يشكل نموذج الاحتمالات للحد الأدنى الجزئي (Probabilistic Partial Least Squares - PPLS) أحد النماذج الأساسية في التعلم الثنائي، حيث يجمع بين عوامل غير مرئية قابلة للتفسير وعدم يقين مُعتمد. يواجه النموذج التقليدي بعض التحديات العملية التي تعرقل فعالية تطبيقاته، والتي تتعلق بالضجيج وإدارة القيود. في هذا الإطار، تم تطوير نموذج جديد يستخدم تحسينات على أسلوب Stiefel لتجاوز هذه العقبات.

بناءً على المعلمات القابلة للتعرف التي تم تقديمها سابقًا، هناك صعوبة في إدارة الضجيج أثناء تحديثات EM/ECM، وكذلك في معالجة القيود بشكل صحيح. هناك حاجة ملحة لنظام يزيد من دقة التوقعات ويقلل من أخطاء التقدير. هنا، تم تقديم إطار عمل متكامل يجمع بين تقدير الضجيج المسبق، تحسين الاحتمالية مع القيود، وتقييم دقيق للتوقعات في عملية واحدة.

تسعى الدراسة للاستفادة من تقدير الضجيج من منطقة الضجيج ذات القيم الذاتية المنخفضة، مع تطبيق قيود الأورثوغونالية من خلال تحسين دقيق على حزمة Stiefel. يُظهر التقدير للمنطقة ذات الضجيج المستقل تفوقًا في معدل العينة، حيث يحصل على نتيجة دقيقة تتوافق مع الحدود الدنيا للعينة، بينما يتمتع التقدير الشامل بطابع تحيزي ضمن النموذج نفسه.

تمتد النتائج لتشمل إعدادات تحت Gaussian مع إمكانية تطبيق Gaussianization، مما يتيح ثباتًا أكبر في استعادة المعلمات. في مجموعة من النماذج البديلة والبيانات المركبة (مثل TCGA-BRCA وPBMC CITE-seq)، أثبتت الطريقة نجاحها في تحقيق تغطية قريبة من المثالية دون الحاجة لإعادة التقدير، مع دقة أعلى في التوقعات، مما يفتح المجال لفرص جديدة في التحليل البياني ودراسات البيانات متعددة الأبعاد.