🤖 machine learning

Equivariant Representation Learning via Class-Pose Decomposition

यह शोध पत्र लेटेंट स्पेस को इनवेरिएंट क्लास फैक्टर्स और सिमेट्री ग्रुप पोज़ फैक्टर्स में विभाजित करके इक्विवैरिएंट रिप्रेजेंटेशन्स सीखने के लिए एक सामान्य विधि प्रस्तुत करता है, जिसे लॉसलेस, इंटरप्रिटेबल और डिसेंटैंगल्ड परिणाम प्राप्त करने के लिए रिलेटिव सिमेट्री सुपरविज़न का उपयोग करके प्रशिक्षित किया गया है जो मौजूदा फ्रेमवर्क से बेहतर प्रदर्शन करते हैं।

मूल लेखक: Giovanni Luca Marchetti, Gustaf Tegnér, Anastasiia Varava, Danica Kragic

प्रकाशित 2026-06-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Giovanni Luca Marchetti, Gustaf Tegnér, Anastasiia Varava, Danica Kragic

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

कल्पना कीजिए कि आप एक लाल खिलौना कार की फोटो देख रहे हैं। अब, उसी फोटो की कल्पना करें, लेकिन कार को बाईं ओर खिसका दिया गया है, या घुमा दिया गया है, या ज़ूम इन कर दिया गया है। एक इंसान के लिए, हम तुरंत जानते हैं: "यह अभी भी वही लाल खिलौना कार है, बस यह दूसरी जगह पर है।" हम वस्तु की पहचान (यह एक लाल कार है) को उसके स्थान (यह वहाँ है) से अलग कर देते हैं।

यह शोध पत्र (paper) कंप्यूटर को ठीक यही कौशल सीखने का एक नया तरीका प्रस्तावित करता है। लेखक इसे "क्लास-पोज़ डिकंपोजिशन" (Class-Pose Decomposition) कहते हैं।

इसका सरल विवरण यहाँ दिया गया है, जो रोजमर्रा के उपमाओं (analogies) का उपयोग करता है:

1. समस्या: कंप्यूटर भ्रमित हो जाते हैं

आमतौर पर, जब कंप्यूटर डेटा (जैसे चित्र) देखते हैं, तो वे सब कुछ एक बड़े "मानसिक बॉक्स" में सिकोड़ने की कोशिश करते हैं। यदि आप वस्तु को हिलाते हैं, तो कंप्यूटर अक्सर इसे पूरी तरह से एक अलग चीज़ समझ लेता है क्योंकि पिक्सेल बदल गए हैं। उसे यह समझने में संघर्ष करना पड़ता है कि "वस्तु क्या है" और "वह कहाँ है"।

2. समाधान: दो अलग-अलग दराजें (Drawers)

लेखक कंप्यूटर के "मानसिक बॉक्स" (जिसे लेटेंट स्पेस/latent space कहा जाता है) को दो अलग-अलग दराजों में विभाजित करने का सुझाव देते हैं:

दराज A ("क्लास"): यह दराज पहचान को रखती है। यह उत्तर देती है: "क्या यह एक कुर्सी है? एक बिल्ली? एक लाल कार?" यह इस बात की परवाह नहीं करती कि वस्तु कहाँ है। वस्तु को कैसे भी हिलाया जाए, यह समान रहती है।
दराज B ("पोज़"): यह ज्यामिति (geometry) को रखती है। यह उत्तर देती है: "क्या यह घूम गई है? क्या यह बाईं ओर खिसक गई है? क्या इसे ज़ूम इन किया गया है?" यह गति को पूरी तरह से ट्रैक करती है।

शोध पत्र का दावा है कि इन दो अलग-अलग दराजों का उपयोग करने के लिए कंप्यूटर को मजबूर करके, यह दुनिया की बहुत स्पष्ट तस्वीर बनाना सीख जाता है।

3. गुप्त मंत्र: "सिमेट्री" का नियम

कंपक्यूटर इन दराजों का उपयोग करना कैसे सीखता है बिना किसी शिक्षक के यह बताए कि "यह एक कुर्सी है" या "यह एक रोटेशन है"?

लेखक इक्विवैरिएंस (Equivariance) नामक अवधारणा का उपयोग करते हैं। इसे आप कंप्यूटर के मस्तिष्क के लिए भौतिकी के एक सख्त नियम के रूप में समझ सकते है:

नियम: "यदि आप किसी वस्तु को लेते हैं, उसे हिलाते हैं (एक सिमेट्री लागू करते हैं), और फिर उसे देखते हैं, तो परिणाम वही होना चाहिए जो पहले देखने और फिर मानसिक प्रतिनिधित्व को हिलाने के बाद होता।"

उपमा: कल्पना कीजिए कि आपके पास एक शहर का नक्शा है।

यदि आप वास्तविक दुनिया में 5 ब्लॉक उत्तर की ओर चलते हैं, तो आपके नक्शे पर आपकी स्थिति भी 5 ब्लॉक उत्तर की ओर भी बदलनी चाहिए।
कंप्यूटर को इसी नियम पर प्रशिक्षित किया जाता है। उसे छवियों के जोड़े दिए जाते हैं (हिलने से पहले और बाद की) और कहा जाता है, "आपका आंतरिक मानचित्र बिल्कुल वैसे ही अपडेट होना चाहिए जैसे वास्तविक दुनिया में हुआ था।"

4. यह अन्य तरीकों से बेहतर क्यों है

यह शोध पत्र अपने तरीके की तुलना अन्य AI दृष्टिकोणों से करता है और पाता है कि उनका तरीका दो मुख्य कारणों से श्रेष्ठ है:

यह "लॉसलेस" है (कोई जानकारी खोई नहीं जाती): कुछ अन्य तरीके कंप्यूटर को चलते-फिरते नियमों को सीखने की कोशिश करने के लिए मजबूर करते हैं। लेखकों का तर्क है कि यह अंदाज़े से भाषा सीखने जैसा है; आप मूल बात समझ सकते हैं, लेकिन आप विवरण चूक सकते हैं। उनका तरीका यह मानता है कि "गति के नियम" (ग्रुप्स का गणित) ज्ञात हैं, जिससे कंप्यूटर एक पूर्ण, संरचित मानचित्र बना सकता है जहाँ कोई जानकारी नष्ट नहीं होती।
यह "डिसेंटैंगल्ड" है (साफ अलगाव): अन्य तरीकों में, "क्या" और "कहाँ" आपस में मिल जाते हैं। यदि आप किसी वस्तु को घुमाते हैं, तो कंप्यूटर गलती से यह भी बदल सकता है कि वह वस्तु क्या है। इस नए तरीके में, "क्लास" दराज पूरी तरह स्थिर रहती है जबकि "पोज़" दराज घूमती है। वे एक-दूसरे में हस्तक्षेप नहीं करते हैं।

5. वास्तविक दुनिया का प्रमाण: रोबोट का मानचित्र

लेखकों ने इसका परीक्षण रोबोट और छवियों पर किया।

परीक्षण: उन्होंने कंप्यूटर को वस्तुओं के इधर-उधर घूमने की छवियां दिखाईं।
परिणाम: कंप्यूटर ने केवल वस्तुओं को पहचाना ही नहीं; इसने वातावरण का एक पूर्ण, ज्यामितीय मानचित्र बनाया।
अनुप्रयोग: क्योंकि कंप्यूटर ने "पोज़" को इतनी अच्छी तरह समझा, वह एक रोबोट के कैमरा फीड से कई अलग-अलग कमरों (अपार्टमेंट) का मानचित्र और साथ ही बना सकता था। यह केवल गति की सिमेट्री को समझकर रोबोट को बता सकता था कि वह कमरे में वास्तव में कहाँ था।

सारांश

संक्षेप में, यह शोध पत्र कंप्यूटर को सिखाता है कि वे एक चलती हुई वस्तु को बदलते पिक्सेल के अराजक ढेर के रूप में देखना बंद करें। इसके बजाय, यह उन्हें एक इंसान की तरह सोचना सिखाता है: "यह वही वस्तु है (क्लास), बस एक नई जगह पर है (पोज़)।" गणितीय रूप से कंप्यूटर को इन दो विचारों को अलग-अलग बक्सों में रखने के लिए मजबूर करके, यह मशीनों के लिए दुनिया को समझने का एक स्मार्ट, अधिक सटीक और अधिक विश्वसनीय तरीका बनाता है।

तकनीकी सारांश: क्लास-पोज़ डिकंपोजिशन के माध्यम से इक्विवेरिएंट रिप्रेजेंटेशन लर्निंग

समस्या विवरण
बुद्धिमान एजेंटों (intelligent agents) को ऐसे समृद्ध प्रतिनिधित्व (representations) की आवश्यकता होती है जो उनके द्वारा महसूस किए गए डेटा की अंतर्निहित संरचनाओं को दर्शाते हों। जबकि ऑटो-एनकोडर्स और कंट्रास्टिव लर्निंग जैसे सेल्फ-सुपरवाइज्ड दृष्टिकोण सामान्य होते हैं, वे अक्सर डेटा में छिपे मौलिक पहलुओं को पकड़ने में विफल रहते हैं, जैसे कि वस्तु के अंतर्निहित वर्गों (classes) और उनके पोज़ (poses) का पृथक्करण। हालिया शोध सुझाव देते हैं कि इन कारकों को अलग करने (disentangle करने) के लिए विशिष्ट बायस या सुपरविजन की आवश्यकता होती है। कई डेटासेट्स में एक मौलिक ज्यामितीय संरचना समरूपता (symmetry) होती है (जैसे, ऑब्जेक्ट पोज़ पर कार्य करने वाले रिजिड ट्रांसफॉर्मेशन या मोबाइल एजेंट एक्सप्लोरेशन में फ्रेम परिवर्तन)। चुनौती ऐसे प्रतिनिधित्व सीखने की है जो न केवल इन समरूपताओं के प्रति इक्विवेरिएंट (equivariant) हों, बल्कि लॉसलेस (lossless), व्याख्या योग्य (interpretable) और डिसेंटैंगल्ड (disentangled) भी हों, जो डेटा की संपूर्ण ज्यामिति को संरक्षित करते हों।

कार्यप्रणाली (Methodology)
लेखक एक सामान्य ढांचा प्रस्तावित करते हैं जो लेटेंट स्पेस (latent space) को दो अलग-अलग घटकों में विभाजित करता है: एक इनवेरिएंट फैक्टर जो अंतर्निहित डेटा क्लासेस का प्रतिनिधित्व करता है और एक सिमेट्री घटक जो पोज़ का प्रतिनिधित्व करता है।

सैद्धांतिक आधार:
यह दृष्टिकोण ग्रुप थ्योरी (group theory) पर आधारित है। लेखक समरूपताओं को एक समूह $G$ के रूप में औपचारिक रूप देते हैं जो डेटा स्पेस $X$ पर कार्य करता है। इस धारणा के तहत कि यह क्रिया फ्री (free) है (कोई भी गैर-तत्काल तत्व किसी बिंदु को स्थिर नहीं करता), वे एक सैद्धांतिक परिणाम (प्रपोजिशन 2.1) पर भरोसा करते हैं जो बताता है कि एक इक्विवेरिएंट आइसोमॉर्फिज्म $X \simeq (X/G) \times G$ मौजूद है। यहाँ, $X/G$ ऑर्बिट्स (orbits) के सेट (अंतर्निहित क्लासेस) का प्रतिनिधित्व करता है, और $G$ सिमेट्री ग्रुप (पोज़) का प्रतिनिधित्व करता है। यह डिकंपोजिशन गारंटी देता है कि प्रतिनिधित्व लॉसलेस है और डेटा की ज्यामिति सुरक्षित रहती है।
लेटेंट स्पेस डिकंपोजिशन:
लेटेंट स्पेस $Z$ को उत्पाद $Z = E \times G$ के रूप में परिभाषित किया गया है, जहाँ:

$E$ क्लासेस (ऑर्बिट्स) का प्रतिनिधित्व करने वाला एक इनवेरिएंट सेट है।
$G$ पोज़ का प्रतिनिधित्व करने वाला सिमेट्री ग्रुप है।
ग्रुप $G$ , $E$ पर ट्रिवियली (trivially) कार्य करता है और स्वयं पर मल्टीप्लिकेशन के माध्यम से कार्य करता है।

लर्निंग ऑब्जेक्टिव:
मॉडल $\phi: X \to E \times G$ को $(x, g, y)$ के ट्रिपल्स के डेटासेट का उपयोग करके प्रशिक्षित किया जाता है जहाँ $y = g \cdot x$ । लॉस फंक्शन सापेक्ष समरूपता जानकारी के आधार पर इक्विवेरेंस को प्रोत्साहित करता है:
$L(\theta; x, g, y) = d_E(\phi_E(y), \phi_E(x)) + d_G(\phi_G(y), g \cdot \phi_G(x))$

पहला पद ( $d_E$ ) इनवेरिएंस को लागू करता है, यह सुनिश्चित करता है कि एक ही ऑर्बिट के बिंदु एक ही क्लास रिप्रेजेंटेशन पर मैप हों। "ऑर्बिट कोलैप्स" को रोकने और इंजेक्टिविटी (injectivity) सुनिश्चित करने के लिए (जो लॉसलेस प्रतिनिधित्व के लिए आवश्यक है), लेखक एक InfoNCE लॉस का उपयोग करते हैं, जो लेटेंट पॉइंट्स को दूर धकेलता है।
दूसरा पद ( $d_G$ ) पोज़ घटक पर ग्रुप एक्शन के संबंध में इक्विवेरेंस को लागू करता है।

कार्यान्वयन (Implementation):
नॉन-यूक्लिडियन ग्रुप्स (जैसे, $SO(3) $) को संभालने के लिए, लेखक अपने ली एलब्रा$ \mathfrak{g} $से एक्सपोनेंशियल मैप का उपयोग करके ग्रुप$ G $को पैरामीटराइज़ करते हैं। मॉडल एक तत्व$ v \in \mathfrak{g} $आउटपुट करता है, जिसे$ e^v $के माध्यम से$ G $में मैप किया जाता है।$ G=SO(3)$ के लिए, इसे रोड्रिग्स फॉर्मूला (Rodrigues' formula) का उपयोग करके कुशलतापूर्वक कंप्यूट किया जाता है।

प्रमुख योगदान

क्लास-पोज़ डिकंपोजिशन: एक ऐसा तरीका जो लेटेंट स्पेस को विभाजित करके अंतर्निहित डेटा क्लासेस और पोज़ को स्पष्ट रूप से अलग करता है।
सामान्य गणितीय औपचारिकता: ग्रुप थ्योरी पर आधारित एक ढांचा जो हल्के अनुमानों (mild assumptions - फ्री ग्रुप एक्शन) के तहत लॉसलेस, व्याख्या योग्य और डिसेंटैंगल्ड प्रतिनिधित्व की गारंटी देता है।
अनुभवजन्य जांच (Empirical Investigation): विभिन्न समरूपताओं (ट्रांसलेशन, डाइलेशन, रोटेशन) और सीन मैपिंग के अनुप्रयोगों वाले डेटासेट्स पर एक व्यापक मूल्यांकन।

प्रायोगिक परिणाम
लेखकों ने पांच डेटासेट्स पर अपने तरीके का मूल्यांकन किया: स्प्राइट्स (Sprites), शेप्स (Shapes), मल्टी-स्प्राइट्स (Multi-Sprites), चेयर्स (Chairs), और अपार्टमेंट्स (Apartments - एक मोबाइल एजेंट का अनुकरण)। उन्होंने इसकी तुलना निम्नलिखित से की:

MDP होमोमोर्फिज्म (MDPH): बिना पूर्व ज्ञान के लेटेंट एक्शन्स को सीखता है।
लीनियर मॉडल्स: मैट्रिक्स मल्टीप्लिकेशन के साथ एक लीनियर लेटेंट स्पेस का उपयोग करता है (नॉन-फ्री एक्शन)।
इक्विवेरिएंट न्यूरल रेंडरिंग (ENR): अनुमानित इक्विवेरेंस के साथ एक डिस्क्रीटाइज्ड लेटेंट ग्रिड का उपयोग करता है।

निष्कर्ष:

ज्यामिति संरक्षण (Geometry Preservation): विज़ुअलाइज़ेशन दिखाते हैं कि प्रस्तावित विधि इनवेरिएंट घटक $E$ में ऑर्बिट्स को सही ढंग से अलग करती है और पोज़ घटक में ग्रुप $G$ की ज्यामिति को संरक्षित करती है। "अपार्टमेंट्स" डेटासेट के लिए, मॉडल ने एक साथ कई वातावरणों के मानचित्र सफलतापूर्वक निकाले।
प्रदर्शन: विधि ने सिंगल-स्टेप प्रेडिक्शन पर लगभग पूर्ण हिट-रेट प्राप्त किया। महत्वपूर्ण रूप से, लंबी ट्रैजेक्टरीज (10 और 20 स्टेप्स) पर, प्रस्तावित विधि ने बेसलाइन्स को काफी पीछे छोड़ दिया।
- MDPH ने अपने सीखे हुए लेटेंट एक्शन में स्ट्रक्चरल कंस्ट्रेंट्स की कमी के कारण त्रुटियों को संचित किया।
- लीनियर मॉडल्स का प्रदर्शन गिर गया क्योंकि एक्शन फ्री नहीं था (एक वेक्टर को खुद के चारों ओर घुमाने का कोई प्रभाव नहीं होता), जिससे सूचना की हानि हुई।
- ENR लेटेंट डिस्क्रीटाइजेशन के कारण इंटरपोलेशन त्रुटियों से ग्रस्त हुआ।
डिसेंटैंगलमेंट: ढांचा स्वाभाविक रूप से डिसेंटैंगलमेंट प्राप्त करता है, जिससे पोज़ घटक पर कार्य करके सिमेट्री फैक्टर्स को स्वतंत्र रूप से बदलना संभव होता है।

महत्व और दावे
लेखक दावा करते हैं कि ली ग्रुप थ्योरी की अमूर्त भाषा का लाभ उठाकर, उनका ढांचा इक्विवेरिएंट रिप्रेजेंटेशन लर्निंग के लिए एक सामान्य समाधान प्रदान करता है जो किसी भी ग्रुप और डेटा प्रकार के लिए लागू है। पिछले कार्यों के विपरीत जो विशिष्ट परिदृश्यों (जैसे, यूक्लिडियन रिप्रेजेंटेशन या ग्रुप कनवल्शन) पर ध्यान केंद्रित करते हैं या अनस्ट्रक्चर्ड लेटेंट डायनेमिक्स सीखते हैं, यह दृष्टिकोण आइसोमॉर्फिक (लॉसलेस) प्रतिनिधित्व की गारंटी देता है। लेखक इस बात पर जोर देते हैं कि उनकी विधि अंतर्निहित क्लासेस और पोज़ की रिकवरी को सक्षम बनाती है, जिससे मोबाइल एजेंटों के लिए सेल्फ-सुपरवाइज्ड लोकलाइजेशन और मैपिंग जैसे कार्यों में मदद मिलती है।

सीमाएं और भविष्य का कार्य
लेखक स्वीकार करते हैं कि उनका औपचारिकता यह मानती है कि समरूपता का ग्रुप पहले से ज्ञात है और इसे डेटा से निकाला नहीं जाता है। रोबोटिक्स के लिए यह व्यवहार्य है जहां ओडोमेट्री (odometry) सिमेट्री जानकारी प्रदान करती है, लेकिन अन्य डोमेन में यह सीमित हो सकता है। वे सुझाव देते हैं कि डेटा से ग्रुप स्ट्रक्चर को सीखना एक संभावित, हालांकि कम व्याख्या योग्य, भविष्य के अनुसंधान की दिशा है।