🤖 machine learning

Cohort-Based Active Modality Acquisition

यह शोध पत्र कोहॉर्ट-आधारित सक्रिय मोडैलिटी अधिग्रहण (CAMA) प्रस्तुत करता है, जो एक नवीन टेस्ट-टाइम फ्रेमवर्क है जो इम्प्यूटेशन-आधारित रणनीतियों का उपयोग करके कुशलतापूर्वक यह प्राथमिकता देता है कि एक कोहॉर्ट के किन नमूनों को महंगी अतिरिक्त मोडैलिटी प्राप्त होनी चाहिए, जो मौजूदा विधियों की तुलना में बेहतर प्रदर्शन और UK बायोबैंक प्रोटिओमिक्स डेटा का उपयोग करके रोग भविष्यवाणी में वास्तविक दुनिया की प्रयोज्यता प्रदर्शित करता है।

मूल लेखक: Tillmann Rheude, Roland Eils, Benjamin Wild

प्रकाशित 2026-05-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tillmann Rheude, Roland Eils, Benjamin Wild

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: "बजट" की समस्या

कल्पना कीजिए कि आप एक डॉक्टर हैं जिसके पास 1,00,000 मरीजों की एक विशाल प्रतीक्षा सूची है। सभी का पहले ही एक बुनियादी, सस्ता चेक-अप (जैसे कि एक मानक रक्त परीक्षण और लक्षणों के बारे में बातचीत) हो चुका है। यह आपको यह समझने का एक "आधारभूत" (baseline) विचार देता है कि कौन बीमार है।

हालाँकि, आप जानते हैं कि एक विशिष्ट, महंगा परीक्षण (जैसे कि एक हाई-टेक एमआरआई या एक जटिल जेनेटिक स्कैन) कुछ मरीजों के लिए बहुत स्पष्ट तस्वीर दे सकता है। समस्या क्या है? आपके पास अपने बजट में केवल 1,000 लोगों के लिए इस महंगे परीक्षण का भुगतान करने के लिए पर्याप्त पैसा है।

बड़ा सवाल यह है: उन 1,000 लोगों को कौन से होने चाहिए जिन्हें महंगा परीक्षण मिलना चाहिए?

यदि आप उन्हें यादृच्छिक (randomly) रूप से चुनते हैं, तो आप उन लोगों पर पैसा बर्बाद कर सकते हैं जिनका निदान पहले से ही आसान था। यदि आप उन्हें चुनते हैं जो बुनियादी परीक्षण द्वारा "सबसे अधिक भ्रमित" दिख रहे हैं, तो आप उन लोगों को मिस कर सकते हैं जिन्हें अतिरिक्त डेटा से सबसे अधिक लाभ होगा। यह शोध पत्र इस पहेली को सुलझाने का एक नया तरीका पेश करता है।

समाधान: "कोहॉर्ट-बेस्ड एक्टिव मोडैलिटी एक्विजिशन" (CAMA)

लेखक अपने तरीके को CAMA कहते हैं। इसे चिकित्सा संसाधनों के लिए एक स्मार्ट "ट्रैफिक कंट्रोलर" के रूप में समझें।

मरीजों को एक-एक करके देखने और यह पूछने के बजाय कि "क्या आपको इस परीक्षण की आवश्यकता है?", CAMA पूरी समूह (cohort) को एक साथ देखता है। यह पूछता है: "यदि हम 1,000 लोगों के इस विशिष्ट समूह को महंगा परीक्षण देते हैं, तो क्या पूरे 1,00,000 लोगों की आबादी का समग्र स्वास्थ्य सबसे अधिक सुधरेगा?"

यह कैसे काम करता है: "क्रिस्टल बॉल" की उपमा

इस समस्या का सबसे कठिन हिस्सा यह है कि आपके पास अभी तक महंगे परीक्षण के परिणाम नहीं हैं। आपको अनुमान लगाना होगा कि किसे उनकी आवश्यकता है।

लेखक इम्प्यूटेशन (Imputation) (जो कि "खाली स्थानों को भरने" के लिए एक फैंसी शब्द है) से जुड़ी एक चतुर तकनीक का उपयोग करते हैं।

क्रिस्टल बॉल: वे एक विशेष AI "क्रिस्टल बॉल" (एक जनरेटिव मॉडल) बनाते हैं। यह AI मरीज के पास मौजूद सस्ते, बुनियादी डेटा को देखता है और प्रयास करता है कि महंगे परीक्षण का परिणाम कैसा दिखेगा इसका अनुकरण (simulate) करे।
सिमुलेशन: AI पूरे 1,00,000 लोगों के समूह के लिए एक "नकली" महंगे परीक्षण का परिणाम तैयार करता है।
तुलना: अब, सिस्टम सभी के लिए "असली" बुनियादी स्कोर की तुलना "सिम्युलेटेड" महंगे स्कोर से करता है।
- यदि सिम्युलेटेड महंगा परीक्षण निदान को महत्वपूर्ण रूप से बदल देता है (जैसे, "संभावित स्वस्थ" से "निश्चित रूप से बीमार" में), तो वह मरीज उच्च-प्राथमिकता वाला उम्मीदवार है।
- यदि सिम्युलेटेड परीक्षण में कोई बदलाव नहीं होता है, तो उस मरीज को शायद अभी इस महंगे परीक्षण की आवश्यकता नहीं है।

रणनीति: टिकट किसे मिलता है?

यह शोध पत्र यह तय करने के कई तरीकों का परीक्षण करता है कि किसे महंगा परीक्षण मिलना चाहिए। उन्होंने पाया कि सबसे अच्छी रणनीति "आश्चर्य" (surprise) को खोजना है।

"सरप्राइज" रणनीति (KL-Divergence): यह विधि उन मरीजों को चुनती जिनका "नकली" महंगा परीक्षण टेस्ट उनके "असली" बुनियादी टेस्ट से सबसे अलग है।
- उपमा: कल्पना कीजिए कि आप फिल्म के पहले 10 मिनट के आधार पर उसके अंत का अनुमान लगा रहे हैं। यदि आप अगले 10 मिनट देखते हैं (महंगा परीक्षण) और कहानी में पूरी तरह से मोड़ (twist) आता है, तो आपने कुछ बहुत बड़ा सीखा। यदि कहानी बिल्कुल वैसी ही रहती है, तो आपने ज्यादा कुछ नहीं सीखा। CAMA उन लोगों को प्राथमिकता देता है जहाँ "प्लॉट ट्विस्ट" सबसे बड़ा होता है।

परिणाम: क्या यह काम करता है?

लेखकों ने वास्तविक दुनिया के डेटा पर इस विचार का परीक्षण किया, जिसमें शामिल हैं:

UK बायोबैंक: 1,00,000 लोगों का एक विशाल डेटासेट जहाँ उन्होंने एक विशिष्ट बीमारी की भविष्यवाणी करने के लिए महंगे "प्रोटिओमिक्स" (प्रोटीन) डेटा को सिम्युलेट किया।
अन्य डेटासेट: मेडिकल इमेज, हृदय का डेटा, और यहाँ तक कि वीडियो से भावना पहचान (emotion recognition)।

निष्कर्ष:

रैंडम से बेहतर: मरीजों को यादृच्छिक रूप से चुनना लॉटरी टिकट खरीदने जैसा है; यह शायद ही कभी अच्छा काम करता है।
"कन्फ्यूजन" से बेहतर: केवल उन मरीजों को चुनना जो बुनियादी परीक्षण के आधार पर "अनिश्चित" हैं, सबसे अच्छा तरीका नहीं है।
विजेता: "सरप्राइज" रणनीति (पूरा बदलाव देखने के लिए AI क्रिस्टल बॉल का उपयोग करना) ने लगातार सबसे अच्छे 1,000 लोगों को खोजने में मदद की। इसने पूरे समूह के लिए बेहतर भविष्यवाणियां करने में मदद की, भले ही उनके पास केवल लोगों के एक छोटे से हिस्से का ही महंगा डेटा था।

"ओरेकल" बेंचमार्क

शोध पत्र एक "ओरेकल" (एक आदर्श भविष्यवक्ता) का भी उल्लेख करता है। यह एक सैद्धांतिक सुपर-AI है जो होने से पहले ही सही उत्तर जानता है। यहाँ तक कि यह परफेक्ट AI भी कभी-कभी पाता है कि "परीक्षण किए गए" और "अनपरीक्षित" लोगों का मिश्रण काम करना बेहतर होता है। यह साबित करता है कि रणनीतिक चयन (strategic selection) केवल अधिक डेटा होने से अधिक शक्तिशाली है।

सारांश

संक्षेप में, यह शोध पत्र कहता है: केवल यह अनुमान न लगाएं कि किसे महंगे डेटा की आवश्यकता है। एक स्मार्ट AI का उपयोग करें जो यह सिम्युलेट करे कि वह डेटा सभी के लिए कैसा दिखेगा, और फिर उन लोगों को चुनें जहाँ वह सिमुलेशन आपकी समझ में सबसे बड़ा बदलाव लाएगा। यह आपको अपने सीमित बजट का अधिकतम लाभ उठाने के लिए खर्च करने की अनुमति देता है।

तकनीकी सारांश: कोहॉर्ट-आधारित सक्रिय मोडैलिटी अधिग्रहण (CAMA)

समस्या की परिभाषा

वास्तविक दुनिया का मल्टीमॉडल मशीन लर्निंग अक्सर उन बाधाओं के तहत संचालित होता है जहाँ कुछ डेटा मोडैलिटीज़ (modalities) या तो अनुपलब्ध होती हैं, या उन्हें प्राप्त करना महंगा या कष्टकारी होता है। जबकि मौजूदा प्रतिमान जैसे एक्टिव लर्निंग (AL), एक्टिव फीचर एक्विजिशन (AFA), और एक्टिव मोडैलिटी एक्विजिशन (AMA) व्यक्तिगत नमूनों (samples) के लिए अधिग्रहण को अनुकूलित करने पर ध्यान केंद्रित करते हैं (अक्सर प्रशिक्षण या परीक्षण-समय के नमूना स्तर पर), वे अक्सर कोहॉर्ट-स्तर के संसाधन आवंटन (cohort-level resource allocation) की विशिष्ट चुनौती को संबोधित करने में विफल रहते हैं।

कई व्यावहारिक परिदृश्यों में, जैसे कि स्वास्थ्य सेवा (healthcare), बजट संसाधन-विशिष्ट होते हैं (उदाहरण के लिए, एमआरआई स्कैन की एक निश्चित संख्या या प्रोटिओमिक्स परीक्षण के लिए एक अनुदान) न कि लचीले प्रति-रोगी फंड के रूप में। संबोधित की जाने वाली केंद्रीय समस्या यह है: $N$ नमूनों के एक कोहॉर्ट (cohort) में, जहाँ केवल मोडैलिटीज़ का एक उपसमुच्चय (subset) ही प्रारंभ में उपलब्ध है, और एक विशिष्ट, महंगी अनुपलब्ध मोडैलिटी प्राप्त करने के लिए एक निश्चित बजट $\beta$ है, तो पूरे कोहॉर्ट के लिए वैश्विक प्रदर्शन मेट्रिक (जैसे AUROC, AUPRC) को अधिकतम करने के लिए नमूनों के किस उपसमुच्चय का चयन किया जाना चाहिए?

यह सेटिंग, जिसे कोहॉर्ट-आधारित सक्रिय मोडैलिटी अधिग्रहण (CAMA) कहा जाता है, व्यक्तिगत नमूने से निर्णय के स्तर को बदलकर कोहॉर्ट के स्तर पर ले आती है, जिसका लक्ष्य केवल व्यक्तिगत भविष्यवाणी सटीकता के बजाय पूरे कोहॉर्ट के वैश्विक विभेदक प्रदर्शन (global discriminative performance) को अनुकूलित करना है।

कार्यप्रणाली (Methodology)

1. समस्या का निरूपण (Problem Formulation)

लेखक CAMA को एक अनुकूलन समस्या के रूप में औपचारिक रूप देते हैं। मान लीजिए $D = \{(x_i, y_i)\}_{i=1}^N$ एक डेटासेट है जहाँ प्रत्येक नमूना $i$ में $P$ मोडैलिटीज़ हैं, लेकिन केवल $P^{avail}_i$ का एक उपसमुच्चय ही देखा जा सकता है। लक्ष्य एक उपसमुच्चय $S \subseteq \{1, \dots, N\}$ का चयन करना है जहाँ $|S| = \beta$ हो, ताकि लापता मोडैलिटी प्राप्त की जा सके।

स्कोर (Scores): ढांचा निम्नलिखित के बीच अंतर करता है:
- $s^{avail}_i$ : उपलब्ध मोडैलिटीज़ का उपयोग करके स्कोर।
- $s^{acquired}_i$ : उपलब्ध + प्राप्त की गई मोडैलिटीज़ का उपयोग करके स्कोर (यह "ओरेकल" स्कोर है)।
- $\{s^{imp}_{i,k}\}_{k=1}^K$ : एक जेनेरेटिव मॉडल का उपयोग करके $s^{acquired}_i$ का अनुमान लगाने वाले $K$ इम्प्यूटेड (imputed) स्कोर का एक सेट।
उद्देश्य: एक वैश्विक मेट्रिक $Metric(y, s(S)) $को अधिकतम करना, जहाँ$ s(S)$ $S$ में मौजूद नमूनों के लिए अपडेट किए गए स्कोर का वेक्टर है।

2. अधिग्रहण फलन (Acquisition Function - AF) रणनीतियाँ

चूंकि इस अनुकूलन समस्या को सटीक रूप से हल करना गणनात्मक रूप से कठिन (intractable) है, लेखक नमूनों को रैंक करने के लिए हीयुरिस्टिक (heuristic) अधिग्रहण फलन (AFs) प्रस्तावित करते हैं। इन्हें निम्नलिखित श्रेणियों में विभाजित किया गया है:

ओरेकल रणनीतियाँ (Oracle Strategies): सैद्धांतिक ऊपरी सीमाएँ जो वास्तविक लेबल और $s^{acquired}_i$ के पूर्ण ज्ञान को मानती हैं। वे उन नमूनों को लालची (greedily) तरीके से चुनती हैं जो वैश्विक मेट्रिक में सबसे बड़ा मार्जिनल गेन प्रदान करते हैं।
अपर-बाउंड हीयुरिस्टिक्स (Upper-Bound Heuristics): लेबल-अज्ञेय (label-agnostic) रणनीतियाँ जो $s^{acquired}_i$ का ज्ञान रखती हैं लेकिन $y_i$ का नहीं। वे वास्तविक अनिश्चितता में कमी (uncertainty reduction), रैंक परिवर्तन, या संभाव्यता वितरणों के बीच KL-डाइवर्जेंस (KL-Divergence) जैसे मेट्रिक्स पर निर्भर करती हैं।
इम्प्यूटेशन-आधारित रणनीतियाँ (Imputation-Based Strategies - प्रस्तावित): ये एक जेनेरेटिव मॉडल $f_{imp}$ $f_{im p}$ का उपयोग करती हैं ताकि वास्तविक डेटा प्राप्त किए बिना काउंटरफैक्टुअल स्कोर $\{s^{imp}_{i,k}\}$ ${s_{i, k}^{im p}}$ का अनुमान लगाया जा सके। रणनीतियों में शामिल हैं:
- एक्सपेक्टेड KL-डाइवर्जेंस (Expected KL-Divergence): उन नमूनों को प्राथमिकता देना जहाँ इम्प्यूटेड वितरण बेसलाइन से सबसे अधिक विचलित होता है।
- एक्सपेक्टेड रैंक चेंज (Expected Rank Change): उन नमूनों को प्राथमिकता देना जिनसे कोहॉर्ट की रैंकिंग में महत्वपूर्ण बदलाव आने की उम्मीद है।
- एक्सपेक्टेड अनसर्टेंटी रिडक्शन (Expected Uncertainty Reduction): उन नमूनों को प्राथमिकता देना जहाँ अनिश्चितता में सबसे अधिक कमी आने की उम्मीद है।
- एक्सपेक्टेड प्रोबेबिलिटी (Expected Probability): उच्च औसत इम्प्यूटेड संभाव्यता वाले नमूनों को प्राथमिकता देना।
बेसलाइन्स (Baselines): केवल पूर्व-अधिग्रहण जानकारी का उपयोग करने वाली रणनीतियाँ (जैसे, बेसलाइन अनसर्टेंटी) या रैंडम चयन।

3. मॉडल आर्किटेक्चर

प्रस्तावित आर्किटेक्चर एक डिस्क्रिमिनेटिव लेट-फ्यूजन मॉडल को एक जेनेरेटिव इम्प्यूटेशन मॉड्यूल के साथ जोड़ता है (चित्र 2):

डिस्क्रिमिनेटिव घटक (Discriminative Component): एक लेट-फ्यूजन मॉडल $f$ जिसमें मोडैलिटी-विशिष्ट एनकोडर (जैसे छवियों के लिए ViT, टेक्स्ट के लिए BERT) और एक फ्यूजन क्लासिफायर होता है। यह $s^{avail}_i$ उत्पन्न करता है।
जेनेरेटिव घटक (Generative Component): एक जेनेरेटिव मॉडल $f_{imp}$ (जिसे डिफ्यूजन ट्रांसफॉर्मर्स या बीटा-कंडीशनल VAEs के रूप में लागू किया गया है) जो लापता मोडैलिटीज़ के लिए कंडीशनल डिस्ट्रीब्यूशन $p(z^{(k)} | \{z^{(m)}\}_{m \in P^{avail}_i})$ को अनुमानित करने के लिए प्रशिक्षित है।
प्रशिक्षण (Training): मॉडल को बाइनरी क्रॉस-एन्ट्रॉपी (डिस्क्रिमिनेटिव) और एक जेनेरेटिव लॉस (वेरिएशनल बाउंड या डिनोइजिंग ऑब्जेक्टिव) के संयुक्त लॉस के साथ एंड-टू-एंड प्रशिक्षित किया जाता है। महत्वपूर्ण रूप से, प्रशिक्षण के दौरान, जेनेरेटिव आउटपुट को क्लासिफायर से डिकपल (decouple) किया जाता है; क्लासिफायर को डेटा लीकेज को रोकने के लिए अटेंशन मास्क के माध्यम से केवल उपलब्ध मोडैलिटीज़ पर प्रशिक्षित किया जाता है, जबकि जेनेरेटिव मॉड्यूल लापता मोडैलिटी के लिए लेटेंट एम्बेडिंग्स को पुनर्गठित करना सीखता है।

मुख्य योगदान

CAMA सेटिंग: एक नवीन टेस्ट-टाइम, कोहॉर्ट-स्तरीय अधिग्रहण सेटिंग का औपचारिक रूप देना जो एक निश्चित बजट प्रतिबंध के तहत एक एकल, निश्चित मोडैलिटी के लिए नमूनों की प्राथमिकता को संबोधित करता है।
AFs के लिए सैद्धांतिक ढांचा: मानक मूल्यांकन मेट्रिक्स (AUROC, AUPRC) पर आधारित अधिग्रहण फलनों का व्युत्पन्न, जिसमें अपर-बाउंड हीयुरिस्टिक्स और इम्प्यूटेशन-आधारित रणनीतियों की परिभाषा शामिल है।
नवीन आर्किटेक्चर: टेस्ट-टाइम पर काउंटरफैक्टुअल रीजनिंग (counterfactual reasoning) को सक्षम करने के लिए डिस्क्रिमिनेटिव लेट फ्यूजन के साथ जेनेरेटिव इम्प्यूटेशन को एकीकृत करने वाला एक हाइब्रिड आर्किटेक्चर।
व्यापक मूल्यांकन: 15 मोडैलिटीज़ और 1,00,000 नमूनों तक के विविध डेटासेट्स (UK Biobank, MIMIC-Symile, MIMIC-HAIM, MOSEI) पर व्यापक अनुभवजन्य सत्यापन।

प्रयोगात्मक परिणाम

लेखकों ने बाइनरी क्लासिफिकेशन कार्यों पर चार डेटासेट्स पर अपने तरीकों का मूल्यांकन किया।

प्रदर्शन: इम्प्यूटेशन-आधारित KL-डाइवर्जेंस रणनीति ने अधिकांश डेटासेट्स और मेट्रिक्स में सभी गैर-ओरेकल बेसलाइन्स (अनसर्टेंटी-आधारित और रैंडम चयन सहित) को लगातार पछाड़ दिया।
हीयुरिस्टिक्स के साथ तुलना: जबकि "ट्रू" (ओरेकल नॉलेज) हीयुरिस्टिक्स ने ऊपरी सीमाएँ प्रदान कीं, इम्प्यूटेशन-आधारित KL-डाइवर्जेंस रणनीति अक्सर संबंधित लेबल-अज्ञेय अपर-बाउंड हीयुरिस्टिक्स के प्रदर्शन के करीब पहुँच गई या कुछ विशिष्ट मामलों में (जैसे, MOSEI) उनसे भी बेहतर प्रदर्शन कर गई।
स्केलेबिलिटी (Scalability): पद्धति ने UK बायोबैंक डेटासेट (लगभग 100k नमूने, 15 मोडैलिटीज़) पर अपनी स्केलेबिलिटी प्रदर्शित की, जिसने सिस्टमिक ल्यूपस एरिथेमेटोसस (SLE) भविष्यवाणी के लिए प्रोटिओमिक्स डेटा के अधिग्रहण को सफलतापूर्वक निर्देशित किया।
एब्लेशन स्टडीज (Ablation Studies): प्रमुख आर्किटेक्चरल निर्णयों, जैसे कि लेयर नॉर्मलाइजेशन, लेबल स्मूथिंग, और प्रशिक्षण के दौरान जेनेरेटिव मॉड्यूल को क्लासिफायर से डिकपल करना, को स्थिरता और प्रदर्शन के लिए आवश्यक पाया गया।
दक्षता (Efficiency): जबकि DDPMs ने मजबूत प्रदर्शन प्रदान किया, बीटा-कंडीशनल VAEs ने प्रदर्शन के ट्रेड-ऑफ के साथ एक तेज़ इंफरेंस विकल्प प्रदान किया।

महत्व और दावे

पेपर दावा करता है कि CAMA संसाधन-बाधित सेटिंग्स में मोडैलिटी अधिग्रहण को अनुकूलित करने के लिए एक प्रभावी दृष्टिकोण प्रदान करता है, विशेष रूप से जहाँ एक एकल, महंगी मोडैलिटी को एक बड़े कोहॉर्ट में आवंटित करने की आवश्यकता होती है।

वास्तविक दुनिया की प्रासंगिकता: लेखक UK बायोबैंक प्रोटिओमिक्स प्रोजेक्ट को एक प्रमुख उदाहरण के रूप में उजागर करते हैं, जहाँ एक निश्चित बजट ने महंगे परीक्षण के लिए रोगियों के रणनीतिक चयन की आवश्यकता जताई। उनकी विधि ऐसे निर्णयों के लिए एक डेटा-संचालित ढांचा प्रदान करती है।
संसाधन दक्षता: केवल स्थानीय अनिश्चितता में कमी के बजाय, जहाँ मोडैलिटी अधिग्रहण उच्चतम वैश्विक लाभ प्रदान करता है, वहां नमूनों को प्राथमिकता देकर, यह पद्धति सीमित संसाधनों की उपयोगिता को अधिकतम करती है।
सीमाएँ: लेखक स्वीकार करते हैं कि उनका वर्तमान कार्य एक एकल निर्दिष्ट मोडैलिटी और निश्चित लागतों पर केंद्रित है, जो मोडैलिटी और नमूने दोनों को संयुक्त रूप से चुनने या विषम लागतों (heterogeneous costs) को संभालने की अधिक जटिल समस्या को बाहर करता है। वे यह भी नोट करते हैं कि उनके मूल्यांकन में (UKB को छोड़कर) सिंथेटिक मिसिंगनेस पैटर्न का उपयोग किया गया है और इसमें अभी तक समर्पित निष्पक्षता विश्लेषण (fairness analysis) शामिल नहीं है।

निष्कर्षतः, यह कार्य स्थापित करता है कि इम्प्यूटेशन-आधारित अधिग्रहण फलन, विशेष रूप से जो अपेक्षित KL-डाइवर्जेंस का लाभ उठाते हैं, कोहॉर्ट-स्तर के संसाधन आवंटन को प्रभावी ढंग से निर्देशित कर सकते हैं, जो सैद्धांतिक अधिग्रहण रणनीतियों और व्यावहारिक, बजट-बाधित मल्टीमॉडल लर्निंग अनुप्रयोगों के बीच के अंतर को पाटते हैं।