💬 NLP

Hypercubes, Hyperplanes, and Constraint-Induced Complexity Collapse in Atomic Concept Learning

यह शोध पत्र प्रदर्शित करता है कि उच्च-आयताकार (higher-arity) परमाणु अवधारणा शिक्षण की तार्किक जटिलता ग्राउंड एटम हाइपरक्यूब में समान रूप से वितरित नहीं है, बल्कि इसके बजाय यह हाइपरप्लेन ज्यामिति द्वारा स्थानीयकृत और सीमित है, जहाँ गैर-विकर्ण हाइपरप्लेन परिमित तुल्यता वर्गों (equivalence classes) में सिमट जाते हैं जबकि पूर्ण विकर्ण ही अनबाउंड जटिलता का एकमात्र स्रोत बना रहता है।

मूल लेखक: Irene Tsapara

प्रकाशित 2026-08-05

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Irene Tsapara

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

सीखने का आकार: क्यों कुछ पैटर्न सरल होते हैं और अन्य पेचीदा

कल्पना कीजिए कि आप एक रोबोट को एक विशाल, अदृश्य भूलभुलैया में पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं। यह कोई साधारण भूलभुलैया नहीं है; यह तर्क (logic) से बनी एक भूलभुलैया है, जहाँ हर मोड़ इस बारे में एक निर्णय है कि चीजें आपस में कैसे जुड़ी हुई हैं। यह मशीन लर्निंग और तर्क (logic) की दुनिया है, एक ऐसा क्षेत्र जहाँ वैज्ञानिक यह पता लगाने की कोशिश करते हैं कि कंप्यूटर संभावनाओं की विशाल संख्या से अभिभूत हुए बिना उदाहरणों से नियम कैसे सीख सकते हैं।

इस शोध पत्र को समझने के लिए, आपको तीन सरल बातें जानने की आवश्यकता है। पहला, अवधारणाओं (concepts) को उन नियमों के रूप में सोचें जिन्हें रोबोट सीखने की कोशिश कर रहा है, जैसे कि "सभी लाल गेंदें" या "वह सब कुछ जो एक वर्ग है।" दूसरा, इंस्टेंस स्पेस (instance space) की कल्पना एक विशाल ग्रिड या मानचित्र के रूप में करें जहाँ हर संभावित उदाहरण मौजूद है। यदि आपके पास तुलना करने के लिए दो चीजें हैं, तो यह एक सपाट वर्गाकार ग्रिड है; यदि तीन हैं, तो यह एक 3D घन (cube) है; यदि बहुत सारी हैं, तो यह एक बहु-आयामी "हाइपरक्यूब" (hypercube) है। अंत में, जटिलता (complexity) को इस रूप में सोचें कि रोबैल के लिए अलग-अलग नियमों के बीच अंतर करना कितना कठिन है। यदि मानचित्र एकसमान है, तो रोबोट हर जगह एक सरल रणनीति का उपयोग कर सकता है। लेकिन यदि मानचित्र में अजीब, विशेष स्थान हैं जहाँ नियम बदल जाते हैं, तो रोबोट को उन विशिष्ट क्षेत्रों को संभालने के लिए एक बहुत अधिक स्मार्ट, अधिक जटिल मस्तिष्क की आवश्यकता होगी।

यह शोध पत्र एक दिलचस्प सवाल पूछता है: क्या यह तार्किक मानचित्र चिकना और एकसमान है, या इसमें छिपे हुए ऐसे "हॉटस्पॉट्स" हैं जहाँ सीखना अनंत रूप से कठिन हो जाता है? लेखक, आइरीन त्सपारा के नेतृत्व में, उत्तर खोजने के लिए ज्यामिति और तर्क के मिश्रण का उपयोग करते हैं।

शोध पत्र की बड़ी खोज: "विकर्ण" (Diagonal) की समस्या

इस अध्ययन में, लेखक यह पता लगाते हैं कि कंप्यूटर ज्यामिति के नजरिए से देखते हुए "परमाणु अवधारणाओं" (atomic concepts)—जो तार्किक नियमों के सबसे सरल निर्माण खंड हैं—को कैसे सीखते हैं। एक विशाल, बहु-स्तरीय ग्रिड (हाइपरक्यूब) की कल्पना करें जहाँ प्रत्येक बिंदु तथ्यों के एक विशिष्ट संयोजन का प्रतिनिधित्व करता है। शोध पत्र प्रकट करता है कि यह ग्रिड एकसमान खेल का मैदान नहीं है। इसके बजाय, इसकी एक बहुत ही विशिष्ट, आश्चर्यजनक संरचना है: ग्रिड का अधिकांश हिस्सा आश्चर्यजनक रूप से सरल है, लेकिन केंद्र से गुजरने वाली एक विशिष्ट रेखा जटिलता का एक अराजक ढेर है।

लेखक इस विशेष रेखा को "फुल डायगोनल" (full diagonal) कहते हैं। इसे देखने के लिए, एक 3D क्यूब की कल्पना करें जो लेगो (Lego) ब्लॉक्स से बना है। क्यूब का अधिकांश हिस्सा ब्लॉक्स से भरा है जिन्हें आसानी से कुछ मानक प्रकारों में समूहित किया जा सकता है। हालाँकि, यदि आप उस विकर्ण (diagonal) के साथ क्यूब को काटते हैं जहाँ तीनों आयाम मिलते हैं (वह रेखा जहाँ $x=y=z$ है), तो आप कुछ अलग पाते हैं। इस विकर्ण पर, नियम सरल नहीं होते। आप जानकारी को कंप्रेस (compress) करने की कितनी भी कोशिश करें, जैसे-जैसे क्यूब बड़ा होता जाता है, जटिलता बढ़ती जाती है। ग्रिड के बाकी हर हिस्से में, जटिलता कुछ प्रबंधनीय, सीमित प्रकारों में सिमट ("collapse") जाती है।

"फ्लैट" बनाम "डायगोनल"

शोध पत्र एक सहायक सादृश्य का उपयोग करता है जिसे लैटिस (lattice) या बिंदुओं का ग्रिड कहा जाता है।

नियमित क्षेत्र (ऑफ-डायगोनल): कल्पना कीजिए कि आप एक ग्रिड देख रहे हैं जहाँ आप अपनी उंगली को स्वतंत्र रूप से ऊपर, नीचे, बाएँ या दाएँ घुमा सकते हैं। यदि आप विकर्ण पर नहीं हैं, तो आपके पास कम से कम एक दिशा है जहाँ आप स्वतंत्र रूप से चल सकते हैं। शोध पत्र सिद्ध करता है कि इन क्षेत्रों में, तार्किक नियम अच्छे से व्यवहार करते हैं। भले ही ग्रिड बहुत बड़ा हो जाए (गहरे और गहरे पदों के साथ), आपको सीखने के लिए आवश्यक नियमों के विभिन्न "प्रकार" छोटे और स्थिर रहते हैं। यह एक ऐसे मानचित्र की तरह है जहाँ अधिकांश भूभाग समतल है; एक बार जब आप पहाड़ियों के कुछ बुनियादी आकारों को जान लेते हैं, तो आप पूरे क्षेत्र को जान जाते हैं।
विकर्ण क्षेत्र (डायगोनल ज़ोन): अब, एक ऐसी रेखा की कल्पना करें जहाँ आपको अपने सभी हाथों को एक साथ, पूर्ण तालमेल में चलाने के लिए मजबूर किया जाता है। यह विकर्ण है। यहाँ, आप स्वतंत्र रूप से चलने की अपनी स्वतंत्रता खो देते हैं। शोध पत्र दिखाता है कि इस रेखा पर, नियम सिमटते नहीं हैं। जैसे-जैसे ग्रिड बढ़ता है, अद्वितीय, जटिल पैटर्न की संख्या हमेशा बढ़ती रहती है। यह एक ऐसी सीढ़ी की तरह है जो कभी समाप्त नहीं होती; आप कितने भी कदम उठा लें, हमेशा एक नया, अद्वितीय कदम सीखने के लिए होता है।

यह क्यों महत्वपूर्ण है

लेखक का तर्क है कि यह केवल एक गणितीय चाल नहीं है; यह बदल देता है कि हमें सीखने के सिस्टम कैसे बनाने चाहिए।

जटिलता स्थानीयकृत है (Complexity is Localized): शोध पत्र सुझाव देता है कि सीखने का "कठिन हिस्सा" पूरी समस्या में समान रूप से फैला हुआ नहीं है। इसके बजाय, कठिनाई पूरी तरह से उस विकर्ण रेखा पर केंद्रित है।
"कोलैप्स" प्रभाव (The "Collapse" Effect): समस्या के लगभग अन्य सभी हिस्सों के लिए, तार्किक बाधाएं एक "जटिलता पतन" (complexity collapse) का कारण बनती हैं। इसका अर्थ है कि भले ही डेटा विशाल हो जाए, सीखने वाले को अलग-अलग अवधारणाओं को पहचानने के लिए आवश्यक विशिष्ट अवधारणाओं की संख्या छोटी और प्रबंधनीय रहती है।
अपवाद: फुल डायगोनल ही एकमात्र ऐसी जगह है जहाँ यह पतन विफल रहता है। यह अनंत जटिलता के स्रोत के रूप में बना रहता है।

शोध पत्र क्या खारिज करता है

शोध पत्र स्पष्ट रूप से इस विचार का खंडन करता है कि तार्किक जटिलता पूरे स्थान में समान रूप से फैली हुई है। यह इस धारणा को खारिज करता है कि एक एकल, सरल रणनीति पूरे हाइपरक्यूब को समान रूप से संभाल सकती है। इसके बजाय, यह सिद्ध करता है कि विकर्ण वह अनूठा "अपवाद" क्षेत्र है जो सरलीकरण का विरोध करता है।

वे कितने आश्वस्त हैं?

लेखक इसे केवल एक अनुमान या सिमुलेशन के रूप में नहीं, बल्कि एक गणितीय प्रमाण के रूप में प्रस्तुत करते हैं। शोध पत्र तर्क के साथ चरण-दर-चरण चलता है, एक सरल 2D मामले (एक वर्ग) से शुरू होता है और 3D (एक घन) और फिर उच्च आयामों की ओर बढ़ता है। यह दिखाने के लिए कि विकर्नल पर वर्गों की संख्या बिना किसी सीमा के बढ़ती है, जबकि अन्य जगहों पर यह सीमित रहती है, यह "एलिमेंट्री इक्विवेलेंस" (दो चीजों के तार्किक रूप से अविभेदित होने का एक तरीका) की कठोर परिभाषाओं का उपयोग करता है। निष्कर्ष को एक प्रमेय (theorem) के रूप में प्रस्तुत किया गया है: एक ठोस तथ्य जिसे लेखक ने अपने विशिष्ट गणितीय ढांचे के भीतर सिद्ध किया है।

जिज्ञासु किशोरों के लिए मुख्य बात

एक नई भाषा सीखने के बारे में सोचें। अधिकांश शब्द और व्याकरण के नियम एक पैटर्न का पालन करते हैं; एक बार जब आप मूल बातें सीख लेते हैं, तो आप हर एक वाक्य को याद रखने की आवश्यकता के बिना हजारों वाक्यों को संभाल सकते हैं। यह मानचित्र का "ऑफ-डायगोनल" हिस्सा है—यह कुछ सरल नियमों में सिमट जाता है। लेकिन एक विशिष्ट, अजीब बोली की कल्पना करें जहाँ प्रत्येक वाक्य के लिए एक अद्वितीय, पहले कभी न देखा गया ढांचा आवश्यक है जो वाक्य की सटीक लंबाई पर निर्भर करता है। वह "डायगोनल" है।

यह शोध पत्र हमें बताता है कि तार्किक सीखने की दुनिया में, हमें संभावनाओं के पूरे ब्रह्मांड को संभालने के लिए सुपर-कंप्यूटर की आवश्यकता नहीं है। हमें बस एक स्मार्ट सिस्टम की आवश्यकता है जो जानता हो कि "डायगोनल" के साथ अलग तरह से व्यवहार कैसे करना है। शेष मानचित्र के लिए, एक सरल, कुशल शिक्षक पर्याप्त है। जटिलता हर जगह नहीं है; यह एक विशिष्ट, पेचीदा कोने में छिपी हुई है। इस ज्यामिति को समझकर, हम बेहतर AI डिजाइन कर सकते हैं जो ठीक जानता है कि उसे अपनी मानसिक शक्ति कहाँ केंद्रित करनी है और कहाँ वह आराम कर सकता है।

तकनीकी सारांश: हाइपरक्यूब्स, हाइपरप्लेन्स और परमाणु अवधारणा शिक्षण में बाधा-प्रेरित जटिलता पतन (Complexity Collapse)

समस्या विवरण

यह शोध पत्र उच्च-आयताकार (higher-arity) परमाणु अवधारणा वर्गों (atomic concept classes) की सीखने की क्षमता का पुनरावलोकन करता है, जो विशेष रूप से सीमित-गहराई वाले पदों (bounded-depth terms) द्वारा उत्पन्न इंस्टेंस स्पेस के संरचनात्मक गुणों पर केंद्रित है। केंद्रीय समस्या यह समझना है कि तार्किक बाधाएं (प्रथम-क्रम वाक्य) ग्राउंड एटम्स (ground atoms) की ज्यामिति के साथ कैसे परस्पर क्रिया करती हैं ताकि सीखने की जटिलता निर्धारित की जा सके।

पिछले कार्यों ने स्थापित किया था कि तार्किक प्रतिबंध सीखने की जटिलता को कम कर सकते हैं, लेकिन यह शोध पत्र तर्क देता है कि इस जटिलता का वितरण इंस्टेंस स्पेस में समान नहीं है। लेखक एक एकल स्थिरांक $a$ और एक एकरूपी फलन (unary function) $f$ द्वारा उत्पन्न ग्राउंड एटम्स के "एम्बिएंट $r$ -आयामी हाइपरक्यूब" (ambient $r$ -dimensional hypercube) की जांच करते हैं, ताकि यह निर्धारित किया जा सके कि तार्किक जटिलता समान रूप से फैली हुई है या विशिष्ट संरचनात्मक क्षेत्रों में केंद्रित है।

कार्यप्रणाली (Methodology)

यह शोध पत्र परिमित मॉडल सिद्धांत (finite model theory), रिडक्शन थ्योरी (reduction theory) और विविक्त ज्यामिति (discrete geometry) के संश्लेषण का उपयोग करता है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

ज्यामितीय मॉडलिंग (Geometric Modeling): एक $r$ -ary प्रेडिकेट $P$ के लिए ग्राउंड एटम्स के स्थान को एक विविक्त हाइपरक्यूब $H_{r,n} = T_n^r$ के रूप में मॉडल किया गया है, जहाँ $T_n$ अधिकतम गहराई $n$ वाले ग्राउंड टर्म्स का सेट है। इस स्थान के बिंदु पदों की गहराई के टुपल्स $(i_1, \dots, i_r)$ हैं।
हाइपरप्लेन स्तरीकरण (Hyperplane Stratification): हाइपरक्यूब को समन्वय स्थितियों (coordinate conditions) द्वारा परिभाषित "हाइपरप्लेन" द्वारा स्तरित किया गया है:
- ऑर्थोगोनल हाइपरप्लेन (Orthogonal hyperplanes): जहाँ विशिष्ट निर्देशांक निश्चित मानों पर स्थिर होते हैं (जैसे, $i_1 = p$ )।
- डायगोनल हाइपरप्लेन (Diagonal hyperplanes): जहाँ निर्देशांकों का एक उपसमूह समान होने की आवश्यकता होती है (जैसे, $i_1 = i_2$ )।
- पूर्ण विकर्ण (The Full Diagonal - $\Delta_r$ ): वह विशिष्ट मामला जहाँ सभी $r$ निर्देशांक एक ही स्थान पर मिलते हैं ( $i_1 = \dots = i_r$ )।
रिडक्शन मशीनरी (Reduction Machinery): लेखक "मिनिमल रिडक्शन" और "कैनोनिकल सिंपल कॉन्सेप्ट्स" का उपयोग करते हैं। दो अवधारणाएं तब 'एलिमेंटरी इक्विवेलेंट' (elementarily equivalent) कहलाती हैं जब उनके संबंधित रिलेशनल स्ट्रक्चर एक ही प्रथम-क्रम वाक्यों को संतुष्ट करते हैं। एक 'मिनिमल रिडक्शन' एक ऐसा रिड्यूस्ड प्रतिनिधि है जो एलिमेंटरी थ्योरी को संरक्षित करता है। मुख्य तंत्र यह दिखाने में निहित है कि कुछ क्षेत्रों के लिए, बाधा $\phi$ के क्वांटिफायर रैंक द्वारा निर्धारित थ्रेशोल्ड से अधिक गहराई की जानकारी अनावश्यक हो जाती है और उसे हटाया जा सकता है।
केस विश्लेषण (Case Analysis): पेपर चार संभावित अवधारणा आकृतियों (क्वाड्रेंट, डायगोनल रेज़, एक्सिस रेज़ और पॉइंट्स) को दर्शाने के लिए पूर्ण रूप से विश्लेषित बाइनरी केस ( $r=2$ ) प्रदान करता है, और फिर इसे टर्नरी केस ( $r=3$ ) और सामान्य $r$ -ary सेटिंग के लिए सामान्यीकृत करता है।

मुख्य योगदान

ज्यामितीय-तार्किक वर्गीकरण (Geometric-Logical Taxonomy): शोध पत्र उच्च आयामों में हाइपरप्लेन व्यवहार का एक वर्गीकरण स्थापित करता है। यह प्रदर्शित करता है कि हाइपरक्यूब संरचनात्मक रूप से विषम (inhomogeneous) है: अधिकांश हाइपरप्लेन "जटिलता पतन" (complexity collapse) प्रदर्शित करते हैं, जबकि पूर्ण विकर्ण अपवाद बना रहता है।
विकर्ण का स्पष्ट लक्षण वर्णन (Explicit Characterization of the Diagonal): लेखक स्पष्ट रूप से पूर्ण विकर्ण $\Delta_r$ को उस अद्वितीय क्षेत्र के रूप में पहचानते हैं जहाँ टर्म डेप्थ $n$ बढ़ने के साथ एलिमेंटरी-इक्विवेलेंस क्लासेस की संख्या बिना किसी सीमा के बढ़ती है। इसके विपरीत, अन्य सभी हाइपरप्लेन (ऑर्थोगोनल और आंशिक डायगोनल) $n$ से स्वतंत्र होकर एक सीमित संख्या में सिमट (collapse) जाते हैं।
पतन का तंत्र (Mechanism of Collapse): यह शोध पत्र रिडक्शन मशीनरी को खोलता है, यह दिखाते हुए कि जटिलता पतन इसलिए होता है क्योंकि पूर्ण विकर्ण से बाहर, कम से कम एक समन्वय दिशा स्वतंत्र रहती है। यह उस स्वतंत्र दिशा के साथ मिनिमल रिडक्शन को असीमित गहराई की जानकारी को त्यागने की अनुमति देता है। पूर्ण विकर्ण पर, सभी दिशाओं के लॉक होने के कारण, एक "डिस्प्लेसमेंट इनवेरिएंट" (कोऑर्डिनेट के बीच का सापेक्ष अंतर) सुरक्षित रहता जिसे कम नहीं किया जा सकता, जिससे अनबाउंडेड जटिलता बनी रहती है।
लर्निंग-थ्योरेटिक व्याख्या (Learning-Theoretic Interpretation): यह कार्य संरचनात्मक बाधाओं को केवल वैश्विक रेगुलराइज़र के रूप में नहीं, बल्कि उन तंत्रों के रूप में पुनर्गठित करता है जो हाइपोथीसिस स्पेस के बड़े क्षेत्रों को कोलैप्स (collapse) कर देते हैं, जिससे केवल अत्यधिक इंटरैक्टिव क्षेत्रों (विकर्ण) का एक छोटा सेट जटिलता के प्राथमिक स्रोत के रूप में बचता है।

परिणाम

केंद्रीय परिणाम थ्योरम 1 (हाइपरप्लेन वर्गीकरण) है:

ऑफ-डायगोनल रेगुलरिटी (Off-Diagonal Regularity): $H_{r,n}$ में किसी भी हाइपरप्लेन $H \neq \Delta_r$ के लिए, $H$ पर प्रेरित अवधारणाएं अधिकतम $N(r)$ एलिमेंटरी-इक्विवेलेंस क्लासेस में आती हैं। महत्वपूर्ण रूप से, $N(r)$ केवल अरिटी $r$ और तार्किक बाधा $\phi$ पर निर्भर करता है, न कि टर्म डेप्थ $n$ पर।
डायगोनल एक्सेप्शनलिज्म (Diagonal Exceptionalism): पूर्ण विकूर्ण $\Delta_r$ पर, ऐसा कोई समानतम (uniform) बोउंड मौजूद नहीं है। $n \to \infty$ होने पर एलिमेंटरी-इक्विवेलेंस क्लासेस की संख्या बिना किसी सीमा के बढ़ती है।

बाइनरी केस विश्लेषण:
बाइनरी केस ( $r=2$ ) में, अवधारणाओं को चार आकृतियों में वर्गीकृत किया गया है:

क्वाड्रेंट्स (Quadrants): स्वतंत्र समन्वय सीमाएँ ( $i \ge p, j \ge q$ )।
एक्सिस रेज़ (Axis Rays): एक निश्चित समन्वय, एक स्वतंत्र ( $i=p, j \ge q$ )।
पॉइंट्स (Points): दोनों समन्वय निश्चित ( $i, j$ फिक्स्ड)।
डायगोनल रेज़ (Diagonal Rays): समन्वय एक संबंध में लॉक हैं ( $i = j + k$ )।
केवल डायगोनल रेज़ (आकृति 2) ही पूर्ण विकर्ण की विशेषता वाली अनबाउंडेड जटिलता प्रदर्शित करते हैं, क्योंकि वे एक रिलेशनल इनवेरिएंट (डिस्प्लेसमेंट) पर निर्भर करते हैं न कि स्वतंत्र समन्वय डेटा पर।

टर्नरी केस विश्लेषण:
टर्नरी केस ( $r=3$ ) यह प्रकट करता है कि आंशिक विकर्ण (जैसे, $i=j$ के साथ $k$ स्वतंत्र) निचले-आयामी नियमित हाइपरप्लेन की तरह व्यवहार करते हैं। उनके पास एक स्वतंत्र दिशा ( $k$ ) होती है जो रिडक्शन और पतन (collapse) की अनुमति देती है। पूर्ण विकर्ण ( $i=j=k$ ) ही एकमात्र क्षेत्र है जहाँ सभी दिशाएँ लॉक हैं, जो रिडक्शन को रोकता है।

महत्व और दावे

शोध पत्र का दावा है कि यह उच्च-आवता (higher-arity) परमाणु अवधारणा शिक्षण का एक संरचनात्मक पठन (structural reading) प्रदान करता है। इसका महत्व यहाँ है:

जटिलता का स्थानीयकरण (Localization of Complexity): यह स्पष्ट करता है कि परमाणु अवधारणा शिक्षण में तार्किक जटिलता समान रूप से वितरित नहीं है, बल्कि पूर्ण विकर्ण में केंद्रित है।
बाधा-प्रेरित पतन (Constraint-Induced Collapse): यह एक आधुनिक व्याख्या प्रदान करता है कि कैसे तार्किक बाधाएं हाइपोथीसिस स्पेस में "जटिलता पतन" उत्पन्न करती हैं, जिससे नियमित क्षेत्रों में प्रभावी स्वतंत्रता की डिग्री (degrees of freedom) कम हो जाती है और विकर्ण को मुख्य अभिव्यंजक जटिलता के स्रोत के रूप में छोड़ दिया जाता है।
मौलिक ढांचा (Foundational Framework): अपने डॉक्टरेट थीसिस से हाइपरक्यूब और हाइपरप्लेन ढांचे को पुनः प्राप्त करके, यह शोध पत्र डायगोनल के अपवाद (exceptionalism) को स्पष्ट करते हुए तार्किक रिडक्शन थ्योरी को इंडक्टिव बायस (inductive bias) और स्ट्रक्चर्ड क्लासिफिकेशन की समकालीन चर्चाओं से जोड़ता है।

लेखक स्पष्ट रूप से कहते हैं कि वर्तमान ज्यामितीय पठन (जहाँ टर्म्स एक श्रृंखला बनाते हैं) के लिए एकल एकरूपी फलन प्रतीक तक सीमित रहना आवश्यक है। वे स्वीकार करते हैं कि इन परिणामों को कई एकरूपी फलनों (वृक्ष/trees) या उच्च-आवता वाले फलन प्रतीकों (जहाँ टर्म्स वृक्ष होते हैं) तक विस्तारित करना एक खुला प्रश्न बना हुआ है, विशेष रूप से इस संबंध में कि क्या पूर्ण विकर्ण का कोई समानांतर (analogue) अभी भी अद्वितीय अपवाद क्षेत्र बना रहता है। यह शोध पत्र विशिष्ट न्यूरल आर्किटेक्चर या प्रायोगिक एल्गोरिदम का प्रस्ताव नहीं करता है, बल्कि यह सुझाव देता है कि भविष्य का कार्य नियमित क्षेत्रों के लिए बाधित घटकों (constrained components) और डायगोनल क्षेत्रों के लिए समृद्ध प्रतिनिधित्व (richer representations) वाले क्लासिफायर डिजाइन करने के लिए इस स्थानीयकरण का लाभ उठा सकता है।