🤖 machine learning

Robust data-driven discovery of fractional differential equations via weak formulations and Pareto-based subset selection

यह शोध पत्र 'वीक-पारेटो' (Weak-Pareto) को प्रस्तुत करता है, जो एक सुदृढ़ डेटा-संचालित ढांचा है जो शोर के प्रवर्धन को कम करने और विविक्त पद संरचनाओं (discrete term structures) एवं निरंतर भिन्नात्मक क्रमों (continuous fractional orders) दोनों को अनुकूलित करने के लिए एडजॉइंट-संगत वीक फॉर्मुलेशन को पारेटो-आधारित उपसमुच्चय चयन के साथ जोड़कर शोर वाले डेटा से भिन्नात्मक अवकल समीकरणों (fractional differential equations) को सटीक रूप से खोजने के लिए उपयोग किया जाता है।

मूल लेखक: Pongpisit Thanasutives, Yoshinobu Kawahara

प्रकाशित 2026-08-14

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pongpisit Thanasutives, Yoshinobu Kawahara

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

जासूस की दुविधा: शोर भरी दुनिया में छिपे नियमों को खोजना

कल्पना कीजिए कि आप एक जासूस हैं जो खिलाड़ियों को देखकर खेल के नियमों को समझने की कोशिश कर रहे हैं। आप एक गेंद को लुढ़कते हुए, एक कार को मुड़ते हुए, या एक वायरस को फैलते हुए देखते हैं, और आप उस सटीक गणितीय सूत्र को लिखने की कोशिश करते हैं जो यह बताता है कि क्यों ऐसा हो रहा है। यह "डेटा-ड्रिवन डिस्कवरी" (डेटा-आधारित खोज) का सपना है: डेटा को प्रकृति के नियम बताने देना, बजाय इसके कि हम पहले से ही उनका अनुमान लगाएं।

हालाँकि, वास्तविक जीवन अव्यवस्थपूर्ण है। हमारे द्वारा एकत्र किया गया डेटा कभी भी पूर्ण नहीं होता; यह स्टैटिक, ग्लिच और रैंडम शोर से भरा होता है, जैसे किसी रॉक कॉन्सर्ट में फुसफुसाहट सुनने की कोशिश करना। भौतिकी की दुनिया में, कुछ प्रणालियाँ केवल उन चीजों पर प्रतिक्रिया नहीं देतीं जो उनके ठीक बगल में हो रही हैं; उनकी "लंबी याददाश्त" या स्थान और समय में "भूतिया संबंध" होते हैं। वैज्ञानिक इन्हें "फ्रैक्शनल" (fractional) सिस्टम कहते हैं। इसे एक भीड़ द्वारा 'वेव' (wave) बनाने जैसा समझें: पीछे खड़ा व्यक्ति केवल अपने सामने वाले व्यक्ति पर प्रतिक्रिया नहीं देता; वह पूरी लहर के पैटर्न पर प्रतिक्रिया देता है।

समस्या यह है कि जब आप इन भूतिया संबंधों के पीछे के गणित को शोर भरे डेटा का उपयोग करके खोजने की कोशिश करते हैं, तो सामान्य उपकरण इसे और भी बदतर बना देते हैं। एक अव्यवस्थित डेटासेट पर यह गणना करना कि कोई चीज़ कितनी तेज़ी से बदल रही है (डिफरेंशिएशन/अवकलन), एक धुंधली फोटो को कंट्रास्ट बढ़ाकर शार्प करने की कोशिश करने जैसा है—यह केवल धुंधलेपन को एक विशाल, अनुपयोगी मलबे में बदल देता है। यह शोध पत्र इस बड़े सवाल पर प्रहार करता है: हम इन जटिल प्रणालियों के छिपे हुए, भूतिया नियमों को कैसे खोज सकते हैं बिना यह सुनिश्चित किए कि शोर सिग्नल को दबा न दे?

समाधान: वीक-पारेटो (Weak-Pareto), शोर-मुक्त जासूस

शोधकर्ताओं, पोंगपिसिट थनासुविव्स और योशिनोबू कावाहारा ने वीक-पारेटो (Weak-Pareto) नामक एक नया टूल बनाया है। यह दो विचारों का एक चतुर संयोजन है जो "शोर वाले डेटा" की समस्या को हल करने के लिए मिलकर काम करते हैं।

1. "स्मूदी" ट्रिक (वीक फॉर्मुलेशन/दुर्बल स्वरूप)
आमतौर पर, जब वैज्ञानिक समीकरण खोजने की कोशिश करते हैं, तो वे डेटा को बिंदु-दर-बिंदु देखते हैं, जैसे हर एक सेकंड में कार की गति की जांच करना। यदि डेटा शोर भरा है, तो यह एक आपदा है क्योंकि शोर बढ़ जाता है, जिससे एक छोटी सी गड़बड़ी एक बड़ी त्रुटि में बदल जाती है।

वीक-पारेटो कुछ अलग करता है। व्यक्तिगत बिंदुओं को देखने के बजाय, यह एक "वीक फॉर्मुलेशन" का उपयोग करता है। कल्पना कीजिए कि आपके पास कीचड़ वाला पानी (शोर भरा डेटा) का एक बाल्टी है और आप जानना चाहते हैं कि इसमें कितनी गंदगी है। हर एक कण को गिनने की कोशिश करने के बजाय (जो असंभव है क्योंकि वे बहुत छोटे और गतिशील हैं), आप पूरे बाल्टी को एक महीन छलनी (एक स्मूथ टेस्ट फंक्शन) से छानते हैं और जो बाहर आता है उसे तौलते हैं।

गणित के शब्दों में, यह "छलनी" एक चिकनी, कोमल वक्र (curve) है। इस डेटा को एक चिकने वक्र से गुणा करके और सबको जोड़कर (इंटीग्रेट करके), यह टूल डेटा की "खुरदरापन" को उस चिकने वक्र पर स्थानांतरित कर देता है। परिणाम? शोर औसत होकर कम हो जाता है और सुचारू हो जाता है, जबकि वास्तविक सिग्नल स्पष्ट रहता है। यह एक उच्च गुणवत्ता वाले स्पीकर सिस्टम के माध्यम से गाना सुनने जैसा है जो स्टैटिक को फ़िल्टर करता है, बजाय इसके कि आप एक टूटे हुए रेडियो के माध्यम through इसे सुनने की कोशिश करें।

2. "स्मार्ट सर्च" (पारेटो-आधारित सबसेट चयन)
एक बार जब डेटा को स्मूथ (चिकना) कर दिया जाता है, तो टूल को अभी भी यह अनुमान लगाना होता है कि समीकरण में वास्तव में कौन से गणितीय पद शामिल हैं। पदों और संख्याओं के लाखों संभावित संयोजन मौजूद हैं। एक सीधा खोज प्रयास हर एक को आज़माने की कोशिश करेगा, लेकिन यह घास के ढेर में से एक विशिष्ट सुई को खोजने के लिए घास के हर एक टुकड़े की जाँच करने जैसा है।

वीक-पारेटो एक "पारेटो-आधारित सबसेट चयन" का उपयोग करता है। इसे एक स्मार्ट शॉपिंग लिस्ट के रूप में सोचें। आप सबसे अच्छा समीकरण चाहते हैं, लेकिन आप यह भी चाहते हैं कि वह सरल (parsimonious) हो। यदि आप बहुत अधिक पद जोड़ते हैं, तो समीकरण बहुत जटिल हो जाता है और नियमों के बजाय शोर को याद करने लगता है। यह टूल "लॉस" (समीकरण कितना गलत है) और "कॉम्प्लेक्सिटी" (इसमें कितने पद हैं) के बीच संतुलन बनाकर उस "स्वीट स्पॉट" की तलाश करता है—सबसे सरल समीकरण जो अभी भी डेटा की पूरी तरह से व्याख्या करता है। यह एक ऐसे फोन के लिए सबसे अच्छी कीमत खोजने जैसा है जो बहुत महंगा भी न हो लेकिन उसमें सभी फीचर्स भी हों।

गुप्त मंत्र: निरंतर क्रम (Continuous Orders)
अधिकांश उपकरणों को एक निश्चित सूची से समीकरण के "ऑर्डर" का अनुमान लगाना पड़ता है, जैसे 1, 1.5, या 2 के बीच चुनना। लेकिन वास्तविक दुनिया हमेशा ग्रिड पर फिट नहीं बैठती। ऑर्डर 1.634 हो सकता है। वीक-पारेटो सूची से अनुमान नहीं लगाता; यह सटीक संख्या की खोज करता है, ऑर्डर को एक निरंतर चर (continuous variable) के रूप में मानता है। यह "डिसक्रेटाइजेशन बायस" (discretization bias) से बचाता है जहाँ आप एक चौकोर छेद में गोल खूँटा ठोकने की कोशिश करते हैं।

उन्होंने क्या पाया

टीम ने कई प्रसिद्ध भौतिकी समस्याओं पर वीक-पारेटो का परीक्षण किया, जिसमें कणों के प्रसार (एडवेक्शन-डिफ्यूजन) और तरल पदार्थों की गति (बर्गर्स इक्वेशन) शामिल हैं।

यह शोर में भी काम करता है: जब उन्होंने डेटा में 20% शोर (जो बहुत अधिक स्टैटिक है) जोड़ा, तो वीक-पारेटो ने एडवेक्शन-डिफ्यूजन और बर्गर्स बेंचमार्क दोनों के लिए 5 में से 5 प्रयासों में सही समीकरण सफलतापूर्वक खोज लिया।
प्रतिद्वंद्वी विफल रहा: उन्होंने पुराने "स्ट्रॉन्ग-फॉर्म" (बिंदु-दर-बिंदु दृष्टिकोण) पद्धति के साथ इसकी तुलना की। जब शोर पेश किया गया, तो स्ट्रॉन्ग-फॉर्म विधि पूरी तरह से विफल रही, और शोर से घिर जाने के कारण वह 5 में से 0 रन में सही समीकरण भी नहीं खोज पाई।
यह 2D और 3D को संभालता है: उन्होंने यह भी दिखाया कि यह दो आयामों (2D) में काम करता है, जो अलग-अलग दिशाओं के लिए अलग-अलग नियम खोजता है, जो मिट्टी के माध्यम से गर्मी के प्रसार या सामग्रियों के खिंचाव जैसी चीजों के लिए महत्वपूर्ण है।
गति: एडवेक्शन-डिफ्यूजन बेंचमार्क पर, यह न केवल अधिक सटीक था बल्कि एक न्यूरल नेटवर्क बेसलाइन की तुलना में काफी तेज़ भी था।

सावधानी और विश्वास

लेखक इस बात को लेकर बहुत सावधान हैं कि वे क्या दावा करते हैं। उन्होंने गणितीय रूप से सिद्ध किया कि समीकरण के रैखिक (linear) भागों के लिए, जैसे-जैसे डेटा पॉइंट्स बढ़ते हैं, "वीक" विधि में शोर समाप्त हो जाता है। हालाँकि, गैर-रैखिक (non-linear) भागों के लिए (जहाँ चीजें जटिल हो जाती हैं, जैसे $u \times u$ ), शोर का दमन केवल "आंशिक" है, जिसका अर्थ है कि यह बहुत मदद करता है लेकिन पूर्वाग्रह (bias) को पूरी तरह से खत्म नहीं करता है।

उन्होंने यह भी पाया कि जबकि यह टूल समीकरण की संरचना (कौन से पद वहाँ हैं) खोजने में महान है, कभी-कभी यदि शोर बहुत अधिक है और सिस्टम जटिल है (जैसे रिएज़ रिएक्शन-डिफ्यूजन बेंचमार्क), तो यह सटीक संख्याओं को सही ढंग से पकड़ने में संघर्ष करता है। उन कठिन मामलों में, यह सही पदों को तो ढूंढ सकता है लेकिन फ्रैक्शनल ऑर्डर को थोड़ा गलत कर सकता है, या अपनी खोज सीमा के किनारों से टकरा सकता है।

लेकिन मुख्य निष्कर्ष स्पष्ट है: "वीक फॉर्मुलेशन" की "स्मूदी" ट्रिक और सबसे सरल, सबसे सटीक मॉडल के लिए स्मार्ट खोज का उपयोग करके, वीक-पारेटो शोर भरे डेटा के बावजूद फ्रैक्शनल भौतिकी के छिपे हुए नियमों को उजागर कर सकता है। यह एक शोर भरे, अराजक सिग्नल को दुनिया कैसे काम करती है, इसकी एक स्पष्ट और व्याख्या योग्य कहानी में बदल देता है।

तकनीकी सारांश: कमजोर सूचकांकों (Weak Formulations) और पारेटो-आधारित उपसमुच्चय चयन के माध्यम से भिन्नात्मक विभेदक समीकरणों (Fractional Differential Equations) की सुदृढ़ डेटा-संचालित खोज

1. समस्या विवरण

डेटा से शासन समीकरणों (governing equations) की खोज वैज्ञानिक मशीन लर्निंग का एक केंद्रीय लक्ष्य है। जबकि SINDy और PDE-FIND जैसी विधियों ने एक लाइब्रेरी से विरल पदों (sparse terms) का चयन करके पूर्णांक-क्रम (integer-order) के आंशिक विभेदक समीकरणों (PDEs) की सफलतापूर्वक पहचान की है, भिन्नात्मक आंशिक विभेदक समीकरणों (FPDEs) तक विस्तार करना अनूठे चुनौतीपूर्ण पेश करता है। FPDEs उन गैर-स्थानीय गतिकी (nonlocal dynamics) को मॉडल करते हैं जो विसंगतिपूर्ण प्रसार (anomalous diffusion), विस्कोइलास्टिसिटी और विषम माध्यमों में परिवहन में पाए जाते हैं।

दो प्राथमिक कठिनाइयाँ FPDE खोज में बाधा डालती हैं:

शोर प्रवर्धन (Noise Amplification): भिन्नात्मक अवकलन आवृत्ति डोमेन (frequency domain) में एक उच्च-पास फ़िल्टर (high-pass filter) के रूप में कार्य करता है, जो फूरियर मोड को $|\kappa|^\beta$ द्वारा स्केल करता है। फलस्वरूप, शोर वाले डेटा पर भिन्नात्मक डेरिवेटिव का बिंदुवार (strong-form) मूल्यांकन उच्च-आवृत्ति वाले मापन शोर को प्रवर्धित कर देता है, जिससे डेरिवेटिव के क्रम या शोर के स्तर के बढ़ने के साथ स्ट्रोंग-फॉर्म रिग्रेशन नाजुक हो जाता है।
सतत क्रम अनुकूलन (Continuous Order Optimization): पूर्णांक-क्रम खोज के विपरीत, FPDEs में डेरिवेटिव के क्रम निरंतर वास्तविक संख्याएँ होते हैं। एक निश्चित डिक्शनरी (dictionary) या तो बहुत मोटे स्तर की होनी चाहिए (जो विवक्तीकरण पूर्वाग्रह/discretization bias उत्पन्न करती है) या सघन (dense) होनी चाहिए (जो लगभग सह-रैखिकता/collinearity पैदा करती है जो सपोर्ट चयन को अस्थिर कर देती है)।

मौजूदा भिन्नात्मक खोज विधियाँ आमतौर पर डेरिवेटिव का बिंदुवार मूल्यांकन करती हैं या न्यूरल नेटवर्क पुनर्निर्माण पर निर्भर करती हैं, जो भिन्नात्मक ऑपरेटरों की शोर संवेदनशीलता या आदेशों की निरंतर प्रकृति को प्रभावी ढंग से संबोधित करने में विफल रहती हैं।

2. कार्यप्रणाली: Weak-Pareto

लेखक Weak-Pareto का प्रस्ताव करते हैं, जो एक एडजॉइंट-कंसिस्टेंट वीक फॉर्मुलेशन (adjoint-consistent weak formulation) को एक पारेटो-आधारित उपसमुच्चय चयन (Pareto-based subset selection) रणनीति के साथ एकीकृत करता है।

A. एडजॉइंट-कंसिस्टेंट वीक फॉर्मुलेशन
मुख्य नवाचार एक 'वीक लाइब्रेरी' का निर्माण है जहाँ भिन्नात्मक ऑपरेटरों को एकीकरण द्वारा (integration by parts/adjoint identities के माध्यम से) चिकने टेस्ट फंक्शन्स (smooth test functions) पर स्थानांतरित किया जाता है।

रैखिक पद (Linear Terms): रैखिक राइट-हैंड-साइड पदों के लिए, भिẪत्मक डेरिवेटिव पूरी तरह से चिकने टेस्ट फंक्शन $\phi$ $ϕ$ पर कार्य करता है। मापा गया क्षेत्र $u$ $u$ बिना अवकलित (undifferentiated) रहता है। फीचर को $\langle u, X^*_\beta \phi \rangle$ $⟨ u, X_{β}^{*} ϕ ⟩$ के रूप में परिभाषित किया जाता है, जहाँ $X^*_\beta$ $X_{β}^{*}$ उम्मीदवार ऑपरेटर का एडजॉइंट है।
- शोर मजबूती (Noise Robustness): सैद्धांतिक विश्लेषण (प्रपोजिशन 1) दर्शाता है कि रैखिक पदों के लिए, ग्रिड रिफाइनमेंट के तहत वीक फीचर्स का वेरिएंस $O(h_t h_x)$ के रूप में लुप्त हो जाता है, जबकि पॉइंटवाइज स्ट्रोंग-फॉर्म फीचर्स का वेरिएंस $O(h_x^{-2\beta})$ के रूप में बढ़ता है।
गैर-रैखिक पद (Nonlinear Terms): $u^p X_\beta u$ जैसे पदों के लिए, वीक फॉर्म $\langle u, X^*_\beta (u^p \phi) \rangle$ है। हालांकि अवकलन अभी भी मापे गए क्षेत्र पर कार्य करता है, एकीकरण एक औसत प्रभाव प्रदान करता है जो शोर को आंशिक रूप से दबा देता है।
एडजॉइंट कंसिस्टेंसी: यह ढांचा प्रत्येक विशिष्ट एडजॉइंट और बाउंड्री टर्म का उपयोग करके विभिन्न ऑपरेटर परिभाषाओं (Caputo, Riemann–Liouville, Riesz, directional spectral) को स्पष्ट रूप से संभालता है, जिससे यह सुनिश्चित होता है कि पहचाना गया ऑपरेटर घोषित उम्मीदवार से मेल खाता है।

B. ब्रांच-अवेयर कंटीन्यूअस-ऑर्डर पारेटो सर्च
निश्चित डिक्शनरी के दोषों से बचने के लिए, Weak-Pareto भिन्नात्मक आदेशों को डिफरेंशियल इवोल्यूशन के माध्यम से अनुकूलित निरंतर चर के रूप में मानता है।

एन्कोडिंग: उम्मीदवारों को टुपल्स $(m_\alpha, \alpha, p, \beta, \xi)$ के रूप में एनकोड किया जाता है, जहाँ $m_\alpha$ टेम्पोरल ब्रांच (सबयूनिट $0<\alpha<1$ , सटीक पूर्णांक $\alpha=1$ , या सुपरयूनिट $1<\alpha<2$ ) को दर्शाता है।
खोज रणनीति: एल्गोरिदम द्वि-स्तरीय अनुकूलन (bi-level optimization) करता है:
1. ग्लोबल सर्च: डिफरेंशियल इवोल्यूशन विशिष्ट शाखाओं के भीतर निरंतर आदेशों ( $\alpha, \beta$ ) को अनुकूलित करता है।
2. लोकल फिट: निश्चित आदेशों और घातों (powers) के लिए, गुणांक $\xi$ को रिज रिग्रेशन (ridge regression) का उपयोग करके विश्लेषणात्मक रूप से फिट किया जाता है।
मॉडल चयन: विधि सपोर्ट साइज $c$ के माध्यम से स्वीप करती है और वैलिडेशन-एरर–कॉम्प्लेक्सिटी पारेटो फ्रंट के "एल्बो" (elbow) पर इष्टतम मॉडल का चयन करती है। यह ओवरफिटिंग और सघन डिक्शनरी से जुड़ी को-लिनियैरिटी समस्याओं से बचाता है।
रिफाइनमेंट: चयन के बाद, मॉडल एक "एक्सटैक्ट-ऑर्डर रिफिट" से गुजरता है, जो पूर्व-निर्धारित ग्रिड से इंटरपोलेट करने के बजाय सीधे निरंतर इष्टतम मानों पर ऑपरेटरों का मूल्यांकन करता है, जिससे अंतिम गुणांकों से इंटरपोलेशन त्रुटि हट जाती है।

3. मुख्य योगदान

यह शोध पत्र तीन प्राथमिक योगदानों का दावा करता है:

एडजॉइंट-कंसिस्टेंट वीक लाइब्रेरी: एक भिẪत्मक फीचर्स की लाइब्रेरी जहाँ रैखिक पद शोर वाले डेटा का अवकलन नहीं करते हैं। लेखक सैद्धांतिक प्रमाण प्रदान करते हैं कि कैसे इन फीचर्स का वेरिएंस ग्रिड रिफाइनमेंट के तहत लुप्त हो जाता है, जो स्ट्रोंग-फॉर्म फीचर्स के विचलन (divergence) के विपरीत है।
कंटीन्यूअस-ऑर्डर पारेटो सर्च: एक खोज तंत्र जो निरंतर भिẪत्मक आदेशों को अनुकूलित करता है और साथ ही सपोर्ट साइज का चयन करता है। यह दृष्टिकोण विवक्तीकरण पूर्वाग्रह (discretization bias) और सघन फिक्स्ड डिक्शनरी से जुड़ी गंभीर को-लिनियैरिटी से बचता है।
नियंत्रित विश्लेषण और बेसलाइन्स: आइसोलेटेड बेनिफिट्स (जैसे वीक फॉर्म बनाम पॉइंटवाइज) को दिखाने के लिए व्यापक प्रयोग। इसमें "सुपरयूनिट" टेम्पोरल ब्रांच ( $1 < \alpha < 2$ ) का एक नवीन डायग्नोस्टिक भी शामिल है।

4. प्रयोगात्मक परिणाम

विधि का मूल्यांकन चार बेंचमार्क पर किया गया: फ्रैक्शनल एडवेक्शन–डिफ्यूजन (FADE), दो Riesz रिएक्शन–डिफ्यूजन समीकरण, और फ्रैक्शनल बर्गर्स।

शोर मजबूती (Noise Robustness): स्ट्रोंग-फॉर्म काउंटरपार्ट के विरुद्ध नियंत्रित तुलनाओं में, Weak-Pareto ने FADE और बर्गर्स के लिए सभी परीक्षण किए गए मल्टीप्लिकेटिव नॉइज़ स्तरों में 5/5 रन में सही सपोर्ट को रिकवर किया। स्ट्रोंग-फॉर्म फ्रेमवर्क किसी भी नॉइजी रन में सही बर्गर सपोर्ट को रिकवर करने में विफल रहा और 5% शोर पर FADE के लिए 5/5 रन में से 4/5 रन में सही सपोर्ट रिकवर करने में विफल रहा। जबकि Weak-Pareto ने उच्च शोर स्तरों पर भी सही सपोर्ट रिकवरी बनाए रखी, FADE के लिए गुणांक अनुमान त्रुटियां 20% शोर पर काफी बढ़ गईं क्योंकि छोटे डिफ्यूजन गुणांक का अनुमान लगाना कठिन हो गया था।
सटीकता (Accuracy): FADE और बर्गर्स पर, Weak-Pareto ने 10% शोर के साथ भी ऑर्डर और गुणांक अनुमान में कम त्रुटि प्राप्त की। Riesz रिएक्शन–डिफ्यूजन बेंचमार्क आइडेंटिफिएबिलिटी (identifiability) मुद्दों के कारण अधिक चुनौतीपूर्ण साबित हुए, हालांकि सपोर्ट रिकवरी उच्च बनी रही।
सुपरयूनिट ब्रांच: एक सेमी-एनालिटिक डायग्नोस्टिक ने पुष्टि की कि Weak-Pareto स्वच्छ और हल्के शोर (0.5%) के तहत सही सुपरयूनिट ब्रांच ( $\alpha = 1.65$ ) की पहचान कर सकता है, जबकि स्ट्रोंग-फॉर्म विधि 0.5% शोर पर भी सही ब्रांच चुनने में विफल रही।
2D विस्तार: एक द्वि-आयामी विस्तार ने शोर वाली स्थितियों में अलग-अलग कोऑर्डिनेट-डिपेंडेंट ऑर्डर्स और एनिसोट्रोपिक मॉडल्स को सफलतापूर्वक रिकवर किया।
दक्षता (Efficiency): FADE बेंचमार्क पर, Weak-Pareto ने न्यूरल नेटवर्क बेसलाइन की तुलना में काफी कम रनटाइम और अधिक सुसंगत ऑपरेटर रिकवरी प्रदर्शित की।

5. महत्व और दावे

यह शोध पत्र Weak-Pareto को पहले ऐसे समीकरण-खोज ढांचे के रूप में स्थापित करता है जो साथ मिलकर निम्नलिखित प्राप्त करता है:

भिẪत्मक ऑपरेटरों के लिए वीक फॉर्मुलेशन का उपयोग।
भिẪत्मक (गैर-पूर्णांक) समीकरणों के लिए समर्थन।
निरंतर आदेशों (continuous orders) का अनुकूलन।
बेस्ट-सबसेट चयन (एक निश्चित डिक्शनरी पर स्पार्स रिग्रेशन के बजाय)।
एडजॉइंट-कंसिस्टेंट हैंडलिंग ऑफ भिẪत्मक बाउंड्री टर्म्स।

लेखक दावा करते हैं कि वीक लाइब्रेरी ही शोर मजबूती का प्राथमिक चालक है, क्योंकि एब्लेशन अध्ययनों ने दिखाया कि वीक फॉर्मुलेशन को हटाने (पॉइंटवाइज फीचर्स का उपयोग करने) से शोर के तहत विधि विफल हो गई, भले ही समान चयन रणनीति का उपयोग किया गया हो। इसके अलावा, यह दिखाया गया है कि निरंतर-ऑर्डर सर्च सघन फिक्स्ड डिक्शनरी की तुलना में बेहतर है, जो को-लिनियैरिटी और विवक्तीकरण पूर्वाग्रह से ग्रस्त होते हैं। यह कार्य एक कठोर सैद्धांतिक आधार प्रदान करता है कि क्यों वीक फॉर्मुलेशन भिẪत्मक खोज को स्थिर करता है और शोर वाले डेटा से गैर-स्थानीय गतिकी की खोज के लिए एक व्यावहारिक, व्याख्या योग्य उपकरण प्रदान करता है।