🤖 machine learning

When Does More Correct Data Hurt? Insertion-Stability and the Limits of Dimension-Based Theory

यह शोध पत्र यह प्रदर्शित करता है कि जबकि प्रतिकूल प्रविष्टियों (adversarial insertions) के कारण सही ढंग से लेबल किए गए डेटा को जोड़ने से विरोधाभासी रूप से एक शिक्षार्थी (learner) की त्रुटि बढ़ सकती है, यह भेद्यता डेटा वर्ग की विमा (dimensionality) के अंतर्निहित नहीं है बल्कि इस पर निर्भर करती है कि विशिष्ट शिक्षार्थी "प्रविष्टि-स्थिर" (insertion-stable) है या नहीं, जो एक ऐसा गुण है जो कुछ एल्गोरिदम को ऐसी जोड़ियों के बावजूद इष्टतम त्रुटि दरों को बनाए रखने की अनुमति देता है।

मूल लेखक: Joseph Sankoorikal Johny

प्रकाशित 2026-08-17

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joseph Sankoorikal Johny

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

पूर्ण डेटा का विरोधाभास

कल्पना कीजिए कि आप एक रोबोट को बिल्लियों को पहचानना सिखाने की कोशिश कर रहे हैं। आप उसे एक हजार फोटो दिखाते हैं जिनमें प्यारे टैबी और चिकने सियामीस (siamese) बिल्लियाँ हैं, और वे सभी सही ढंग से लेबल की गई हैं। रोबोट नियम सीखता है और बिल्लियों को पहचानने में काफी कुशल हो जाता है। अब, कल्पना कीजिए कि आप उसकी और मदद करने का निर्णय लेते हैं। आप उन्हीं फोटो को लेते हैं, उन्हें घुमाते हैं (rotate), ज़ूम करते हैं, या उन्हें सौ बार कॉपी-पेस्ट करते हैं, यह सुनिश्चित करते हुए कि प्रत्येक नई छवि अभी भी सही ढंग से "बिल्ली" के रूप में लेबल की गई है। सामान्य ज्ञान कहता है कि इससे रोबोट केवल अधिक स्मार्ट होना चाहिए, है ना? अधिक डेटा, भले ही वह केवल एक ही तरह का हो, कम गलतियों का संकेत देना चाहिए।

लेकिन मशीन लर्निंग की दुनिया में, विशेष रूप से सांख्यिकीय शिक्षण सिद्धांत (statistical learning theory) नामक एक क्षेत्र में, चीजें हमेशा इतनी सरल नहीं होती हैं। यह क्षेत्र अध्ययन करता है कि कंप्यूटर उदाहरणों से कैसे सीखते हैं और हम गणितीय रूप से कैसे गारंटी दे सकते हैं कि वे भ्रमित नहीं होंगे। शोधकर्ता जो बड़ा सवाल पूछते हैं, वह है: "एक अवधारणा (concept) को पूरी तरह से सीखने के लिए हमें कितने उदाहरणों की आवश्यकता है?" आमतौर पर, उत्तर होता है "जितना अधिक हो, उतना बेहतर।" हालाँकि, एक नया शोध पत्र एक अजीब मोड़ की खोज करता है: क्या होगा यदि आपको अतिरिक्त डेटा देने वाला व्यक्ति एक चालाक छली (trickster) हो? वह झूठ बोलने वाला नहीं है जो आपको गलत लेबल देता है, बल्कि एक "मोनोटोन एडवर्सरी" (monotone adversary) है। यह छली आपके मूल डेटा को देखता है, फिर अपनी इच्छानुसार जितने चाहें उतने सही ढंग से लेबल किए गए उदाहरण जोड़ता है, लेकिन वे उन्हें विशेष रूप से रोबोट की सीखने की प्रक्रिया को भ्रमित करने के लिए चुनते हैं। यह शोध पत्र एक चौंकाने वाला सवाल पूछता है: क्या सही जानकारी जोड़ने से वास्तव में एक लर्निंग एल्गोरिदम का प्रदर्शन खराब हो सकता है?

जब अधिक "मदद" एक जाल बन जाती है

स्वतंत्र शोधकर्ता जोसेफ संकोरिकल जॉनी द्वारा लिखा गया यह शोध पत्र उस विरोधाभास की गहराई में उतरता है। लेखक एक ऐसे परिदृश्य की जांच करता है जहाँ एक लर्निंग एल्गोरिदम को प्रशिक्षण डेटा के एक स्वच्छ सेट के बाद, एक ऐसे विरोधी द्वारा चुने गए अतिरिक्त, पूरी तरह से सही उदाहरणों की बाढ़ दी जाती है जो ठीक जानता है कि मूल डेटा कैसा दिखता था। लक्ष्य यह देखना है कि क्या एल्गोरिदम सत्य को सीख सकता है, या क्या यह "सहायक" शोर इसे तोड़ देता है।

शोध पत्र की मुख्य खोज यह है कि उत्तर पूरी तरह से इस बात पर निर्भर करता है कि एल्गोरिदम कैसे सीखता है, न कि केवल उस प्रकार के डेटा पर जिसे वह सीखने की कोशिश कर रहा है। लेखक एक अवधारणा पेश करता है जिसे इंसर्शन-स्टेबिलिटी (insertion-stability) कहा जाता है। एक लर्निंग एल्गोरिदम को एक ऐसे जासूस के रूप में सोचें जो एक रहस्य सुलझाने की कोशिश कर रहा है। एक "इंसर्शन-स्टेबल" जासूस वह है जो, अधिक सुराग मिलने पर (भले ही वे सुराग किसी खलनायक द्वारा चुने गए हों), संदिग्धों की सूची को कम करने में केवल बेहतर हो सकता है। उनका "त्रुटि क्षेत्र" (error zone)—वह क्षेत्र जहाँ वे गलत अनुमान लगा सकते हैं—सिकुड़ता है या स्थिर रहता है, लेकिन कभी बढ़ता नहीं है। यदि कोई जासूस इंसर्शन-स्टेबल है, तो खलनायक की चालें मायने नहीं रखतीं; जासूस उतना ही अच्छा प्रदर्शन करेगा जितना कि उसने केवल मूल सुराग देखे होते।

हालाँकि, शोध पत्र सिद्ध करता है कि सभी जासूस इस तरह के स्थिर नहीं होते हैं। कुछ प्रकार की शिक्षण समस्याओं के लिए, अधिक सही डेटा जोड़ना नुकसानदेह होता है। लेखक दिखाता है कि कुछ समस्याओं के वर्गों के लिए, सर्वोत्तम संभव त्रुटि दर (error rate) $\log(n)$ (एक लॉगरिदमिक कारक) के कारक से खराब हो जाती है जब इस प्रकार का प्रतिकूल डेटा जोड़ा जाता है। इसका अर्थ यह है कि अनंत सही डेटा के साथ भी, एल्गोरिदम एक उच्च त्रुटि दर के साथ फंसा हुआ हो सकता है जो उसे केवल कुछ स्वच्छ उदाहरणों के साथ प्राप्त होता।

महान आयामी विसंगति (The Great Dimension Mismatch)

इस शोध पत्र का सबसे चंचल और आश्चर्यजनक हिस्सा यह है कि यह क्षेत्र में एक लंबे समय से चली आ रही धारणा को कैसे गलत साबित करता है। दशकों से, शोधकर्ता यह भविष्यवाणी करने के लिए कि एक लर्निंग समस्या कितनी कठिन है, गणितीय "आयामों" (जैसे VC डायमेंशन और लिटलस्टोन डायमेंशन) का उपयोग करते आए हैं। यह सामान्य रूप से माना जाता था कि यदि दो समस्याओं के आयाम समान हैं, तो वे एक जैसा व्यवहार करेंगी।

लेखक इसे गलत साबित करता है। वे डेटा के दो विशिष्ट "विश्व" (गणितीय वर्ग) का निर्माण करते हैं जिनके आयाम बिल्कुल समान (दोनों 2 के बराबर) हैं। एक दुनिया में, लर्निंग एल्गोरिदम 'इंसर्शन-स्टेबल' है; वह विरोधी की चालों को नज़रअंदाज़ करता है और तेजी से सीखता है। दूसरी दुनिया में, एल्गोरिदम स्थिर नहीं है, और विरोधी त्रुटि दर को बहुत खराब होने के लिए मजबूर कर सकता है, विशेष रूप से $\Theta(1/n)$ के बजाय $\Theta(\log(en)/n)$ ।

इसे ठोस बनाने के लिए, शोध पत्र दो परिदृश्यों की तुलना करता है:

"सुरक्षित" दुनिया (इंटरसेक्शन-क्लोज्ड क्लासेस): एक ऐसे नियमों के वर्ग की कल्पना करें जहाँ दो वैध नियमों को मिलाने से हमेशा एक अन्य वैध नियम बनता है (जैसे "लाल वर्ग है" और "नीला वर्ग है" मिलकर "लाल वर्ग और नीला वर्ग है" बनाते हैं)। इनके लिए, लेखक सिद्ध करता है कि "क्लोजर" (Closure) एल्गोरिदम इंसर्शन-स्टेबल है। विरोधी चाहे कितने भी अतिरिक्त सही उदाहरण जोड़ दे, त्रुटि दर कम और स्वच्छ रहती है। अतिरिक्त डेटा हानिरहित है।
"चालाक" दुनिया (मेहरोट्रा का क्लास): लेखक एक विशिष्ट, जटिल समस्या वर्ग (प्रोजेक्टिव प्लेन से निर्मित) का विश्लेषण करता है जहाँ आयाम भी छोटे हैं, लेकिन संरचना अलग है। यहाँ, आप जो भी एल्गोरिदम उपयोग करें, विरोधी त्रुटि दर को बहुत अधिक होने के लिए मजबूर कर सकता है। शोध पत्र सिद्ध करता है कि किसी भी सीमित आकार का "कंप्रेशन स्कीम" (डेटा को संक्षिप्त करने का तरीका) इसे ठीक नहीं कर सकता। यह दंड समस्या के भीतर ही निहित है।

यह शोध पत्र क्या खारिज करता है?

यह शोध पत्र इस बारे में बहुत सावधान है कि यह क्या नहीं कहता है। यह यह दावा नहीं करता है कि सभी लर्निंग अतिरिक्त डेटा से टूट जाते हैं। यह स्पष्ट रूप से इस विचार को खारिज करता है कि शास्त्रीय आयाम (जैसे VC डायमेंशन) यह भविष्यवाणी कर सकते हैं कि क्या कोई समस्या इस दंड से पीड़ित होगी। दो समस्याएं कागज़ पर एक जैसी दिख सकती हैं (समान आयाम), लेकिन जब एक एडवर्सरी शामिल होती है, तो वे पूरी तरह से अलग व्यवहार करती हैं।

इसके अलावा, शोध पत्र इस विचार के विरुद्ध तर्क देता है कि केवल लर्निंग एल्गोरिदम को बदलने से हमेशा आपकी मदद हो सकती है। यदि एक समस्या वर्ग स्वाभाविक रूप से "अस्थिर" (ऊपर वर्णित चालाक दुनिया की तरह) है, तो कोई भी एल्गोरिदम दंड से बच नहीं सकता। यह लागत समस्या के वर्ग की है, शिक्षार्थी की नहीं। इसके विपरीत, यदि कोई समस्या वर्ग "स्थिर" है (सुरक्षित दुनिया की तरह), तो सही एल्गोरिदम (Closure) अतिरिक्त डेटा को पूरी तरह से मुफ्त बना सकता है।

निचोड़

शोध पत्र निष्कर्ष निकालता है कि प्रश्न केवल यह नहीं है कि "क्या डेटा कठिन है?" या "क्या शिक्षार्थी बुद्धिमान है?" यह दोनों के जोड़े (pairing) के बारे में है। यदि आपके पास एक शिक्षार्थी है जो इंसर्शन-स्टेबल है, तो अधिक सही डेटा जोड़ना सुरक्षित और मुफ्त है। यदि आपके पास एक नहीं है, तो लागत अपरिहार्य है।

लेखक यह भी बताता है कि जबकि उन्होंने "सुरक्षित" शिक्षार्थियों (जो इंसर्शन-स्टेबल हैं) की पहचान करने का एक तरीका खोज लिया है, उन्होंने अभी तक यह मापने के लिए एक पूर्ण गणितीय "रूलर" (मापक) नहीं खोजा है कि कुछ समस्याएँ असुरक्षित क्यों हैं। वे isdim (इंसर्शन-स्टेबिलिटी डायमेंशन) नामक एक नया माप प्रस्तावित करते हैं, लेकिन स्वीकार करते हैं कि इसकी गणना करना कठिन है और वर्तमान में यह उत्तर जानने के पहले से ही निर्भर करता है। यह शोध पत्र हमें एक स्पष्ट चेतावनी देता है: बिग डेटा के युग में, आँख बंद करके अधिक "सही" उदाहरण जोड़ना हमेशा जीत नहीं होती है। कभी-कभी, उन्हें जोड़ने का तरीका उतना ही महत्वपूर्ण होता है जितना कि स्वयं डेटा।

तकनीकी सारांश: इंसर्शन-स्टेबिलिटी (Insertion-Stability) और आयामी सिद्धांत की सीमाएँ

समस्या विवरण
यह शोध पत्र सांख्यिकीय शिक्षण सिद्धांत (statistical learning theory) में एक विरोधाभासी घटना को संबोधित करता है: सही ढंग से लेबल किए गए डेटा को जोड़ने से सीखने वाले एल्गोरिदम की अपेक्षित त्रुटि (expected error) बढ़ सकती है। यह लार्सन, पब्बाराजू और शेट्टी द्वारा पेश किए गए "मोनोटोन एडवर्सरी" (monotone adversary) मॉडल के तहत होता है, जिसका विश्लेषण मेहरोत्रा द्वारा किया गया है। इस मॉडल में, एक एडवर्सरी (विरोधी) एक स्वच्छ, i.i.d. प्रशिक्षण नमूने का अवलोकन करता है और अतिरिक्त उदाहरण जोड़ देता है। एकमात्र प्रतिबंध यह है कि जोड़े गए उदाहरण लक्ष्य परिकल्पना (target hypothesis) $h^*$ द्वारा सही ढंग से लेबल किए जाने चाहिए। हालांकि लेबल वैध हैं, लेकिन एडवर्सरी इन बिंदुओं को स्वच्छ नमूने के आधार पर अनुकूल रूप से (adaptively) चुनता है, जिससे स्वतंत्रता (independence) और विनिमयशीलता (exchangeability) की धारणाएं नष्ट हो जाती हैं जो मानक सामान्यीकरण सीमाओं (standard generalization bounds) के लिए आवश्यक होती हैं।

मेहरोत्रा ने स्थापित किया कि $d \ge 2$ वाले कॉन्सेप्ट क्लास के लिए, ऐसे इंसर्शन के तहत इष्टतम अपेक्षित त्रुटि दर $\Theta((d/n) \log(en/d))$ है, जो स्वच्छ PAC दर $\Theta(d/n)$ से लॉगरिदमिक कारक (logarithmic factor) के रूप में खराब है। यह शोध पत्र जिस केंद्रीय प्रश्न की जांच करता है, वह यह है: एक कॉन्सेप्ट क्लास का कौन सा संरचनात्मक गुण यह निर्धारित करता है कि क्या वह इस लॉगरिदमिक दंड (penalty) से ग्रस्त होगा, और कौन सा गुण उसे स्वच्छ दर बनाए रखने की अनुमति देता है? यह पत्र तर्क देता है कि शास्त्रीय आयाम (VC dimension और Littlestone dimension) इस व्यवहार के भविष्यवक्ता होने के लिए अपर्याप्त हैं।

कार्यप्रणाली (Methodology)
लेखक लर्निंग एल्गोरिदम का एक नया गुण प्रस्तुत करते हैं जिसे इंसर्शन-स्टेबिलिटी (insertion-stability) कहा जाता है। एक लर्नर को तब 'इंसर्शन-स्टेबल' माना जाता है यदि वह:

परम्यूटेशन-इनवेरिएंट (permutation-invariant) है (इसका आउटपुट लेबल किए गए उदाहरणों के मल्टीसेट पर निर्भर करता है, न कि उनके क्रम पर)।
अपने एरर रीजन (error region) के संबंध में सुपरसेट-मोनोटोन (superset-monotone) है: किसी भी दो सही ढंग से लेबल किए गए मल्टीसेट्स $S \subseteq T$ के लिए, $T$ पर लर्नर का एरर रीजन $S$ पर एरर रीजन का एक उपसमुच्चय (subset) है।

मुख्य कार्यप्रणाली योगदान एक रिडक्शन लेम्मा (Theorem 3) है। लेखक सिद्ध करते हैं कि यदि कोई लर्नर इंसर्शन-स्टेबल है, तो एक अनुकूल (adaptive) मोनोटोन एडवर्सरी के तहत इसका जोखिम (risk) लगभग निश्चित रूप से (almost surely) स्वच्छ नमूने के जोखिम द्वारा ही सीमित रहता है। महत्वपूर्ण रूप से, यह प्रमाण डाले गए बिंदुओं की स्वतंत्रता पर निर्भर नहीं करता है; यह केवल इस तथ्य पर निर्भर करता है कि डाले गए बिंदु स्वच्छ नमूने का एक सही ढंग से लेबल किया गया सुपरसेट बनाते हैं। यह बिना किसी संशोधन के किसी भी उच्च-संभाव्यता या अपेक्षित सीमाओं को स्वच्छ i.i.d. सेटिंग से एडवर्सरियल सेटिंग में स्थानांतरित करने की अनुमति देता है।

पत्र फिर विशिष्ट कॉन्सेप्ट क्लासेस और लर्नर्स का विश्लेषण करता है:

क्लोजर एल्गोरिदम (Closure Algorithm): लेखक दिखाते हैं कि क्लोजर एल्गोरिदम (जो वर्जन स्पेस में सभी परिकल्पनाओं का प्रतिच्छेदन/intersection आउटपुट करता है) किसी भी क्लास के लिए इंसर्शन-स्टेबल है।
कंप्रेशन स्कीम्स (Compression Schemes): वे सुसंगत (consistent), परम्यूटेशन-इनवेरिएंट, और सुपरसेट-मोनोटोन सैंपल कंप्रेशन स्कीम्स के विश्लेषण का विस्तार करते हैं।
काउंटर-एग्जेंपल्स (Counterexamples): वे आयाम-आधारित सिद्धांतों की सीमाओं का परीक्षण करने के लिए $H_{\le d}$ (अधिकतम $d$ पॉजिटिव पॉइंट्स वाली अवधारणाएं) और $H_{prime}$ (प्रोजेक्टिव प्लेन पर आधारित मेहरोत्रा द्वारा निर्मित एक निर्माण) सहित विशिष्ट वर्गों की जांच करते हैं।

प्रमुख योगदान और परिणाम

इंसर्शन-स्टेबिलिटी लेम्मा: यह पत्र स्थापित करता है कि इंसर्शन-स्टेबिलिटी, मोनोटोन इंसर्शन के प्रति प्रतिरक्षा (immunity) के लिए एक पर्याप्त स्थिति (sufficient condition) है। यदि कोई लर्नर इंसर्शन-स्टेबल है, तो सही ढंग से लेबल किए गए डेटा को जोड़ने से एरर रीजन कभी नहीं बढ़ता है। फलस्वरूप, कोई भी लर्नर जो इंसर्शन-स्टेबल है, कितने भी इंसर्शन या एडवर्सरी की अनुकूलता के बावजूद स्वच्छ-नमूना त्रुटि दर को बनाए रखता है।
क्लोजर इंसर्शन-स्टेबल है: लेखक सिद्ध करते हैं कि क्लोजर एल्गोरिदम इंसर्शन-स्टेबल है। इंटरसेक्शन-क्लोज्ड क्लास के लिए (जहाँ किसी भी दो अवधारणाओं का प्रतिच्छेदन भी क्लास में होता है), क्लोजर एक वैध लर्नर है। इसका तात्पर्य यह है कि सभी इंटरसेक्शन-क्लोज्ड क्लास के लिए, स्वच्छ दर $E[\text{Err}] \le (21d + 34)/n$ अनिश्चित संख्या में अनुकूल मोनोटोन इंसर्शन के तहत भी बनी रहती है। यह परिणाम स्पष्ट है और लॉगरिदमिक कारकों से मुक्त है।
आयाम-आधारित सिद्धांत की विफलता: पत्र प्रदर्शित करता है कि न तो VC डायमेंशन और न ही लिटलस्टोन डायमेंशन मोनोटोन इंसर्शन के तहत दर की भविष्यवाणी करते हैं।
- केस 1: $H_{\le 2}$ और $H_{prime}$ दोनों का VC डायमेंशन 2 और लिटलस्टोन डायमेंशन 2 है। हालांकि, $H_{\le 2}$ (जो इंटरसेक्शन-क्लोज्ड है) स्वच्छ दर $\Theta(1/n)$ को बनाए रखता है, जबकि $H_{prime}$ लॉगरिदमिक दंड $\Theta(\log(en)/n)$ से ग्रस्त होता है।
- केस 2: $\mathbb{R}$ पर अंतराल (Intervals) का VC डायमेंशन 2 है लेकिन अनबाउंडेड लिटलस्टोन डायमेंशन है। अनबाउंडेड लिटलस्टोन डायमेंशन के बावजूद, वे स्वच्छ दर बनाए रखते हैं क्योंकि वे इंटरसेक्शन-क्लोज्ड हैं।
- निष्कर्ष: कोई भी फलन (function) जो VC और लिटलस्टोन डायमेंशन का उपयोग करता है, मोनोटोन-इंसर्शन दर को निर्धारित नहीं कर सकता।
कठिन क्लासों पर कंप्रेशन स्कीम्स के लिए असंभवता: $H_{prime}$ क्लास के लिए, लेखक एक मजबूत नकारात्मक परिणाम सिद्ध करते हैं: कोई भी सुसंगत, परम्यूटेशन-इनवेरिएंट, सुपरसेट-मोनोटोन सैंपल कंप्रेशन स्कीम, चाहे उसका आकार कितना भी सीमित क्यों न हो, स्वच्छ दर प्राप्त नहीं कर सकती। यह एक व्यापक परिवार के संभावित एल्गोरिदम को खारिज करता है, न कि केवल एक विशिष्ट एल्गोरिदम को। यह प्रमाण इस तथ्य पर आधारित है कि यदि ऐसा कोई स्कीम अस्तित्व में होता जिसका आकार $k$ होता, तो वह दर $O(k/n)$ प्राप्त करता, जो पर्याप्त बड़े $n$ के लिए $H_{prime}$ के ज्ञात निचले स्तर $\Omega(\log(en)/n)$ के विपरीत है।

महत्व और दावे
पत्र का दावा है कि मोनोटोन इंसर्शन के तहत सीखने की कठिनाई केवल कॉन्सेप्ट क्लास का आंतरिक गुण नहीं है, न ही केवल लर्नर का गुण, बल्कि यह लर्नर और क्लास की जोड़ी (pairing) का गुण है।

पर्याप्तता बनाम लक्षण वर्णन (Sufficiency vs. Characterization): लेखक स्पष्ट रूप से कहते हैं कि वे प्रतिरक्षा के लिए एक पर्याप्त स्थिति (इंसर्शन-स्टेबिलिटी) प्रदान करते हैं, न कि एक पूर्ण लक्षण वर्णन। वे यह दावा नहीं करते हैं कि उन्होंने कोई ऐसा कॉम्बिनेटोरियल मात्रा (combinatorial quantity) पहचान लिया है जो स्वच्छ दर के लिए आवश्यक और पर्याप्त दोनों है।
लर्नर की भूमिका: पत्र उन क्लासों के लिए जहाँ एक इंसर्शन-स्टेबल लर्नर मौजूद है (जैसे इंटरसेक्शन-क्लोज्ड क्लास), यह जोर देता है कि सही डेटा जोड़ना "मुफ्त" (free) है। उन क्लासों के लिए जहाँ ऐसा कोई लर्नर मौजूद नहीं है (जैसे $H_{prime}$ ), मानक निरंतरता और मोनोटोनिटी गुणों को संतुष्ट करने वाले किसी भी लर्नर के लिए लॉगरिदमिक दंड अपरिहार्य है।
सीमाएँ: लेखक स्वीकार करते हैं कि उनका प्रस्तावित माप, isdim (सबसे छोटे इंसर्शन-स्टेबल कंप्रेशन स्कीम का आकार), वर्तमान में एक बुककीपिंग डिवाइस (bookkeeping device) है। इसे किसी क्लास के आंतरिक संरचनात्मक गुण के बजाय एक स्कीम के अस्तित्व द्वारा परिभाषित किया गया है, और इसे किसी क्लास के रेट को जानने या विशिष्ट स्कीम प्रदर्शित करने के बिना नहीं निकाला जा सकता है।
खुले प्रश्न (Open Problems): लेखक पहचानते हैं कि मोनोटोन इंसर्शन के तहत दर को चरित्रित करने वाली एक कॉम्बिनेटोरियल मात्रा (VC या लिटलस्टोन डायमेंशन के समान) की खोज एक प्रमुख खुला प्रश्न है। वे नोट करते हैं कि वर्तमान लोअर-बाउंड तकनीकें (shattering) अभी तक इस विशिष्ट "सहायक" (helpful) एडवर्सरी मॉडल के लिए अनुकूलित नहीं की गई हैं।

संक्षेप में, यह पत्र ध्यान को "कौन सी क्लास कठिन है" से हटाकर "कौन सा लर्नर-क्लास जोड़ा मजबूत है" पर केंद्रित करता है, यह प्रदर्शित करते हुए कि शास्त्रीय आयाम मोनोटोन इंसर्शन (सही ढंग से लेबल किए गए, अनुकूल डेटा इंसर्शन) के विरुद्ध मजबूती की भविष्यवाणी करने में विफल रहते हैं, और इंटरसेक्शन-क्लोजडनेस (क्लोजर एल्गोरिदम के माध्यम से) प्रतिरक्षा के लिए एक पर्याप्त संरचनात्मक गुण है।

पूर्ण डेटा का विरोधाभास

जब अधिक "मदद" एक जाल बन जाती है

महान आयामी विसंगति (The Great Dimension Mismatch)

यह शोध पत्र क्या खारिज करता है?

निचोड़

इसी तरह के और पेपर