पारंपरिक K-फ़ोल्ड क्रॉस-वैलिडेशन में प्रत्येक इंस्टैंस को प्रशिक्षण (k-1) बार और परीक्षण को एक बार इस्तेमाल करने की समस्या होती है, जिसके परिणामस्वरूप कई इंस्टैंस के कारण अतिरेक और सीखने की प्रक्रिया पर असंगत प्रभाव पड़ता है। इस पत्र में, हम एक नवीन विधि, इररंडंडेंट k-फ़ोल्ड क्रॉस-वैलिडेशन, प्रस्तुत करते हैं, जो यह सुनिश्चित करती है कि सत्यापन प्रक्रिया के दौरान प्रत्येक इंस्टैंस का प्रशिक्षण और परीक्षण दोनों के लिए ठीक एक बार उपयोग किया जाए। यह संतुलित डेटासेट उपयोग सुनिश्चित करता है, इंस्टैंस पुनरावृत्ति के कारण ओवरफिटिंग को कम करता है, और मॉडल विश्लेषण में अधिक स्पष्ट अंतर सक्षम करता है। प्रायोगिक परिणाम प्रदर्शित करते हैं कि यह विधि विविध डेटासेट में पदानुक्रमित और मॉडल-स्वतंत्र प्रदर्शन बनाए रखती है, साथ ही कम विचरण अनुमान प्रदान करती है और गैर-अतिव्यापी प्रशिक्षण विभाजनों के कारण समग्र गणना लागत को महत्वपूर्ण रूप से कम करती है।
