनदेखा कर सके। मानक AI भ्रमित हो गया और त्रुटियों को याद करने लगा।

शोध पत्र सुझाव देता है कि भविष्य में, AI मॉडलों के पास एक "गेट" होना चाहिए जो यह तय करे कि प्रत्येक शब्द या निर्णय के लिए, उसे कितना विरल या भारी-पूंछ वाला होने की आवश्यकता है।

शोध पत्र क्या खारिज करता है (और क्या दावा नहीं करता)

यह जानना महत्वपूर्ण है कि यह शोध पत्र क्या नहीं कह रहा है।

यह कोई जादुई समाधान (magic bullet) नहीं है: लेखक सावधानी बरतते हुए कहते हैं कि त्सैलिस सांख्यिकी पुराने तरीकों को प्रतिस्थापित नहीं करती है। जब डायल को 1 पर सेट किया जाता है, तो यह मानक, परिचित AI बन जाता है। यह एक सामान्यीकरण (generalization) है, प्रतिस्थापन नहीं।
यह कोई हल की गई समस्या नहीं है: शोध पत्र स्वीकार करता है कि हालांकि गणित छोटे सिमुलेशन में खूबसूरती से काम करता है, लेकिन हमें अभी तक यह नहीं पता है कि आज के विशाल, ट्रिलियन-पैरामीटर वाले मॉडलों पर डायल को सीखने देना पूरी तरह से काम करेगा या नहीं। वे सुझाव देते हैं कि यह काम कर सकता है, लेकिन इस पैमाने पर इसके और अधिक परीक्षण की आवश्यकता है।
यह केवल "विरलता" (sparsity) के बारे में नहीं है: जबकि शोध पत्र इस बात पर प्रकाश देता है कि कैसे डायल विरल (केंद्रित) ध्यान बनाता है, यह "भारी-पूंछ" (robustness to outliers) के पक्ष पर भी जोर देता है। यह एक दो-तरफा रास्ता है, न कि केवल डेटा को अनदेखा करने का स्विच।

यह आपके लिए क्यों मायने रखता है

वर्तमान AI क्रांति को एक ऐसी कार के रूप में सोचें जिसमें केवल एक्सीलरेटर और ब्रेक है। यह तेज़ चलती है, लेकिन यह ऊबड़-खाबड़ सड़क या अचानक आए मोड़ को अच्छी तरह से नहीं संभाल पाती है। त्सैलिस सांख्यिकी कार को एक सस्पेंशन नॉब (suspension knob) देती है। आप एक चिकनी हाईवे यात्रा (मानक AI) के लिए सस्पेंशन को सख्त करने के लिए या एक पथरीले ऑफ-रोड रास्ते को संभालने के लिए नरम और उछालदार बनाने के लिए इसे ट्यून कर सकते हैं।

शोध पत्र का तर्क है कि सर्वश्रेष्ठ ड्राइवरों (AI मॉडलों) के पास एक निश्चित सस्पेंशन नहीं होना चाहिए। इसके बजाय, उनके पास एक स्मार्ट सिस्टम होना चाहिए जो सड़क को महसूस करे और वास्तविक समय में सस्पेंशन को समायोजित करे। "Q-डायल" को एक ऐसी चीज़ के रूप में मानकर जिसे AI सीख सकता है, हम न केवल स्मार्ट बल्कि अधिक अनुकूलनीय, अपनी अनिश्चितताओं के प्रति अधिक ईमानदार और वास्तविक दुनिया की अव्यवस्था और अप्रत्याशितता को संभालने में बेहतर सिस्टम बना सकते हैं।

तकनीकी सारांश: आर्टिफिशियल इंटेलिजेंस के लिए टैलिस सांख्यिकी (Tsallis Statistics) पर परिप्रेक्ष्य

समस्या विवरण
आधुनिक डीप लर्निंग का आधारभूत सांख्यिकीय ढांचा बोल्ट्ज़मैन-गिब्स-शैनन (BGS) प्रतिमान है। यह ढांचा मानता है कि सूचना योगात्मक (additive) है और अनिश्चितता को शैनन एंट्रॉपी ( $S = -\sum p_i \ln p_i$ ) द्वारा मापा जाता है। हालांकि यह कमजोर रूप से सह-संबंधित (weakly correlated), हल्के पूंछ वाले (light-tailed), और एर्गोडिक डेटा के लिए प्रभावी है, लेकिन लंबी दूरी के सहसंबंधों (long-range correlations), मल्टीफ्रैक्टल ज्यामिति (multifractal geometry), और भारी-पूंछ वाले उतार-चढ़ाव (heavy-tailed fluctuations) वाले सिस्टम पर लागू होने पर BGS तंत्र अत्यंत कठोर हो जाता है। ये स्थितियां AI अनुप्रयोगों जैसे कि नेचुरल लैंग्वेज प्रोसेसिंग (जिपफियन टोकन सांख्यिकी), वित्तीय और भूभौतिकीय डेटा, स्पार्स अटेंशन मैकेनिज्म और रिइन्फोर्समेंट लर्निंग एक्सप्लोरेशन में प्रचलित हैं। BGS ढांचे में दुर्लभ बनाम विशिष्ट घटनाओं के प्रभाव को संतुलित करने की कोई व्यवस्था नहीं है, और इसमें स्पार्स या भारी-पूंछ वाले व्यवहारों को भारित (weighting) करने के लिए कोई "डायल" (dial) उपलब्ध नहीं है।

कार्यप्रणाली और सैद्धांतिक मूल
यह शोध पत्र टैलिस सांख्यिकी को BGS ढांचे को सामान्य बनाने के लिए एक एकीकृत डिजाइन सिद्धांत के रूप में प्रस्तावित करता है। इस दृष्टिकोण का मूल टैलिस एंट्रॉपी, $S_q$ है, जो एक एकल वास्तविक पैरामीटर $q$ (एंट्रॉपी इंडेक्स) द्वारा नियंत्रित होता है:
$S_q(p) = \frac{1 - \sum_i p_i^q}{q - 1}$
यह एंट्रॉपी $q \to 1$ की सीमा में शैनन एंट्रॉपी को पुनः प्राप्त करती है। पैरामीटर $q$ एक ट्यूनेबल डायल के रूप में कार्य करता है:

$q < 1$ : दुर्लभ घटनाओं पर जोर देता है, जिससे प्रसार (spread), अन्वेषण (exploration) और भारी पूंछ (heavy tails) को प्रोत्साहन मिलता है।
$q > 1$ : बार-बार होने वाली घटनाओं पर जोर देता है, जिससे संकेंद्रण (concentration), स्पर्सिटी (sparsity) और आउटलेयर्स के प्रति मजबूती (robustness) को प्रोत्साहन मिलता है।

शोध पत्र मशीन लर्निंग में इसे लागू करने के लिए आवश्यक गणितीय टूलकिट की समीक्षा करता है, जिसमें शामिल हैं:

q-बीजगणित (q-Algebra): $q$ -लॉगैरिदम ( $\ln_q$ ) और $q$ -एक्सपोनेंशियल ( $\exp_q$ ), जो $q > 1$ के लिए एक "कट-ऑफ" पेश करते हैं (जो कॉम्पैक्ट सपोर्ट/स्पर्सिटी की ओर ले जाता है) और $q > 1$ के लिए पावर-लॉ टेल्स (power-law tails) प्रदान करते हैं।
q-सेंट्रल लिमिट थ्योरम (q-CLT): दृढ़ रूप से सह-संबंधित चरों के लिए शास्त्रीय CLT का एक सामान्यीकरण, जहाँ $q$ -स्वतंत्र चरों का योग मानक गाउसियन के बजाय $q$ -गाउसियन वितरणों में अभिसरित (converge) होता है।
q-गाउसियन वितरण: गाउसियन ( $q=1$ ), स्टूडेंट-टी (Student-t), और कॉची (Cauchy) वितरणों के बीच सेतु बनाने वाला एक परिवार, जो गैर-विस्तारित (nonextensive) सामान्य वितरण के एनालॉग के रूप में कार्य करता है।
सुपरस्टैटिस्टिक्स (Superstatistics): $q$ का एक गतिशील मूल, जो यह समझाता है कि $q$ उतार-चढ़ाव वाले गहन मापदंडों (जैसे तापमान) वाले स्थानीय बोल्ट्ज़मैनियन सिस्टम के औसत का परिणाम है, जो सीखने की गतिशीलता (learning dynamics) में भारी-पूंछ वाली सांख्यिकी के लिए एक भौतिक औचित्य प्रदान करता है।

प्रमुख योगदान और अनुप्रयोग
यह शोध पत्र इस बात की समीक्षा करता है कि कैसे टैलिस सांख्यिकी विभिन्न स्वतंत्र रूप से विकसित AI विधियों को "q-डायल" पैटर्न के तहत एकीकृत करती है, जहाँ एक मानक BGS ऑब्जेक्ट को $q$ द्वारा विकृत किया जाता है ताकि सघन/समान (dense/uniform) और स्पार्स/भारी-पूंछ वाले (sparse/heavy-tailed) व्यवहारों के बीच अंतर किया जा सके। पहचाने गए प्रमुख अनुप्रयोग क्षेत्र हैं:

सॉफ्टमैक्स सामान्यीकरण (स्पार्स अटेंशन): $\alpha$ -एन्टमैक्स (entmax) रूपांतरण (जहाँ $\alpha = q$ ) सॉफ्टमैक्स का सामान्यीकरण करता है। $q > 1$ के लिए, यह कम स्कोर वाली वस्तुओं के लिए सटीक शून्य संभावनाओं के साथ स्पार्स आउटपुट उत्पन्न करता है, जिससे ट्रांसफॉर्मर और ग्राफ न्यूरल नेटवर्क में व्याख्यात्मकता और दक्षता में सुधार होता है।
रिइन्फोर्समेंट लर्निंग (RL): शैनन एंट्रॉपी के स्थान पर टैलिस एंट्रॉपी का उपयोग करने से अधिकतम-एंट्रॉपी RL ऐसी नीतियां प्रदान करता है जो $q$ -एक्सपोनेंशियल होती हैं। यह ट्यूनेबल एक्सप्लोरेशन की अनुमति देता है, जहाँ $q > 1$ स्पार्स, लगभग-लालची (near-greedy) नीतियों की ओर ले जाता है जो उप-इष्टतम कार्यों को हटा देती हैं।
जेनरेटिव और प्रोबेबिलिस्टिक मॉडलिंग: गाउसियन प्रायर या लाइकलीहुड के स्थान पर $q$ -गाउसियन (स्टूडेंट-टी वितरण) का उपयोग वेरिएशनल ऑटोएनकोडर्स (VAEs) और डिफ्यूजन मॉडल में आउटलेयर्स के प्रति मजबूती और भारी-पूंछ वाले डेटा के बेहतर मॉडलिंग के लिए किया जाता है।
लॉस फंक्शन्स और रेगुलराइजेशन: $q$ -क्रॉस-एंट्रॉपी लॉस ( $L_q = -\sum y_i \ln_q \hat{p}_i$ ) शोर वाले लेबल के प्रति मजबूती प्रदान करता है, क्योंकि यह आत्मविश्वास से गलत भविष्यवाणियों के दंड को सीमित करता है जब $q < 1$ हो।
ऑप्टिमाइजेशन: जेनलाइज्ड सिम्युलेटेड एनीलिंग में लॉन्ग जम्प्स के माध्यम से लोकल मिनिमा से बचने के लिए भारी-पूंछ वाले $q$ -गाउसियन वितरणों का उपयोग किया जाता है, और $q$ -ग्रेडिएंट्स ऑप्टिमाइजेशन में नॉन-लोकल स्टेप्स प्रदान करते हैं।

अनुभवजन्य अवलोकन और "नॉन-एक्सटेंसिव सिग्नेचर"
नए एल्गोरिदम डिजाइन करने के परे, शोध पत्र तर्क देता है कि टैलिस सांख्यिकी मौजूदा डीप लर्निंग सिस्टम के अंतर्निहित व्यवहार का वर्णन करती है। यह प्रशिक्षित नेटवर्क में उन अनुभवजन्य नियमितताओं को उजागर करता है जो गैर-विस्तारित (nonextensive) भविष्यवाणियों के अनुरूप हैं:

भारी-पूंछ वाले वेट स्पेक्ट्रा (Weight Spectra): अच्छी तरह से प्रशिक्षित नेटवर्क में वेट मैट्रिसेस के स्पेक्ट्रल डेंसिटीज अक्सर पावर लॉ का पालन करती हैं, जो मजबूत सहसंबंधों का एक हस्ताक्षर है जहाँ $q$ -CLT लागू होता है।
भारी-पूंछ वाला ग्रेडिएंट नॉइज़: स्टोकेस्टिक ग्रेडिएंट डिसेंट (SGD) में भारी पूंछ वाले ग्रेडिएंट नॉइज़ (विचलन प्रसरण/divergent variance) प्रदर्शित होते हैं, जो यह सुझाव देते हैं कि प्रशिक्षण की गतिशीलता शास्त्रीय CLT के बजाय $q$ -CLT के बेसिन के भीतर है।
शोध पत्र का मानना है कि ये संयोग नहीं हैं बल्कि बड़े पैमाने पर सीखने के संरचनात्मक गुण हैं, जो यह संकेत देते हैं कि $q$ -विकृत (deformed) मॉडल उन प्रणालियों के आंतरिक सांख्यिकी के साथ "मैच" होते हैं जिन पर वे कार्य करते हैं।

परिणाम और प्रयोग
लेखक $q$ को सीखने की व्यवहार्यता (feasibility) को प्रदर्शित करने के लिए एक ओपन-सोर्स JAX लाइब्रेरी (qjax) का उपयोग करके एक न्यूनतम प्रूफ-ऑफ-कांसेप्ट प्रदान करते हैं:

डेंसिटी एस्टीमेशन: सिंथेटिक भारी-पूंछ वाले डेटा (जो $q=1.5$ वितरण से उत्पन्न हुआ है) पर, एक मॉडल जिसमें सीखने योग्य $q$ है, सफलतापूर्वक वास्तविक इंडेक्स ( $\hat{q} \approx 1.49$ ) और स्केल को रिकवर करने में सफल रहा, जिसने एक निश्चित गाउसियन ( $q=1$ ) मॉडल को पछाड़ दिया जो पूंछ (tails) को पकड़ने में विफल रहा।
रोबस्ट क्लासिफिकेशन: लेबल नॉइज़ वाले क्लासिफिकेशन टास्क पर, क्लीन वैलिडेशन सेट पर $q$ को सीखना (जिसे $q < 1$ तक सीमित किया गया है) मॉडल को दूषित लेबल को याद करने से रोकने में सक्षम बनाया। जैसे-जैसे शोर का स्तर बढ़ा, सीखा गया $q$ कम होता गया, और मॉडल ने मानक $q=1$ बेसलाइन की तुलना में उच्च क्लीन-टेस्ट सटीकता बनाए रखी।

महत्व और दावे
शोध पत्र का केंद्रीय दावा यह है कि टैलिस सांख्यिकी केवल एक भौतिक जिज्ञासा नहीं है बल्कि AI के लिए एक व्यावहारिक, एकीकृत डिजाइन सिद्धांत है।

एकीकरण: यह प्रकट करता है कि स्पार्स अटेंशन, मैक्स-एंट्रॉपी RL, हेवी-टेल्ड मॉडल्स और रोबस्ट लॉसेस, BGS ऑब्जेक्ट्स के एक ही अंतर्निहित विरूपण (deformation) के उदाहरण हैं।
लर्नेबल इंडक्टिव बायस: लेखक तर्क देते हैं कि $q$ को एक निश्चित हाइपरपैरामीटर के बजाय एक सीखने योग्य, संदर्भ-निर्भर इंडक्टिव बायस के रूप में माना जाना चाहिए। यह मॉडल को डेटा, लेयर या इनपुट के आधार पर अपनी स्पर्सिटी या हेवी-टेल्डनेस की डिग्री को अनुकूलित करने की अनुमति देता है।
सैद्धांतिक आधार: भारी-पूंछ वाले घटनाओं (वेट स्पेक्ट्रा, ग्रेडिएंट नॉइज़) को $q$ -CLT और सुपरस्टैटिस्टिक्स से जोड़कर, यह शोध पत्र डीप नेटवर्क में ऑप्टिमाइजेशन और जनरलाइजेशन को समझने और संभावित रूप से सुधारने के लिए एक सैद्धांतिक ढांचा प्रदान करता है।

शोध पत्र निष्कर्ष निकालता है कि जबकि "q-डायल" में बैकवर्ड कम्पैटिबिलिटी (जो $q=1$ पर मानक विधियों में समाहित हो जाता है) है, क्षेत्र का भविष्य बड़े पैमाने पर सीखे गए $q$ का कठोर मूल्यांकन करने और इन गैर-विस्तारित दृष्टिकोणों को AI सिस्टम डिजाइन के मूल में एकीकृत करने में निहित है।