本論文では回帰と分類の間の正式な関係が探求されている。多くの場合、回帰問題と分類問題は別物として扱われてきたが、本研究では、$M$サンプルがハイパープレーン上に存在する回帰問題が、$2M$サンプルを持つ線形分離可能な分類タスクと一対一の同等性を持つことを示している。著者らは、この同等性を利用して、分類タスクでのマージン最大化が伝統的な回帰の定式化とは異なる新しい回帰の定式化を導くことを明らかにし、データセットの回帰の難易度を評価するための「回帰可能性」指標を提案した。この手法を通じて、ニューラルネットワークを用いて入力変数を線形回帰が効果的に機能する空間に変換するための線形化マップを学習する方法を示している。