📊 statistics

Shape Operator PCA: Curvature-Aware Projections for Geometric Machine Learning

यह शोध पत्र SHOPCA को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड डाइमेंशनैलिटी रिडक्शन विधि है जो वक्रता (curvature) को पकड़ने के लिए मीन शेप ऑपरेटर जानकारी के साथ कोवेरिएंस मैट्रिक्स को नियमित करके क्लासिकल PCA को बेहतर बनाती है, जिसमें एक स्वचालित पैरामीटर चयन तंत्र शामिल है और विविध वास्तविक दुनिया के डेटासेट्स पर PCA और UMAP की तुलना में श्रेष्ठ क्लस्टरिंग प्रदर्शन प्रदर्शित करती है।

मूल लेखक: Alexandre L. M. Levada

प्रकाशित 2026-08-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alexandre L. M. Levada

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

मशीन लर्निंग की दुनिया में, कंप्यूटरों से लगातार डेटा के विशाल बादलों में पैटर्न खोजने के लिए कहा जाता है। चाहे वह किसी तस्वीर में एक विशिष्ट प्रकार के फूल की पहचान करना हो या समान चिकित्सा रिकॉर्ड को समूहबद्ध करना हो, पहला कदम अक्सर डेटा को सरल बनाना होता है, जिससे हजारों मापों को कुछ प्रमुख विशेषताओं में कम किया जा सके जो सूचना के सार को पकड़ सकें। दशकों से, इस कार्य के लिए मानक उपकरण के रूप में 'प्रिंसिपल कंपोनेंट एनालिसिस' (PCA) नामक एक विधि का उपयोग किया जाता रहा है। कल्पना कीजिए कि मेज पर बिखरी हुई कंचों (मार्बल्स) का एक ढेर है; PCA यह देखता है कि कंचे कैसे फैले हुए हैं और उस दिशा में एक रेखा खींचता है जहाँ वे सबसे अधिक खिंचे हुए होते हैं। यह डेटा का सारांश निकालने का एक शानदार और तेज़ तरीका है, लेकिन इसकी एक दृष्टि दोष (blind spot) है। इसे केवल इस बात की परवाह है कि डेटा कितना चौड़ा है, इस बात की नहीं कि वह कैसे मुड़ता है। यह डेटा के साथ ऐसा व्यवहार करता है जैसे वह एक सपाट कागज की शीट पर रखा हो, इस तथ्य को अनदेखा करते हुए कि वास्तविक दुनिया का डेटा अक्सर कपड़े के एक मुड़े हुए टुकड़े की तरह मुड़ता, घूमता और तह होता है। यह सीमा महत्वपूर्ण है क्योंकि डेटा के विभिन्न समूहों के बीच सबसे महत्वपूर्ण सीमाएं अक्सर उन वक्रों (curves) के साथ होती हैं, न कि केवल अधिकतम प्रसार की सीधी रेखाओं के साथ।

फेडरल यूनिवर्सिटी ऑफ साओ पाउलो के एक शोधकर्ता ने इस दृष्टि दोष को ठीक करने का एक नया तरीका प्रस्तावित किया है, जो सरल सांख्यिकी और वास्तविक दुनिया की जटिल ज्यामिति के बीच के अंतर को पाटता है। यह नई विधि, जिसे SHOPCA कहा जाता है, क्लासिक PCA दृष्टिकोण को लेती है और इसमें ज्यामितीय जागरूकता की एक परत जोड़ती है। केवल यह मापने के बजाय कि डेटा बिंदु केंद्र से कितनी दूर तक फैले हुए हैं, यह विधि यह भी गणना करती है कि डेटा की सतह हर स्थानीय बिंदु पर कैसे मुड़ती है। यह एक "शेप ऑपरेटर" (shape operator) का अनुमान लगाकर ऐसा करती है, जो एक गणितीय उपकरण है जो सतह की वक्रता (curvature) का वर्णन करता है, ठीक वैसे ही जैसे एक मानचित्रकार किसी पहाड़ी की ढलान को माप सकता है। पूरे डेटासेट में इन स्थानीय वक्रता मापों का औसत निकालकर, यह विधि डेटा का एक नया मानचित्र बनाती है जो इसके प्रसार और इसके मोड़ दोनों का सम्मान करता है। परिणाम एक ऐसा प्रोजेक्शन है जो डेटा के उन समूहों को अलग कर देता है जो अन्यथा आपस में मिले हुए दिखाई देते, जिससे छिपी हुई संरचनाओं को उजागर किया जा सकता है जिन्हें मानक विधियाँ चूक जाती हैं।

शोधकर्ताओं ने इस विचार का परीक्षण पचास से अधिक वास्तविक दुनिया के डेटासेट्स पर किया, जिसमें चेहरों की छवियों और हस्तलिखित अंकों से लेकर मेडिकल रिकॉर्ड और उपग्रह इमेजरी तक शामिल हैं। पहले प्रयोग में, जिसमें इस नई विधि की तुलना 30 विविध डेटासेट्स पर सीधे मानक PCA से की गई, SHOPCA ने सभी तीन मूल्यांकन मेट्रिक्स में प्रत्येक डेटासेट पर, बिना किसी अपवाद के, सख्ती से श्रेष्ठ क्लस्टरिंग प्रदर्शन हासिल किया। कुछ कठिन डेटासेट्स पर, जहाँ पुराना तरीका लगभग पूरी तरह विफल हो गया था, विभिन्न वर्गों को गलती से एक साथ समूह में रख दिया था, वहां नए दृष्टिकोण ने उन्हें सफलतापूर्वक अलग कर दिया, जिससे समूह की गुणवत्ता में दस गुना या उससे अधिक का सुधार हुआ। यह विधि विशेष रूप से तब प्रभावी होती है जब डेटा जटिल और घुमावदार होता है, लेकिन यह तब भी सुरक्षित और विश्वसनीय रहती है जब डेटा सरल और सपाट होता है, और कभी भी स्थिति को बदतर नहीं बनाती। महत्वपूर्ण रूप से, इस विधि को किसी मानवीय लेबल या समूहों के बारे में पूर्व ज्ञान की आवश्यकता नहीं होती है; यह अपने स्वयं के आकार को देखकर ही डेटा को मोड़ने का सबसे अच्छा तरीका पता लगा लेती है।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह है कि यह ज्यामितीय दृष्टिकोण अन्य लोकप्रिय, जटिल विधियों से बेहतर काम करता है जो डेटा के आकार को अलग तरह से मैप करने की कोशिश करती हैं। शोधकर्ताओं ने अपनी तकनीक की तुलना Isomap और UMAP जैसे दो अन्य अग्रणी तरीकों से की, जो डेटा के आकार को संभालने के लिए जाने जाते हैं। हालांकि वे विधियाँ शक्तिशाली हैं, वे पास के बिंदुओं के बीच कनेक्शन का एक नेटवर्क बनाने पर निर्भर करती हैं, एक ऐसी प्रक्रिया जो अस्थिर हो सकती है और पर्याप्त डेटा बिंदुओं के न होने पर टूट सकती है। यह नई विधि इस खामी से पूरी तरह बचती है। क्योंकि यह कनेक्शनों का एक नाजुक नेटवर्क बनाने के बजाय सीधे स्थानीय सांख्यिकी से वक्रता की गणना करती है, इसलिए यह छोटे डेटासेट के साथ भी मजबूत और सटीक बनी रहती है। 25 डेटासेट्स के विरुद्ध Isomap और छोटे-नमूने वाले 28 डेटासेट्स के विरुद्ध UMAP के परीक्षणों में, जहाँ अन्य विधियाँ अक्सर भ्रम में ढह गईं या संरचना को पुनः प्राप्त करने में विफल रहीं, इस नई विधि ने लगातार स्पष्ट, सुपरिभाषित समूह बनाए।

अध्ययन ने कंप्यूटर के लिए यह तय करने का एक तरीका भी पेश किया कि वक्रता की जानकारी को वास्तव में कितना भार (weight) दिया जाए, जिसमें किसी मानवीय सहायता की आवश्यकता नहीं है। आमतौर पर, ऐसी विधियों के लिए उपयोगकर्ता को सही सेटिंग्स का अनुमान लगाने की आवश्यकता होती है, जिसके लिए अक्सर विभिन्न विकल्पों का परीक्षण करने हेतु लेबल वाले डेटा की आवश्यकता होती है। यहाँ, शोधकर्ताओं ने डेटा की प्राकृतिक आवृत्तियों (frequencies) के बीच गणितीय अंतराल पर आधारित एक नियम विकसित किया, जिससे सिस्टम को प्रसार और मोड़ के बीच सही संतुलन बनाने के लिए खुद को स्वचालित रूप से ट्यून करने की अनुमति मिलती है। यह पूरी प्रक्रिया को पूरी तरह से स्वचालित और अनसुपरवाइज्ड (unsupervised) बनाता है, जो किसी विशेषज्ञ के हस्तक्षेप के बिना किसी भी नए डेटासेट पर लागू होने के लिए तैयार है।

इस कार्य के निहितार्थ व्यावहारिक और तत्काल हैं। यह आधुनिक डीप लर्निंग या जटिल मैनिफोल्ड लर्निंग तकनीकों के लिए आवश्यक भारी, पुनरावृत्ति गणनाओं के मुकाबले एक तेज़, कम्प्यूटेशनल रूप से कुशल विकल्प प्रदान करता है। वक्रता के सरल, क्लोज्ड-फॉर्म गणित को एक लीनियर फ्रेमवर्क में शामिल करके, यह विधि उन वैज्ञानिकों और इंजीनियरों को एक शक्तिशाली उपकरण प्रदान करती है जिन्हें जटिल मॉडलों की कम्प्यूटेशनल लागत या अस्थिरता के बिना अपने डेटा के आकार को समझने की आवश्यकता होती है। परिणाम बताते हैं कि कई समस्याओं के लिए, बेहतर डेटा विश्लेषण की कुंजी अधिक जटिल नेटवर्क बनाने में नहीं, बल्कि केवल इस बात पर ध्यान देने में है कि डेटा कैसे मुड़ता है।

तकनीकी सारांश: SHOPCA – शेप ऑपरेटर-आधारित प्रिंसिपल कंपोनेंट एनालिसिस

समस्या विवरण

शास्त्रीय प्रिंसिपल कंपोनेंट एनालिसिस (PCA) आयामी न्यूनीकरण (dimensionality reduction) और मेट्रिक लर्निंग के लिए एक मौलिक उपकरण है, फिर भी यह डेटा के प्रथम-क्रम सांख्यिकी (first-order statistic): वैश्विक सहप्रसरण आव्यूह (global covariance matrix) पर विशेष रूप से कार्य करता है। विचरण (variance) को पकड़ने में प्रभावी होने के बावजूद, PCA डेटा मैनिफोल्ड की अंतर्निहित वक्रता (intrinsic curvature) के प्रति "अंधा" है। दो डेटासेट जिनके सहप्रसरण संरचनाएं समान हैं, वे मौलिक रूप से भिन्न वक्रता वाले मैनिफोल्ड्स पर स्थित हो सकते हैं, जिससे विशिष्ट क्लस्टर संरचनाएं और क्लास बाउंड्रीज़ बनती हैं जिन्हें PCA पहचानने में विफल रहता है।

इन सीमाओं को दूर करने वाले मौजूदा दृष्टिकोणों को तीन प्राथमिक व्यावहारिक अंतराल (gaps) का सामना करना पड़ता है:

गणना लागत (Computational Cost): ज्यामितीय मशीन लर्निंग (GML) आर्किटेक्चर अक्सर गहरे, पुनरावृत्ति अनुकूलन (iterative optimization) पर निर्भर करते हैं, जो उन्हें वैज्ञानिक डोमेन में सामान्य उच्च-आयामी, कम-नमूना (small-sample) व्यवस्थाओं के लिए अनुपयुक्त बनाते हैं।
लेबल पर निर्भरता: संयुक्त मेट्रिक-लर्निंग और आयामी न्यूनीकरण ढांचे (जैसे कि रिमैनियन दृष्टिकोण) आमतौर पर ज्यामिति को अनुमानित करने के लिए लेबल किए गए डेटा की आवश्यकता रखते हैं, जो शुद्ध अनिर्धारित (unsupervised), खोजपूर्ण विश्लेषण के उपयोग को रोकते हैं।
छोटे नमूनों में अस्थिरता: UMAP और Isomap जैसे गैररेखीय मैनिफोल्ड लर्निंग विधियां $k$ -निकटतम पड़ोसी ( $k$ -NN) ग्राफ पर निर्भर करती हैं। छोटे-नमूना सेटिंग्स में, ये ग्राफ विरल (sparse) और अस्थिर हो जाते हैं, जिससे अविश्वसनीय जियोडेसिक दूरी अनुमान और क्षीण एम्बेडिंग (degenerate embeddings) उत्पन्न होते हैं।

कोई भी मौजूदा विधि एक रैखिक, क्लोज्ड-फॉर्म, पूर्णतः अनिर्धारित पाइपलाइन में द्वितीय-क्रम विभेदक-ज्यामितीय जानकारी (वक्रता) को शामिल नहीं करती है जो हाइपरपैरामीटर चयन के लिए लेबल-मुक्त तंत्र भी प्रदान करती है।

कार्यप्रणाली: SHOPCA

यह शोध पत्र SHOPCA (Shape Operator-based Principal Component Analysis) का प्रस्ताव करता है, जो डेटा मैनिफोल्ड से प्राप्त वक्रता जानकारी का उपयोग करके PCA के वैश्विक सहप्रसरण आव्यूह को नियमित (regularize) करता है।

1. ज्यामितीय आधार

यह विधि शेप ऑपरेटर (वेइंगार्टन मैप - Weingarten map) का लाभ उठाती है, जो विभेदक ज्यामिति से एक रैखिक एंडोमोर्फिज्म (endomorphism) है जो यह दर्शाता है कि एक मैनिफोल्ड परिवेशी स्थान (ambient space) के सापेक्ष कैसे मुड़ता है। यह प्रथम फंडेमेंटल फॉर्म (मेट्रिक टेंसर) और द्वितीय फंडेमेंटल फॉर्म (बाह्य वक्रता) के बीच संबंध स्थापित करता है।

स्थानीय अनुमान (Local Estimation): प्रत्येक डेटा बिंदु $x_i$ के लिए, $k$ -NN के माध्यम से एक स्थानीय पड़ोस परिभाषित किया जाता है। एक स्थानीय सहप्रसरण आव्यूह $C_i$ व्युत्क्रम मेट्रिक टेंसर का अनुमान लगाता है, और एक द्वितीय फंडेमेंटल फॉर्म सन्निकटन $II_i$ को स्थानीय PCA आधार के द्विघात (quadratic) और क्रॉस-प्रोडक्ट पदों का उपयोग करके निर्मित किया जाता है।
स्थानीय शेप ऑपरेटर: स्थानीय शेप ऑपरेटर को $S_i = -II_i C_i$ के रूप में परिकलित किया जाता है।
औसत शेप ऑपरेटर: इन स्थानीय ऑपरेटरों को एक वैश्विक औसत शेप ऑपरेटर $\bar{S} = \frac{1}{n} \sum S_i$ में एकत्रित किया जाता है।

2. नियमित सहप्रसरण (Regularized Covariance)

SHOPCA एक ज्यामिति-जागरूक सहप्रसरण आव्यूह $\Sigma_{curv}$ को मानक सहप्रसरण $\Sigma$ को औसत शेप ऑपरेटर के साथ नियमित करके परिभाषित करता है:
$\Sigma_{curv} = \Sigma + \lambda \bar{S}$
जहाँ $\lambda \geq 0$ एक मिश्रण गुणांक (mixing coefficient) है।

$\lambda = 0$ पर, यह विधि मानक PCA को पुनः प्राप्त करती है।
जैसे-जैसे $\lambda \to \infty$ होता है, प्रोजेक्शन पूरी तरह से वक्रता-संचालित हो जाता है (जिसे "शेप ऑपरेटर आइगेनमैप्स" कहा जाता है)।

3. अनिर्धारित हाइपरपैरामीटर चयन

एक प्रमुख नवाचार $\lambda$ का पूर्णतः अनिर्धारित चयन है। शोध पत्र स्पेक्ट्रल आइगेनगैप (spectral eigengap) पर आधारित एक मानदंड प्रस्तुत करता है $\Sigma_{curv}(\lambda)$ के।

एल्गोरिदम एक ऐसे $\lambda$ की खोज करता है जो कुल स्पेक्ट्रल मास द्वारा सामान्यीकृत $m$ -वें और $(m+1)$ -वें आइगेनवैल्यू के बीच सापेक्ष पृथक्करण को अधिकतम करता है।
यह बिना क्लास लेबल देखे सबसे स्थिर $m$ -आयामी अपरिवर्तनीय उपस्थान (invariant subspace) की पहचान करता है, जिससे अनिर्धारित पाइपलाइन का चक्र पूर्ण होता है।

4. गणनात्मक कार्यान्वयन

विधि को उच्च आयामों के लिए $O(nd^4)$ की गणना लागत को कम करने हेतु (pre-PCA द्वारा सुगम) एक वेक्टरकृत, बैच प्रक्रिया के माध्यम से लागू किया गया है। इसके लिए किसी पुनरावृत्ति अनुकूलन या स्पष्ट मैनिफोल्ड पैरामीट्रेशन की आवश्यकता नहीं होती है।

मुख्य योगदान

सिद्धांतबद्ध ज्यामितीय नियमितीकरण: शास्त्रीय बहुभिन्नरूपी सांख्यिकी (multivariate statistics) और विभेदक ज्यामिति के बीच एक औपचारिक संबंध स्थापित करता है, जिसमें औसत शेप ऑपरेटर का उपयोग सहप्रसरण को नियमित करने के लिए किया जाता है, जो SHOPCA को गहरे ज्यामितीय आर्किटेक्चर के एक रैखिक, क्लोज्ड-फॉर्म विकल्प के रूप में स्थापित करता है।
ट्रेस-सामान्यीकृत सामान्यीकरण (Trace-Normalized Generalization): एक एकल, क्रॉस-डेटासेट-तुलनीय मिश्रण गुणांक $\alpha$ (या $\lambda$ ) द्वारा नियंत्रित PCA का एक स्वाभाविक सामान्यीकरण प्रदान करता है, जो मानक PCA और शुद्ध वक्रता एम्बेडिंग दोनों को पुनर्प्राप्त करता है।
पूर्णतः अनिर्धारित पाइपलाइन: स्पेक्ट्रल आइगेनगैप के आधार पर रेगुलराइजेशन पैरामीटर चुनने के लिए एक लेबल-मुक्त मानदंड पेश करता है, जिससे संपूर्ण प्रतिनिधित्व शिक्षण (representation learning) और हाइपरपैरामीटर चयन प्रक्रिया क्लास लेबल से स्वतंत्र हो जाती है।
छोटे नमूनों के प्रति मजबूती: उन ग्राफ-आधारित विधियों (जैसे UMAP और Isomap) की ज्ञात सीमाओं को संबोधित करता है जो विश्वसनीय ग्राफ निर्माण के लिए पर्याप्त नमूना आकार की कमी के कारण कमजोर होती हैं। SHOPCA स्थानीय सहप्रसरण आइगेनडीकंपोजिशन पर भरोसा करता है, जो स्थिर रहता है।
गणनात्मक सुगमता: एक रैखिक, क्लोज्ड-फॉर्म प्रोजेक्शन प्रदान करता है जो पुनरावृत्ति अनुकूलन और स्पष्ट मैनिफोल्ड पैरामीट्रेशन से बचता है।

प्रयोगात्मक परिणाम

लेखक ने OpenML के वास्तविक दुनिया के बेंचमार्क डेटासेट्स पर SHOPCA का मूल्यांकन PCA, Isomap और UMAP के विरुद्ध चार बाहरी क्लस्टरिंग सूचकांकों: एडजस्टेड रैंड इंडेक्स (ARI), नॉर्मलाइज्ड म्यूचुअल इंफॉर्मेशन (NMI), फाउल्स-मैलोस इंडेक्स (FM), और V-मेजर का उपयोग करके किया। मूल्यांकन तीन अलग-अलग प्रयोगों में किया गया था:

SHOPCA बनाम PCA: 30 विविध वास्तविक दुनिया के डेटासेट्स पर मूल्यांकन। SHOPCA ने सभी तीन मेट्रिक्स (ARI, FM, V-measure) के लिए प्रत्येक डेटासेट पर सख्ती से श्रेष्ठ क्लस्टरिंग प्रदर्शन प्राप्त किया। औसत सापेक्ष सुधार क्रमशः 212% (ARI), 73% (FM), और 140% (V-measure) थे। उल्लेखनीय रूप से, किसी भी डेटासेट ने $\lambda^* = 0$ नहीं चुना, जो दर्शाता है कि वक्रता जानकारी सार्वभौमिक रूप से फायदेमंद थी।
SHOPCA बनाम Isomap: 25 डेटासेट्स पर मूल्यांकन। SHOPCA ने सभी मेट्रिक्स में कुल स्कोर में Isomap (गैररेखीय विधि) को पछाड़ दिया। SHOPCA ने 25 में से 16 डेटासेट्स पर "क्लीन स्वीप" (तीनों मेट्रिक्स में सर्वश्रेष्ठ) हासिल किया। Isomap कई छोटे-नमूना डेटासेट्स पर विफल रहा जहाँ इसके ग्राफ निर्माण में गिरावट आई, जबकि SHOPCA सार्थक एम्बेडिंग प्रदान करता रहा।
SHOPCA बनाम UMAP (छोटा-नमूना शासन): 28 छोटे-नमूना डेटासेट्स पर मूल्यांकन जहाँ पड़ोस-ग्राफ विधियाँ सबसे अधिक संवेदनशील होती हैं। SHOPCA ने UMAP से काफी बेहतर प्रदर्शन किया, 82% मामलों में तीनों मेट्रिक्स में सर्वश्रेष्ठ परिणाम प्राप्त किए। UMAP कम घनत्व वाले क्षेत्रों में क्षीण एम्बेडिंग से ग्रस्त हुआ, जबकि SHOPCA का सहप्रसरण-आधारित वक्रता अनुमान स्थिर रहा।

महत्व और दावे

शोध पत्र का दावा है कि SHOPCA गैररेखीय मैनिफोल्ड लर्निंग की ज्यामितीय समृद्धि और रैखिक विधियों की सरलता एवं व्याख्यात्मकता के बीच के अंतर को सफलतापूर्वक पाटता है। एक रैखिक, क्लोज्ड-फॉर्म ढांचे में द्वितीय-क्रम विभेदक-ज्यामितीय जानकारी को शामिल करके, SHOPCA यह प्रदर्शित करता है कि गैररेखीय, पुनरावृत्ति मैनिफोल्ड लर्निंग के प्रतिनिधित्व संबंधी लाभों का एक बड़ा हिस्सा बिना किसी गणनात्मक ओवरहेड, हाइपरपैरामीटर संवेदनशीलता, या ग्राफ-निर्माण की नाजुकता के प्राप्त किया जा सकता है।

लेखक इस बात पर जोर देते हैं कि यह विधि विशेष रूप से महत्वपूर्ण है:

अनिर्धारित मेट्रिक लर्निंग के लिए: यह बिना लेबल वाले डेटा की आवश्यकता के प्रोजेक्शन और मेट्रिक के "सह-डिजाइन" को साकार करता है।
कम-डेटा शासन के लिए: यह विश्वसनीय पड़ोस अनुमान के लिए अपर्याप्त नमूना आकार वाले ग्राफ-आधारित तरीकों के लिए एक मजबूत विकल्प प्रदान करता है।
व्याख्यात्मकता: यह मुख्य घटकों (principal components) के रूप में अधिकतम विचरण और सूचनात्मक वक्रता की दिशाओं के लिए एक स्पष्ट ज्यामितीय व्याख्या प्रदान करता है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि SHOPCA सर्वव्यापी समाधान (panacea) नहीं है (उदाहरण के लिए, यह बिना pre-PCA के बहुत उच्च आयामों के प्रति संवेदनशील रहता है, और सैद्धांतिक उपचार एक हाइपरसरफेस सेटिंग मान लेता है), यह व्यावहारिक, ज्यामिति-जागरूक, अनिर्धारित आयामी न्यूनीकरण की दिशा में एक महत्वपूर्ण कदम है।