۱. معرفی مقاله و اهمیت آن

در دهه‌های اخیر، شبکه‌های عصبی عمیق به سنگ بنای پیشرفت‌های چشمگیر در حوزه‌های مختلف علم داده، به ویژه در بینایی کامپیوتر، پردازش تصویر و پردازش زبان طبیعی تبدیل شده‌اند. این مدل‌ها که بر روی مجموعه‌داده‌های عظیم آموزش دیده‌اند و با به حداقل رساندن تابع زیان به نتایج خیره‌کننده‌ای دست یافته‌اند، مرزهای توانایی‌های هوش مصنوعی را جابجا کرده‌اند. با وجود این موفقیت‌های عملی چشمگیر، درک نظری ما از چگونگی عملکرد این شبکه‌ها همچنان محدود است. یکی از بنیادی‌ترین پرسش‌ها در این زمینه، مربوط به قابلیت‌های درون‌یابی (Interpolation) و برون‌یابی (Extrapolation) آن‌هاست: آیا شبکه‌های عصبی تنها قادر به “به‌خاطر سپردن” و تعمیم‌دادن در دامنه داده‌های آموزشی هستند (درون‌یابی)، یا می‌توانند دانش خود را به موارد جدید و خارج از توزیع داده‌های آموزشی نیز تعمیم دهند (برون‌یابی)؟

مقاله “آیا شبکه‌های عصبی تعمیم‌پذیرند؟ بررسی قضیه‌ای از پدرو دومینگو” (عنوان اصلی انگلیسی: Can neural networks extrapolate? Discussion of a theorem by Pedro Domingos) به قلم آدرین کورتوا، ژان-میشل مورل و پابلو آریاس، دقیقاً به همین پرسش محوری می‌پردازد. این مقاله با تمرکز بر قضیه‌ای کلیدی از پدرو دومینگو، یکی از چهره‌های سرشناس در حوزه یادگیری ماشین، تلاش می‌کند تا پرده از ماهیت واقعی قابلیت‌های تعمیم‌پذیری شبکه‌های عصبی بردارد. اهمیت این تحقیق نه تنها در فراهم آوردن یک چارچوب نظری برای درک عمیق‌تر شبکه‌های عصبی است، بلکه پیامدهای عملی مهمی برای طراحی، آموزش و ارزیابی سیستم‌های هوش مصنوعی قابل اعتماد و قدرتمند دارد. اگر شبکه‌های عصبی عمدتاً درون‌یاب باشند، انتظارات ما از عملکرد آن‌ها در سناریوهای جدید و ناشناخته باید با احتیاط بیشتری همراه شود و این امر بر نحوه مهندسی ویژگی‌ها و جمع‌آوری داده‌ها تأثیر بسزایی خواهد داشت.

۲. نویسندگان و زمینه تحقیق

نویسندگان این مقاله، آدرین کورتوا (Adrien Courtois)، ژان-میشل مورل (Jean-Michel Morel) و پابلو آریاس (Pablo Arias)، از محققان فعال در حوزه‌های مرتبط با بینایی کامپیوتر، پردازش تصویر و نظریه یادگیری ماشین هستند. کار آن‌ها به خوبی نشان‌دهنده تلاقی ریاضیات کاربردی و هوش مصنوعی است، جایی که درک عمیق نظری می‌تواند به پیشرفت‌های عملی منجر شود.

زمینه تحقیق این مقاله در بطن بحث‌های جاری در مورد “جعبه سیاه” (Black Box) بودن مدل‌های یادگیری عمیق قرار دارد. با وجود موفقیت‌های بی‌سابقه، توضیح‌پذیری (Explainability) و فهم مکانیسم‌های زیربنایی این مدل‌ها همچنان یک چالش بزرگ است. این مقاله به طور خاص به یکی از جنبه‌های کلیدی این جعبه سیاه می‌پردازد: آیا شبکه‌های عصبی می‌توانند فراتر از داده‌هایی که با آن‌ها آموزش دیده‌اند عمل کنند؟

پدرو دومینگو (Pedro Domingos)، که قضیه مورد بحث در این مقاله به او نسبت داده شده است، یک دانشمند کامپیوتر پرتغالی-آمریکایی و استاد دانشگاه واشینگتن است. او به دلیل کارهای پیشگامانه‌اش در یادگیری ماشین و به ویژه کتاب معروفش “استاد الگوریتم: چگونه یادگیری ماشینی جهان را می‌سازد” شناخته شده است. قضیه‌ای که در این مقاله بررسی می‌شود، بیان می‌کند که “هر ماشینی که با گرادیان کاهشی پیوسته آموزش می‌بیند، تقریباً یک ماشین کرنل است.” این ایده، که شبکه‌های عصبی ممکن است در ماهیت خود به ماشین‌های کرنل (Kernel Machines) شباهت داشته باشند، پیامدهای عمیقی برای درک قابلیت تعمیم‌پذیری (Generalization Capability) آن‌ها دارد. ماشین‌های کرنل، مانند ماشین بردار پشتیبان (SVM)، عمدتاً به دلیل قابلیت‌های درون‌یابی خود شناخته شده‌اند و انتظار برون‌یابی قوی از آن‌ها در خارج از دامنه داده‌های آموزشی معمولاً محدود است. بنابراین، اگر شبکه‌های عصبی نیز به این گروه تعلق داشته باشند، توانایی برون‌یابی آن‌ها ممکن است به طور ذاتی محدود باشد، حتی اگر در درون‌یابی بسیار قدرتمند عمل کنند. این مقاله در تلاش برای گسترش و ارزیابی این ادعا در چارچوب شبکه‌های عصبی عمیق است.

۳. چکیده و خلاصه محتوا

هدف اصلی این مقاله، بررسی دقیق قضیه دومینگو و پیامدهای آن برای قابلیت‌های تعمیم‌پذیری شبکه‌های عصبی است. نویسندگان اذعان دارند که با وجود نتایج خیره‌کننده شبکه‌های عصبی در حل مسائل علم داده، به‌ویژه در حوزه‌هایی مانند بینایی کامپیوتر، پردازش تصویر و پردازش زبان طبیعی، درک نظری ما از نحوه عملکرد آن‌ها، به ویژه در مورد قابلیت‌های درون‌یابی، محدود است.

هسته مرکزی مقاله، بحث پیرامون قضیه دومینگو است که بیان می‌کند: “هر ماشینی که با گرادیان کاهشی پیوسته آموزش می‌بیند، تقریباً یک ماشین کرنل است.” دومینگو از این واقعیت نتیجه می‌گیرد که تمام ماشین‌های آموزش‌دیده بر روی داده‌ها، صرفاً ماشین‌های کرنل هستند. این ادعا در صورت صحت، می‌تواند محدودیت‌های اساسی برای توانایی برون‌یابی شبکه‌های عصبی قائل شود.

نویسندگان مقاله ابتدا به تعمیم قضیه دومینگو می‌پردازند:

• حالت گسسته: آن‌ها نتیجه دومینگو را به حالت گسسته نیز تعمیم می‌دهند، که این امر کاربرد آن را در سناریوهای عملی‌تر یادگیری ماشین که اغلب شامل گام‌های گسسته در بهینه‌سازی یا فضاهای گسسته ورودی/خروجی هستند، گسترش می‌دهد.
• شبکه‌های با خروجی برداری: قضیه را برای شبکه‌هایی که دارای خروجی‌های برداری هستند (به جای خروجی اسکالر واحد) نیز بسط می‌دهند، که این امر پوشش‌دهنده طیف وسیع‌تری از معماری‌ها و کاربردهای شبکه‌های عصبی است.

پس از این تعمیم‌ها، نویسندگان به بررسی ارتباط و اهمیت قضیه در مثال‌های ساده می‌پردازند. یافته آن‌ها این است که در موارد ساده، “کرنل مماس عصبی” (Neural Tangent Kernel – NTK) که در قضیه دومینگو مطرح می‌شود، به خوبی می‌تواند پیش‌بینی‌های شبکه را توضیح دهد. این بدان معناست که در این سناریوهای کم‌پیچیدگی، شبکه عصبی واقعاً مانند یک ماشین کرنل عمل می‌کند و رفتار آن از طریق NTK قابل درک است.

نکته مهم و نتیجه‌گیری کلیدی مقاله این است که: هرچه پیچیدگی وظیفه محوله به شبکه افزایش می‌یابد، قابلیت درون‌یابی شبکه به طور مؤثری توسط قضیه دومینگو قابل تبیین است و بنابراین محدود است. برای روشن‌سازی این واقعیت، آن‌ها از یک مسئله کلاسیک در نظریه ادراک استفاده می‌کنند: بازسازی یک شکل از مرز آن. این مثال نشان می‌دهد که چگونه شبکه عصبی در وظایف پیچیده‌تر، به جای برون‌یابی واقعی، به درون‌یابی در فضای ویژگی‌ها متکی است و در نتیجه، قابلیت تعمیم‌پذیری آن در خارج از توزیع داده‌های آموزشی محدود می‌شود.

۴. روش‌شناسی تحقیق

روش‌شناسی این تحقیق بر پایه سه محور اصلی استوار است: بسط نظری قضیه، تحلیل رفتار شبکه در مثال‌های ساده و اعتبارسنجی با یک مسئله پیچیده ادراکی.

۴.۱. بسط نظری قضیه دومینگو

در گام نخست، نویسندگان به طور تحلیلی قضیه دومینگو را فراتر از فرمول‌بندی اصلی آن تعمیم می‌دهند. قضیه دومینگو در ابتدا برای حالت گرادیان کاهشی پیوسته و خروجی‌های اسکالر مطرح شده بود. نویسندگان با به‌کارگیری ابزارهای ریاضی، این قضیه را به دو حوزه حیاتی گسترش می‌دهند:

• حالت گسسته: در عمل، آموزش شبکه‌های عصبی با استفاده از گام‌های گسسته گرادیان کاهشی (مانند SGD یا Adam) انجام می‌شود. بسط قضیه به حالت گسسته، اعتبار آن را برای سناریوهای واقعی‌تر آموزش مدل‌های یادگیری عمیق تضمین می‌کند. این بسط شامل بررسی این است که چگونه تقریب ماشین کرنل در حضور به‌روزرسانی‌های گسسته پارامترها همچنان برقرار می‌ماند.
• شبکه‌های با خروجی برداری: بسیاری از شبکه‌های عصبی، به ویژه در کاربردهایی مانند طبقه‌بندی چندکلاسه یا رگرسیون چندمتغیره، دارای خروجی‌های برداری هستند. نویسندگان نشان می‌دهند که قضیه دومینگو چگونه می‌تواند برای این ساختارهای پیچیده‌تر خروجی نیز اعمال شود و اینکه چگونه مفهوم کرنل مماس عصبی در این حالت تعمیم می‌یابد.

۴.۲. بررسی ارتباط و اهمیت بر روی مثال‌های ساده

پس از بسط نظری، محققان به منظور درک شهودی و اعتبارسنجی عملی، قضیه دومینگو را بر روی مثال‌های محاسباتی ساده و قابل کنترل اعمال می‌کنند. این مثال‌ها شامل وظایفی هستند که به اندازه کافی کوچک و ساده‌اند تا بتوان رفتار دقیق شبکه عصبی و کرنل مماس عصبی (NTK) مربوطه را تحلیل کرد. در این بخش:

• آن‌ها بررسی می‌کنند که چگونه NTK که به صورت خودکار از ساختار شبکه عصبی و توابع فعال‌سازی آن مشتق می‌شود، می‌تواند پیش‌بینی‌های شبکه را در طول فرآیند آموزش و پس از آن توضیح دهد.
• این بررسی‌ها نشان می‌دهد که در این سناریوهای ساده، شبکه عصبی واقعاً مانند یک ماشین کرنل عمل می‌کند و عملکرد آن توسط NTK به خوبی قابل مدل‌سازی است. این مرحله اعتبار اولیه را برای ادعای دومینگو در مورد ماهیت ماشین‌های کرنل بودن شبکه‌های عصبی فراهم می‌آورد.

۴.۳. مطالعه مورد برای وظایف پیچیده: بازسازی شکل از مرز

برای بررسی رفتار شبکه در سناریوهای پیچیده‌تر و با هدف ارزیابی قابلیت برون‌یابی واقعی، نویسندگان یک مسئله کلاسیک در نظریه ادراک را به عنوان مطالعه موردی انتخاب می‌کنند: “بازسازی یک شکل از مرز آن”. این وظیفه به دقت انتخاب شده است زیرا:

• دارای پیچیدگی محاسباتی و ادراکی قابل توجهی است.
• نیازمند تعمیم‌دادن از اطلاعات موضعی (مرز) به ساختاری سراسری (شکل کامل) است.
• توانایی شبکه در برون‌یابی واقعی را به چالش می‌کشد، نه صرفاً درون‌یابی بین نمونه‌های آموزشی.

در این بخش، نویسندگان شبکه عصبی را بر روی مجموعه‌ای از شکل‌ها و مرزهای آن‌ها آموزش می‌دهند و سپس سعی می‌کنند شکل‌هایی را از مرزهای جدیدی که در طول آموزش دیده نشده‌اند، بازسازی کنند. تحلیل نتایج در این وظیفه پیچیده، نشان می‌دهد که قابلیت درون‌یابی شبکه حتی در این موارد نیز می‌تواند توسط قضیه دومینگو توضیح داده شود. این بدان معناست که عملکرد شبکه در بازسازی شکل، بیشتر به درون‌یابی هوشمندانه در فضای ویژگی‌های مرتبط با مرزها متکی است تا برون‌یابی خلاقانه و تولید اشکال کاملاً جدید. این رویکرد روش‌شناختی، گامی مهم در درک محدودیت‌های ذاتی شبکه‌های عصبی در مواجهه با برون‌یابی واقعی است.

۵. یافته‌های کلیدی

یافته‌های این تحقیق، روشن‌کننده جنبه‌های مهمی از عملکرد و محدودیت‌های شبکه‌های عصبی هستند که می‌توان آن‌ها را در چند نکته کلیدی خلاصه کرد:

• بسط قضیه دومینگو و تأیید ماهیت کرنل‌مانند:

  این مقاله با موفقیت قضیه دومینگو را به حالات گسسته و شبکه‌های با خروجی برداری بسط می‌دهد. این امر نشان می‌دهد که ایده اصلی دومینگو – اینکه شبکه‌های عصبی آموزش‌دیده با گرادیان کاهشی تقریباً مانند ماشین‌های کرنل عمل می‌کنند – از اعتبار بالایی برخوردار است و تنها به حالت‌های ایده‌آل و محدود گرادیان پیوسته و خروجی اسکالر منحصر نیست. این بسط، دامنه کاربرد نظریه را به سناریوهای واقعی‌تر یادگیری عمیق گسترش می‌دهد و پایه محکمی برای استدلال‌های بعدی فراهم می‌کند.

• نقش کرنل مماس عصبی (NTK) در موارد ساده:

  یکی از یافته‌های مهم این است که در مثال‌های ساده، کرنل مماس عصبی (NTK) به طور مؤثری می‌تواند پیش‌بینی‌های شبکه را توضیح دهد. NTK یک کرنل است که رفتار یک شبکه عصبی با عرض بی‌نهایت را در طول آموزش با گرادیان کاهشی مدل‌سازی می‌کند. اینکه NTK در موارد ساده به خوبی کار می‌کند، نشان می‌دهد که در این شرایط، شبکه عصبی واقعاً مانند یک مدل کرنل رفتار می‌کند. این به محققان بینشی قوی در مورد چگونگی پردازش اطلاعات توسط شبکه در سناریوهای کم‌پیچیدگی می‌دهد و تأییدی بر فرضیه دومینگو است.

• محدودیت قابلیت درون‌یابی با افزایش پیچیدگی:

  نتیجه‌گیری اساسی و شاید مهم‌ترین یافته مقاله، این است که با افزایش پیچیدگی وظیفه محوله به شبکه، قابلیت درون‌یابی شبکه همچنان به طور مؤثری توسط قضیه دومینگو قابل تبیین است و در نتیجه محدود می‌شود. این امر نشان می‌دهد که شبکه‌های عصبی در مواجهه با وظایف پیچیده‌تر، تمایل دارند تا درون‌یابی هوشمندانه‌تری انجام دهند تا اینکه به معنای واقعی کلمه برون‌یابی کنند. به عبارت دیگر، آن‌ها به جای کشف اصول جدیدی که فراتر از داده‌های آموزشی باشد، الگوهای پیچیده‌تری را در محدوده داده‌های موجود استخراج و تعمیم می‌دهند.

• توضیح عملی با مسئله بازسازی شکل:

  مثال کلاسیک بازسازی یک شکل از مرز آن به وضوح این محدودیت را نشان می‌دهد. در این وظیفه پیچیده، شبکه عصبی ممکن است در بازسازی شکل‌هایی که شبیه به نمونه‌های آموزشی هستند موفق باشد، اما در مواجهه با مرزهایی که به طور قابل توجهی متفاوت هستند یا نیازمند استنتاج‌های برون‌یابانه هستند، با چالش مواجه می‌شود. این یافته به ما می‌گوید که حتی با توانایی‌های ظاهری چشمگیر شبکه‌های عصبی، عملکرد آن‌ها در برون‌یابی به شدت توسط ساختار داده‌های آموزشی محدود می‌شود و آن‌ها در اصل، در حال درون‌یابی در یک فضای ویژگی تعمیم‌یافته هستند.

در مجموع، این یافته‌ها به ما می‌گویند که شبکه‌های عصبی، با وجود پیچیدگی‌های ظاهری و توانایی‌های شگفت‌انگیزشان، در هسته خود ممکن است شبیه به ماشین‌های کرنل عمل کنند و توانایی برون‌یابی واقعی آن‌ها محدود باشد. این موضوع پیامدهای عمیقی برای طراحی و کاربرد سیستم‌های هوش مصنوعی دارد.

۶. کاربردها و دستاوردها

نتایج حاصل از این تحقیق، فراتر از یک درک نظری صرف، دارای پیامدهای عملی و کاربردی گسترده‌ای در زمینه یادگیری ماشین و هوش مصنوعی است:

• درک عمیق‌تر از رفتار شبکه‌های عصبی:

  این مقاله به ما کمک می‌کند تا شبکه‌های عصبی را نه تنها به عنوان یک “جعبه سیاه” که نتایج شگفت‌انگیزی تولید می‌کند، بلکه به عنوان سیستمی با محدودیت‌های نظری مشخص درک کنیم. اگر شبکه‌های عصبی اساساً ماشین‌های کرنل باشند، می‌توانیم انتظار داشته باشیم که در مواجهه با داده‌هایی که به شدت خارج از توزیع آموزشی هستند، عملکرد ضعیفی از خود نشان دهند. این درک، به خصوص در کاربردهای حساس مانند پزشکی یا سیستم‌های خودران که قابلیت برون‌یابی و robustness حیاتی است، اهمیت دوچندان پیدا می‌کند.

• راهنمایی برای طراحی مدل و روش‌های آموزشی:

  اگر شبکه‌های عصبی بیشتر درون‌یاب هستند، طراحان مدل باید توجه بیشتری به جامعیت و تنوع داده‌های آموزشی داشته باشند. این یافته‌ها ممکن است الهام‌بخش روش‌های جدیدی برای افزایش داده (Data Augmentation)، یادگیری فعال (Active Learning) و یادگیری دامنه‌ای (Domain Adaptation) باشد که هدفشان پوشش دادن هرچه بیشتر فضای ورودی ممکن است. همچنین، ممکن است نیاز به توسعه معماری‌های شبکه‌ای باشد که به طور ذاتی قابلیت برون‌یابی قوی‌تری داشته باشند، یا تابع زیان‌هایی که این قابلیت را تشویق کنند.

• تفسیرپذیری و توضیح‌پذیری مدل (XAI):

  مفهوم کرنل مماس عصبی (NTK) به عنوان ابزاری برای توضیح پیش‌بینی‌های شبکه در موارد ساده، گامی مهم به سوی افزایش تفسیرپذیری مدل‌های یادگیری عمیق است. اگر بتوانیم رفتار یک شبکه عصبی را در یک چارچوب ماشین کرنل تفسیر کنیم، می‌توانیم درک بهتری از دلایل تصمیم‌گیری‌های آن داشته باشیم و به سؤالاتی مانند “چرا شبکه این خروجی را تولید کرد؟” پاسخ دهیم. این امر برای اعتمادسازی به سیستم‌های هوش مصنوعی بسیار مهم است.

• محدودیت‌های ذاتی هوش مصنوعی کنونی:

  این تحقیق نشان می‌دهد که هوش مصنوعی کنونی، با وجود تمام قابلیت‌هایش، ممکن است به طور بنیادی در برون‌یابی در سطح انسانی محدود باشد. این یک یادآوری مهم است که شبکه‌های عصبی در نهایت ابزارهای آماری قدرتمندی هستند که به شدت به داده‌های آموزشی وابسته می‌باشند. این دستاورد، خطوط مشخصی بین درون‌یابی هوشمند و خلاقیت و استدلال برون‌یابانه ترسیم می‌کند که هنوز در حیطه توانایی‌های انسان قرار دارد.

• هدایت تحقیقات آتی:

  این مقاله به وضوح مسیرهای جدیدی برای تحقیقات آتی باز می‌کند. چگونه می‌توان شبکه‌های عصبی را طراحی کرد که واقعاً برون‌یاب باشند؟ آیا معماری‌های خاص، توابع فعال‌سازی غیرخطی خاص یا روش‌های آموزشی نوین می‌توانند بر این محدودیت کرنل‌مانند غلبه کنند؟ این سؤالات، انگیزه اصلی برای نسل بعدی تحقیقات در نظریه یادگیری عمیق خواهند بود.

به طور خلاصه، دستاوردهای این مقاله نه تنها در روشنگری یک جنبه بنیادی از شبکه‌های عصبی است، بلکه در ارائه رهنمودهای عملی برای توسعه هوش مصنوعی نسل بعدی است که قابلیت اطمینان، تعمیم‌پذیری و توضیح‌پذیری بالاتری داشته باشد.

۷. نتیجه‌گیری

مقاله “آیا شبکه‌های عصبی تعمیم‌پذیرند؟ بررسی قضیه‌ای از پدرو دومینگو” به قلم کورتوا، مورل و آریاس، یک سهم ارزشمند و روشنگرانه در درک نظری ما از شبکه‌های عصبی عمیق و قابلیت‌های تعمیم‌پذیری آن‌ها ارائه می‌دهد. این تحقیق، با بسط قضیه دومینگو به حالات گسسته و شبکه‌های با خروجی برداری، به طور قانع‌کننده‌ای نشان می‌دهد که شبکه‌های عصبی که با گرادیان کاهشی آموزش می‌بینند، می‌توانند تقریباً به عنوان ماشین‌های کرنل در نظر گرفته شوند.

یافته‌های کلیدی مقاله تأکید می‌کنند که در سناریوهای ساده، کرنل مماس عصبی (NTK) ابزار قدرتمندی برای توضیح پیش‌بینی‌های شبکه فراهم می‌کند. اما نکته حیاتی‌تر این است که با افزایش پیچیدگی وظیفه، قابلیت درون‌یابی شبکه همچنان توسط قضیه دومینگو قابل تبیین است و در نتیجه محدود است. مثال بازسازی یک شکل از مرز آن، به وضوح این محدودیت را در عمل نشان می‌دهد: شبکه‌های عصبی در اینگونه وظایف پیچیده، بیشتر به درون‌یابی هوشمندانه و استخراج الگوهای عمیق از داده‌های موجود متکی هستند تا برون‌یابی خلاقانه و اکتشاف اصول کاملاً جدید.

این نتیجه‌گیری پیامدهای عمیقی برای توسعه و کاربرد هوش مصنوعی دارد. اولاً، بر اهمیت کیفیت و پوشش‌دهی داده‌های آموزشی تأکید می‌کند. اگر شبکه‌های عصبی در هسته خود درون‌یاب هستند، تضمین قابلیت تعمیم‌پذیری آن‌ها در سناریوهای دنیای واقعی مستلزم جمع‌آوری داده‌هایی است که تا حد امکان متنوع و نماینده فضای ممکن باشند. دوماً، این تحقیق چالش‌های پیش‌روی هوش مصنوعی را برای دستیابی به “هوش واقعی” برجسته می‌کند که شامل توانایی برون‌یابی فراتر از تجربه مستقیم است. در حالی که شبکه‌های عصبی در درون‌یابی بسیار قدرتمند هستند، این مقاله نشان می‌دهد که ما هنوز با مدل‌هایی که می‌توانند به معنای واقعی کلمه برون‌یابی و خلاقیت نشان دهند، فاصله داریم.

در نهایت، این مقاله نه تنها شکاف موجود در درک نظری شبکه‌های عصبی را پر می‌کند، بلکه مسیرهای جدیدی را برای تحقیقات آتی در زمینه طراحی معماری‌های عصبی و روش‌های آموزشی که به طور بالقوه قادر به غلبه بر این محدودیت‌های درون‌یابی باشند، هموار می‌سازد. بحث بین درون‌یابی و برون‌یابی در یادگیری ماشین همچنان ادامه خواهد داشت و این مقاله یک گام محکم در جهت شفاف‌سازی این مرزهای حیاتی برداشته است.