🤖 machine learning

The geometry of AI validation: Exact certification limits for iid best-of-N search

यह शोध पत्र एक विश्वसनीयता सतह (reliability surface) पर कर्नेल ज्यामिति (kernel geometry) के रूप में सत्यापन को मॉडल करके iid बेस्ट-ऑफ-N खोज के लिए सटीक प्रमाणन सीमाएं स्थापित करता है, एक सटीक अस्पष्टता चौड़ाई (ambiguity width) सूत्र व्युत्पन्न करता है जो $m^2/N$ के साथ स्केल करता है, और संरचनात्मक कवरेज को परिशुद्धता से अलग करने के लिए एक टू-गेट ऑडिट नियम प्रस्तावित करता है।

मूल लेखक: Ricardo Fitas

प्रकाशित 2026-08-25

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ricardo Fitas

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

आधुनिक आर्टिफिशियल इंटेलिजेंस केवल एक प्रश्न का एक उत्तर के साथ उत्तर देने से आगे निकलकर विकसित हो गया है। आज की प्रणालियाँ अक्सर कई संभावनाओं को उत्पन्न करती हैं, एक-दूसरे के विरुद्ध उनकी तुलना करती हैं, और फिर उपयोगकर्ता को प्रस्तुत करने के लिए सबसे अच्छा विकल्प चुनती हैं। यह प्रक्रिया, जिसे 'सर्च' (खोज) कहा जाता है, जटिल गणितीय समस्याओं को हल करने, कंप्यूटर कोड लिखने या नए अणुओं को डिजाइन करने के लिए उपयोग की जाती है। चूंकि सिस्टम कई विकल्पों में से चुनाव कर रहा है, इसलिए इसके अंतिम आउटपुट की विश्वसनीयता पूरी तरह से इस बात पर निर्भर करती है कि वह चयन कैसे किया गया था। यदि कोई सिस्टम सौ प्रयासों में से सबसे अच्छा उत्तर चुनता है, तो उस उत्तर की गुणवत्ता एक प्रयास से चुने गए उत्तर की गुणवत्ता से भिन्न होती है। वैज्ञानिकों के लिए केंद्रीय चुनौती यह पता लगाना है कि ये चयनित उत्तर वास्तव में सही हैं या नहीं, विशेष रूप से जब सिस्टम को एक यादृच्छिक (रैंडम) के बजाय "सर्वश्रेष्ठ" चुनने के लिए प्रशिक्षित किया गया हो।

यह सत्यापन (वेरिफिकेशन) की समस्या जटिल है क्योंकि चयन की क्रिया उस सत्य की प्रकृति को बदल देती है जिसे मापा जा रहा है। कल्पना कीजिए कि एक वैज्ञानिक एक मॉडल के प्रदर्शन की कुछ विशिष्ट प्रकार के प्रश्नों पर जांच करता है और पाता है कि यह बहुत सटीक है। यदि उस मॉडल का उपयोग पूरी तरह से अलग प्रकार की समस्या को हल करने के लिए किया जाता है, या यदि चयन की प्रक्रिया "सर्वश्रेष्ठ" प्रकार के किसी अन्य उत्तर को खोजने के लिए बदल जाती है, तो पिछले परीक्षण अब लागू नहीं हो सकते। सिस्टम की विश्वसनीयता एक स्थिर संख्या नहीं है जो समान रहती है; यह उत्तर खोजने के लिए उपयोग की जाने वाली विशिष्ट पद्धति से जुड़ी हुई है। यदि सिस्टम को जांचने के लिए उपयोग की जाने वाली पद्धति उस पद्धति के समान क्षेत्र को कवर नहीं करती है जिसका उपयोग इसे तैनात (डिप्लॉय) करने के लिए किया जाता है, तो सिस्टम विश्वसनीय दिखाई दे सकता है जबकि वास्तव में यह नए संदर्भ में अपनी गलतियों के प्रति अंधा हो सकता है।

टेक्निकल यूनिवर्सिटी ऑफ डार्मस्टाट के एक शोधकर्ता, रिकार्डो फिटास ने एक सटीक तरीका विकसित किया है जिससे यह मापा जा सके कि इन AI प्रणालियों को मान्य (वैलिडेट) करते समय कितनी अनिश्चितता शेष रहती है। उनका कार्य एक सामान्य परिदृश्य पर केंद्रित है जहाँ एक AI कई उम्मीदवारों को उत्पन्न करता है और एक स्कोर के आधार पर शीर्ष एक को चुनता है। अध्ययन एक मौलिक प्रश्न पूछता है: यदि हम जानते हैं कि कम संख्या में प्रयासों में से सर्वश्रेष्ठ उत्तर चुनने में सिस्टम कितना विश्वसनीय है, तो क्या हम निश्चित हो सकते हैं कि बहुत बड़ी संख्या में प्रयासों में से सर्वश्रेष्ठ चुनने में यह कितना विश्वसनीय होगा? शोध के अनुसार, उत्तर अक्सर 'नहीं' होता है। बिना सिस्टम को जांचने का तरीका बदले, हम कितना जान सकते हैं, इसकी एक कठिन सीमा है।

अनुसंधान प्रदर्शित करता है कि छोटे खोज आकार (सर्च साइज) पर सिस्टम के प्रदर्शन को जानना, बड़े खोज आकार पर इसके प्रदर्शन के बारे में ज्ञान की गारंटी नहीं देता है। भले ही कोई सिस्टम दस प्रयासों में से सर्वश्रेष्ठ चुनने में पूरी तरह से सटीक प्रदर्शन करता हो, सैद्धांतिक रूप से यह सौ में से चुनने पर बहुत खराब प्रदर्शन कर सकता है, और दोनों ही स्थितियां एक ही परीक्षण डेटा के अनुरूप होंगी। ऐसा इसलिए नहीं है कि परीक्षण खराब तरीके से किए गए थे, बल्कि इसलिए क्योंकि परीक्षणों ने सही दिशा में नहीं देखा था। अध्ययन सिद्ध करता है कि ज्ञान का एक विशिष्ट, अपूरणीय अंतर मौजूद है जब वास्तविक दुनिया का खोज आकार परीक्षण के दौरान उपयोग किए गए खोज आकार से बड़ा होता है। यह अंतर एक प्रकार की संरचनात्मक अंधता (स्ट्रक्चरल ब्लाइंडनेस) का प्रतिनिधित्व करता है: सिस्टम ठीक वैसा ही काम कर सकता है जैसा आपके परीक्षण सुझाव देते हैं, फिर भी यह उन तरीकों से विफल हो सकता है जिनका परीक्षण कभी अनुमान नहीं लगा सकता था।

इसे समझने के लिए, कल्पना करें कि सत्यापन एक अंधेरे कमरे में टॉर्च की रोशनी दिखाने जैसा है। यदि आप केवल कुछ विशिष्ट स्थानों में रोशनी डालते हैं, तो आप उन स्थानों में क्या है उसके बारे में आश्वस्त हो सकते हैं, लेकिन आप यह नहीं जान सकते कि अंधेरे कोनों में क्या है। यदि उस AI सिस्टम को एक ऐसे तरीके से तैनात किया जाता है जिसमें अंधेरे कोनों में देखने की आवश्यकता होती है, तो आपके पिछले परीक्षण कोई सुरक्षा प्रदान नहीं करते हैं। शोधकर्ता ने इस अनिश्चितता के सटीक आकार की गणना की। एक सिस्टम के लिए जो सौ उम्मीदवारों की खोज करता है, यदि आपने केवल सोलह उम्मीदवारों तक की खोजों पर परीक्षण किया है, तो इसके वास्तविक प्रदर्शन के बारे में अनिश्चितता अस्सी-तीन प्रतिशत तक हो सकती है। इसका अर्थ है कि दो पूरी तरह से अलग संस्करणों वाला सिस्टम आपके सभी परीक्षणों में पास हो सकता है, फिर भी एक लगभग पूर्ण हो सकता है जबकि दूसरा बड़े खोज के सामने सामना करने पर लगभग बेकार हो सकता है।

अध्ययन यह भी दिखाता है कि केवल एक ही परीक्षण को बार-बार दोहराने से यह समस्या ठीक नहीं होती है। उसी छोटे खोज आकार पर एक परीक्षण को हज़ार बार चलाने से केवल यादृच्छिक शोर (रैंडम नॉइज़) कम होता है; यह अंधेरे कोनों को प्रकाशित नहीं करता है। अनिश्चितता को कम करने के लिए, आपको परीक्षण को बदलने के लिए एक अलग प्रकार की खोज को देखना होगा। अनुसंधान यह करने के लिए एक स्पष्ट नियम प्रदान करता है: आपको अपने परीक्षणों के दायरे को विस्तारित करना चाहिए ताकि वे वास्तविक दुनिया के तैनाती (डिप्लॉयमेंट) के समान क्षेत्र को कवर कर सकें। यदि आप एक सौ उम्मीदवारों में से खोजने वाले सिस्टम को प्रमाणित करना चाहते हैं, तो आपको ऐसे परीक्षण शामिल करने चाहिए जिनमें सौ उम्मीदवारों की खोज शामिल हो, या कम से कम उसके करीब की संख्या हो।

पेपर इन निष्कर्षों को दो अलग-अलग डोमेन से वास्तविक दुनिया के डेटा का उपयोग करके मान्य करता है: गणितीय तर्क और कंप्यूटर प्रोग्रामिंग। गणित के प्रयोगों में, शोधकर्ताओं ने देखा कि AI मॉडल हजारों उत्पन्न समाधानों में से सर्वश्रेष्ठ उत्तर चुनते समय समस्याओं को कितनी अच्छी तरह हल करते हैं। उन्होंने पाया कि जबकि औसत प्रदर्शन बढ़ता है जैसे-जैसे सिस्टम अधिक उम्मीदवारों की खोज करता है, कुछ विशिष्ट समस्याएं वास्तव में खराब हो जाती हैं। कुछ समस्याएं जो छोटे खोज के साथ सही ढंग से हल की गई थीं, वे गलत हो गईं जब सिस्टम ने अधिक व्यापक रूप से खोज की। इसी तरह, प्रोग्रामिंग प्रयोगों में, शोधकर्ताओं ने कोड जनरेशन कार्यों का विश्लेषण किया। उन्होंने पाया कि भले ही समग्र सफलता दर अच्छी दिख रही थी, व्यक्तिगत कार्य खोज की चौड़ाई बदलने पर नाटकीय रूप से विफल हो सकते थे। ये वास्तविक दुनिया के उदाहरण पुष्टि करते हैं कि अनिश्चितता की सैद्धांतिक सीमाएं केवल गणितीय अमूर्तता नहीं थीं बल्कि वास्तविक AI व्यवहार में भी मौजूद थीं।

इसके अलावा, अध्ययन बेहतर मूल्यांकन के लिए कैसे डिजाइन किया जाए, इसके लिए एक व्यावहारिक समाधान भी प्रदान करता है। यह दो-चरणीय दृष्टिकोण का सुझाव देता है। पहला, शोधकर्ताओं को यह सुनिश्चित करना चाहिए कि उनके परीक्षण वास्तविक दुनिया के कार्य की संरचनात्मक व्यापकता को कवर करें। इसका अर्थ है कि सिस्टम का परीक्षण उसी पैमाने की खोज पर करना है जिसका सामना उसे व्यवहार में करना है। दूसरा, एक बार जब वह संरचनात्मक कवरेज स्थापित हो जाता है, तो वे यादृच्छिक शोर को कम करने और सटीकता में सुधार करने के लिए अधिक स्वतंत्र कार्यों को जोड़ सकते हैं। अनुसंधान बताता है कि अधिक लेबल या डेटा एकत्र करना तभी प्रभावी होता है जब डेटा सही दिशा में एकत्र किया गया हो। उदाहरण के लिए, प्रोग्रामिंग प्रयोगों में, विशेष रूप से शीर्ष-स्कोर वाले उम्मीदवारों के लिए लेबल एकत्र करने से रैंडम उम्मीदवारों के लिए लेबल एकत्र करने की तुलना में त्रुटि दर में काफी कमी आई। यह इस बात पर प्रकाश डालता है कि डेटा की शुद्ध मात्रा से अधिक परीक्षण की दिशा मायने रखती है।

निष्कर्ष इस बात के विरुद्ध चेतावनी के रूप में कार्य करते हैं कि केवल इसलिए कि किसी सिस्टम ने मानक परीक्षणों की एक बैटरी पास कर ली है, वह सुरक्षित है। यदि वे परीक्षण उस विशिष्ट तरीके से मेल नहीं खाते हैं जिस तरह से सिस्टम का उपयोग किया जाएगा, तो सिस्टम में छिपी हुई विफलताएं हो सकती हैं जो केवल तैनाती के समय प्रकट होंगी। अध्ययन यह दावा नहीं करता है कि AI सर्च टूटा हुआ है या इसे सुधारा नहीं जा सकता है; बल्कि, यह स्पष्ट करता है कि सिस्टम के काम करने को सिद्ध करने के नियम पहले की तुलना में अधिक सख्त हैं। यह स्थापित करता है कि सत्यापन एक बार की जांच नहीं है बल्कि एक निरंतर प्रक्रिया है जिसे सिस्टम की क्षमताओं के साथ विकसित होना चाहिए। इन सीमाओं की ज्यामिति को समझकर, डेवलपर्स ऐसे ऑडिट डिजाइन कर सकते हैं जो वास्तव में AI प्रणालियों की विश्वसनीयता को प्रमाणित करें, यह सुनिश्चित करते हुए कि उनके द्वारा दिए गए उत्तर न केवल लैब में, बल्कि वास्तविक दुनिया में भी भरोसेमंद हैं।

तकनीकी सारांश: AI सत्यापन का ज्यामिति (The Geometry of AI Validation)

समस्या विवरण (Problem Statement)
आधुनिक AI सिस्टम तेजी से इन्फरेंस-टाइम सर्च (जैसे, best-of- $N$ चयन) पर निर्भर होते हैं ताकि विकल्पों को उत्पन्न और चयनित किया जा सके। यह शोध पत्र तर्क देता है कि ऐसे चयन तंत्र मौलिक रूप से उस जनसंख्या को बदल देते हैं जिसकी विश्वसनीयता महत्वपूर्ण होती है। फलस्वरूप, सत्यापन लक्ष्य-सापेक्ष (target-relative) हो जाता है: एक मॉडल की विश्वसनीयता एक अंतर्निहित स्केलर नहीं है, बल्कि एक विशिष्ट परिनियोजन नियम (deployment rule) द्वारा उत्पादित विशिष्ट इन्फरेंस का एक गुण है।

मुख्य समस्या संरचनात्मक अंधापन (structural blindness) है। यदि परिनियोजन लक्ष्य (जैसे, best-of- $N$ आउटपुट की विश्वसनीयता) सत्यापन हस्तक्षेपों (जैसे, $m < N$ के लिए best-of- $m$ ऑडिट) द्वारा देखे गए दिशाओं के "स्पैन" (span) के बाहर स्थित है, तो मौजूदा सत्यापन ढांचे के भीतर अतिरिक्त नमूनाकरण (sampling) की कोई भी मात्रा इस अस्पष्टता को हल नहीं कर सकती। दो भिन्न विश्वसनीयता जगत (worlds) सभी ऑडिट डेटा पर पूरी तरह से सहमत हो सकते हैं, फिर भी परिनियोजन लक्ष्य पर परस्पर विरोधी हो सकते हैं। यह शोध पत्र इस घटना के लिए मानक iid best-of- $N$ सर्च समस्या के लिए सटीक प्रमाणन सीमाओं को औपचारिक रूप देता है।

कार्यप्रणाली और सैद्धांतिक ढांचा (Methodology and Theoretical Framework)
यह शोध पत्र सत्यापन को तीन कर्नेल (kernels) वाले एक ज्यामितीय व्युत्क्रम समस्या (geometric inverse problem) के रूप में मॉडल करता है:

$f$ : अज्ञात विश्वसनीयता सतह ( $0 \le f \le 1$ )।
$v_j$ : सत्यापन कर्नेल जो ऑडिट द्वारा देखी गई दिशाओं का प्रतिनिधित्व करते हैं।
$k$ : परिनियोजन कर्नेल जो रुचि के लक्ष्य का प्रतिनिधित्व करता है।

लेखक ब्लाइंड रेसिडुअल (blind residual) $b(k; V)$ को $k$ और सत्यापन कर्नेल $V = \text{span}\{v_1, \dots, v_p\}$ के बीच $L^1$ दूरी के रूप में परिभाषित करता है।

स्पैन प्रमेय (The Span Theorem - Theorem 1): दो सत्यापन-समतुल्य जगतों (वे जगत जो सभी ऑडिट पर सहमत हैं) के बीच अधिकतम अलगाव ठीक $b(k; V)$ है। यदि $k \notin \text{span}(V)$ , तो सटीक पहचान $m$ के बावजूद असंभव है।
पोस्ट-सिलेक्शन इन्फरेंस (Post-Selection Inference): शोध पत्र स्थापित करता है कि जब साक्ष्य के निरीक्षण के बाद एक परिनियोजन लक्ष्य का चयन किया जाता है, तो वैधता के लिए केवल पॉइंटवाइज कॉन्फिडेंस ही नहीं, बल्कि संपूर्ण चयन योग्य परिवार (selectable family) पर एक साथ सुरक्षा (simultaneous protection) की आवश्यकता होती है।
Best-of- $N$ विशिष्टता: स्केलर रैंकिंग और रैंडमाइज्ड टाइज (randomized ties) वाले iid उम्मीदवारों के लिए, best-of- $n$ विश्वसनीयता मोमेंट $\theta_n = \langle k_n, f \rangle$ के अनुरूप है जहाँ $k_n(u) = n u^{n-1}$ है। सत्यापन समस्या $\theta_1, \dots, \theta_m$ के सटीक ज्ञान के आधार पर $\theta_N$ के लिए पहचाने गए सेट की वर्स्ट-केस चौड़ाई (worst-case width) निर्धारित करने में बदल जाती है।

प्रमुख योगदान और परिणाम (Key Contributions and Results)

सटीक प्रमाणन सीमाएं (Exact Certification Limits - Theorem 2):
शोध पत्र $N$ को प्रमाणित करने के लिए $n=m$ के माध्यम से ऑडिट करते समय वर्स्ट-केस आइडेंटिफाइड विड्थ $W_{m,N}$ के लिए एक क्लोज्ड-फॉर्म अभिव्यक्ति व्युत्पन्न करता है:
$B_{m,N} = 1 + 2 \sum_{r=1}^m (-1)^r \cos^{2N} \left( \frac{r\pi}{2(m+1)} \right)$
यह मान सटीक प्राप्त होने वाली अस्पष्टता है। शोध पत्र स्पष्ट "चेबीशेव-साइन" (Chebyshev-sign) जगतों ( $f_\pm$ ) का निर्माण करता है जो सभी ऑडिट $n \le m$ पर सहमत होते हैं लेकिन $N$ पर इस अंतराल के छोरों (endpoints) को प्राप्त करते हैं।
सूचनात्मक प्रचुरता (Information Maximality - Proposition 2):
सभी ऑडिट शेड्यूल्स (जिनकी चौड़ाई $n \le m$ है, जिसमें रैंडमाइज्ड मिश्रण या अनुक्रमिक विकल्प शामिल हैं) के बीच, पूर्ण प्रीफिक्स (complete prefix) ( $n=1, \dots, m$ ) सूचनात्मक रूप से maximal है। कम-चौड़ाई वाले अन्य किसी भी ऑडिट संयोजन से वर्स्ट-केस अस्पष्टता को $B_{m,N}$ से नीचे कम नहीं किया जा सकता है।
फेज लॉ और स्केलिंग (Phase Law and Scaling - Corollary 1):
अस्पष्टता के लिए शासी पैमाना $m^2/N$ का अनुपात है।
- जब $m \sim \sqrt{N}$ होता है, तो सीमित अस्पष्टता लगभग 0.83 रहती है, जिसका अर्थ है कि $\sqrt{N}$ तक ऑडिट करने से भी इकाई अंतराल के विपरीत छोरों के पास विश्वसनीयता बनी रह सकती है।
- एक छोटा $\epsilon$ प्राप्त करने के लिए, आवश्यक ऑडिट गहराई $m \sim \sqrt{N \log(1/\epsilon)}$ के रूप में स्केल करती है।
आकार संबंधी बाधाओं के प्रति मजबूती (Robustness to Shape Constraints - Theorem 3):
शोध पत्र जांच करता है कि क्या नियमितता बाधाओं (मोनोटोनिसिटी और लिप्सचिट्ज़ निरंतरता) के तहत भी संरचनात्मक अंधापन बना रहता है।
- मोनोटोनिसिटी (Monotonicity): यह समस्या को यूनिफॉर्म मोनोमियल एप्रोक्सिमेशन में बदल देता है, जिसमें अस्पष्टता $O(L/m^2)$ के रूप में स्केल करती है।
- लिप्सचिट्ज़ बाउंड्स (Lipschitz Bounds): अस्पष्टता $L/m^2$ के क्रम में बनी रहती है। हालांकि नियमितता त्रुटि के परिमाण को कम करती है, लेकिन यह $m^{-2}$ ऑडिट रिज़ॉल्यूशन और $N^{-1}$ परिनियोजन एकाग्रता (deployment concentration) के बीच मौलिक प्रतिस्पर्धा को समाप्त नहीं करती है।
टू-गेट ऑडिट नियम (Two-Gate Audit Rule):
लेखक एक व्यावहारिक निर्णय ढांचा प्रस्तावित करता है:
- स्ट्रक्चरल गेट (Structural Gate): पहले, सुनिश्चित करें कि $B_{m,N} \le \epsilon$ है। यदि यह विफल रहता है, तो अतिरिक्त स्वतंत्र कार्यों (रेप्लिकेशन) की कोई भी मात्रा लक्षित परिशुद्धता प्राप्त नहीं कर सकती; नए हस्तक्षेप दिशाओं की आवश्यकता है।
- सैंपलिंग गेट (Sampling Gate): एक बार जब संरचनात्मक कवरेज पर्याप्त हो जाए, तो सैंपलिंग शोर को कम करने के लिए टास्क काउंट को बढ़ाएं।

अनुभवजन्य चित्रण (Empirical Illustrations)
शोध पत्र ज्यामिति को प्रदर्शित करने के लिए दो सार्वजनिक डेटासेट्स पर पूर्वव्यापी विश्लेषण प्रदान करता है, यह स्पष्ट रूप से कहते हुए कि ये प्रोस्पेक्टिव इंटरवेंशन या प्रवलता अनुमान नहीं हैं:

गणितीय तर्क (GSM8K): 127 समस्याओं और 2.54 मिलियन समाधानों का उपयोग करते हुए, अध्ययन दिखाता है कि जबकि समग्र रैंकिंग उच्च (AUC $\approx$ 0.9) है, विशिष्ट समस्याएं "रिवर्सल" प्रदर्शित करती हैं जहाँ सर्च विड्थ ( $n=1 \to 4096$ ) बढ़ने से सत्यता (truth) घट जाती है।
कोड जनरेशन (CodeRM/HumanEval+): 164 कार्यों और 32,800 प्रोग्रामों का उपयोग करते हुए, अध्ययन संगत जगतों (compatible worlds) का निर्माण करता है जो पहले 8 ऑडिट मोमेंट्स से मेल खाते हैं, लेकिन बेस्ट-ऑफ-100 सत्य मानों की भविष्यवाणी 0.186 से 0.992 (8B के लिए) और 0.305 से 0.996 (70B के लिए) के बीच करते हैं, जबकि देखा गया सत्य मान क्रमशः 0.715 और 0.788 है।
लेबल अधिग्रहण (Label Acquisition): एक पूर्वव्यापी रीप्ले दिखाता है कि परिनियोजन दिशा (टॉप-टेल स्कोर्स) में लेबल एकत्र करने से यूनिफॉर्म सैंपलिंग की तुलना में अनुमान त्रुटि को काफी कम किया जा सकता है, जो "स्ट्रक्चरल गेट" सिद्धांत को मान्य करता है।

महत्व और दायरा (Significance and Scope)
शोध पत्र का दावा है कि यह बाउंडेड ट्रुथ के साथ iid best-of- $N$ सर्च के लिए विशिष्ट सेटिंग हेतु सटीक प्राप्त पहचान योग्य वस्तुओं (exact attainable identification objects) को प्रदान करता है। इसका महत्व यहाँ है:

सत्यापन को एक लक्ष्य-सापेक्ष व्युत्क्रम समस्या के रूप में औपचारिक बनाना जहाँ संरचनात्मक अंधापन सैंपलिंग शोर से अलग है।
यह सिद्ध करना कि रेप्लिकेशन संरचनात्मक अंधापन को ठीक नहीं कर सकता; केवल हस्तक्षेपों के स्पैन का विस्तार करना (जैसे, परिनियोजन विजेता का सीधे ऑडिट करना) ही इसे हल कर सकता है।
सटीक, गैर-एसिम्प्टोटिक बाउंड्स ( $B_{m,N}$ ) प्रदान करना जो प्रमाणन की कठिनाई के लिए निचला स्तर (lower bound) के रूप में कार्य करते हैं।

सीमाएं और दावे (Limitations and Claims)
लेखक अपने दावों की सीमाओं के बारे में स्पष्ट हैं:

क्लोज्ड-फॉर्म परिणाम कड़ाई से iid उम्मीदवारों, स्केलर रैंकिंग, रैंडमाइज्ड टाइज और मैक्सिमम सिलेक्शन पर लागू होते हैं।
ज्यामिति ज्ञात या स्वतंत्र रूप से अनुमानित कर्नेल पर लागू होती है। यह उन एडेप्टिव जनरेटर्स के लिए प्रमाण पत्र प्रदान नहीं करती है जहाँ पॉलिसी या हिस्ट्री अनमॉडल (unmodeled) है।
अनुभवजन्य विश्लेषण इन "वर्स्ट-केस" जगतों के वास्तविक दुनिया में कितनी बार होने की संभावना है, इसके अनुमान नहीं हैं, न ही वे प्रस्तावित ऑडिट नियमों की प्रोस्पेक्टिव प्रभावशीलता का दावा करते हैं।
शोध पत्र मोमेंट स्पेस में नए प्रमेय या इष्टतम रिकवरी का दावा नहीं करता है, बल्कि स्थापित गणितीय उपकरणों (हाउस्डॉर्फ मोमेंट्स, चेबीशेव एप्रोक्सिमेशन) को AI सत्यापन की विशिष्ट ज्यामिति के लिए विशेषीकृत करता है।

इसी तरह के और पेपर