🤖 machine learning

Native Hierarchical and Compositional Representations with Subspace Embeddings

यह शोध पत्र प्रतिनिधित्व शिक्षण (representation learning) के लिए एक नवीन दृष्टिकोण प्रस्तावित करता है जो पारंपरिक वेक्टर एम्बेडिंग को विभेदक रैखिक उप-स्थानों (differentiable linear subspaces) से बदल देता है, जो ज्यामितीय समावेशन और रैखिक बीजगणितीय संक्रियाओं के माध्यम से पदानुक्रमों, संरचनात्मकता (compositionality) और तार्किक निहितार्थ (logical entailment) की मूल मॉडलिंग को सक्षम बनाता है, जबकि कुशल वेक्टर खोज के साथ अनुकूलता बनाए रखता है।

मूल लेखक: Gabriel Moreira, Zita Marinho, Manuel Marques, João Paulo Costeira, Chenyan Xiong

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gabriel Moreira, Zita Marinho, Manuel Marques, João Paulo Costeira, Chenyan Xiong

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 विचारों के एक विशाल पुस्तकालय को व्यवस्थित करने की कोशिश कर रहे हैं। दशकों से, कंप्यूटर द्वारा चीजों को व्यवस्थित करने का मानक तरीका हर अवधारणा—जैसे "कुत्ता," "वाहन," या "उदासी"—को एक विशाल, सपाट मानचित्र पर एक एकल बिंदु (dot) में बदलना रहा है। यह समान चीजों को खोजने के लिए बहुत अच्छा काम करता है (जैसे "कुत्ता" पूछने पर "पूडल" ढूंढना), लेकिन जब आप "एक कुत्ता जानवर का एक प्रकार है" या "एक कुत्ता जो भौंक नहीं रहा है" जैसे संबंधों को समझने की कोशिश करते हैं, तो यह दीवार से टकरा जाता है।

एक सपाट मानचित्र पर, "कुत्ता" और "जानवर" बस एक-दूसरे के करीब स्थित दो बिंदु हैं। मानचित्र यह आसानी से नहीं दिखा सकता कि "कुत्ता" "जानवर" के बड़े घेरे के अंदर है। यह "नहीं" जैसी तर्कशक्ति (logic) के साथ भी संघर्ष करता है, और अक्सर उस चीज़ के बारे में सोचने में भ्रमित हो जाता है जिसे आप बाहर रखना चाहते थे।

यह शोध पत्र इन विचारों को व्यवस्थित करने का एक पूरी तरह से नया तरीका प्रस्तावित करता है: बिंदुओं के बजाय, कमरों का उपयोग करें।

मुख्य विचार: बिंदुओं से कमरों तक

लेखक सुझाव देते हैं कि अवधारणाओं को एकल बिंदुओं के रूप में नहीं, बल्कि रैखिक उप-स्थानों (linear subspaces) के रूप में दर्शाया जाना चाहिए। सरल शब्दों में, एक अवधारणा को एक बिंदु के बजाय एक इमारत में एक कमरे के रूप में सोचें।

आकार मायने रखता है (व्यापकता बनाम विशिष्टता):
- एक बहुत ही विशिष्ट अवधारणा, जैसे "मैक्स नाम का एक गोल्डन रिट्रीवर," एक छोटा, तंग कमरा है।
- एक व्यापक अवधारणा, जैसे "कुत्ता," एक बड़ा कमरा है जिसमें "मैक्स" का कमरा समा सकता है।
- एक और भी अधिक व्यापक अवधारणा, जैसे "जानवर," एक विशाल हॉल है जिसमें "कुत्ता" का कमरा समा सकता है।
- जादू: कंप्यूटर सीख जाता है कि बड़े कमरे (उच्च आयाम/dimensions) सामान्य विचारों का प्रतिनिधित्व करते हैं, और छोटे कमरे (निम्न आयाम) विशिष्ट विचारों का प्रतिनिधित्व करते हैं।
पदानुक्रम (रूसी गुड़िया/Russian Doll प्रभाव):
- क्योंकि ये कमरे हैं, आप एक को दूसरे के अंदर रख सकते हैं। यदि "कुत्ता" का कमरा "जानवर" के कमरे के अंदर है, तो कंप्यूटर तुरंत समझ जाता है कि हर कुत्ता एक जानवर है। यह "सपाट मानचित्र" की समस्या को हल करता है जहाँ संबंध केवल एक अस्पष्ट निकटता मात्र था।
तर्क (सोचने की ज्यामिति):
- AND (संयोजन): यदि आप कुछ ऐसा खोजना चाहते हैं जो "एक कुत्ता" भी है और "भौंक रहा" भी है, तो कंप्यूटर "कुत्ता" के कमरे और "भौंकने" के कमरे के प्रतिच्छेदन (intersection) को देखता है। यह वह छोटा स्थान है जहाँ वे दोनों कमरे आपस में मिलते हैं।
- OR (वियोजन): यदि आप "एक कुत्ता" या "एक बिल्ली" चाहते हैं, तो कंप्यूटर दोनों कमरों को एक बड़े स्थान में मिला देता है जो दोनों को कवर करता है।
- NOT (निषेध): यह इस शोध पत्र की सबसे बड़ी सफलता है। यदि आप "एक कुत्ता जो भौंक नहीं रहा है" चाहते हैं, तो कंप्यूटर "कुत्ता" के कमरे को देखता है और उसके बाहर के स्थान (orthogonal complement) को खोजता है।
- परिणाम: मानक कंप्यूटर मॉडल आमतौर पर "NOT" वाले प्रश्नों में विफल हो जाते हैं, और अक्सर उस चीज़ के बारे में सोचने लगते हैं जिसे उन्हें छोड़ देना चाहिए था। यह नया "कमरा" तरीका "NOT" को स्वाभाविक रूप से संभालता है, ठीक वैसे ही जैसे एक इंसान करता है, बिना हर संभावित नकारात्मक वाक्य के लिए विशेष प्रशिक्षण की आवश्यकता के।

उन्होंने इसे कैसे काम करने लायक बनाया

आप पूछ सकते हैं: "आप कंप्यूटर को ये कमरे बनाना कैसे सिखाते हैं यदि कमरे का आकार बदलता रहता है?"

आमतौर पर, कमरे के आकार (आयामों की संख्या) को बदलना एक गणितीय समस्या है जिसे कंप्यूटर आसानी से हल नहीं कर सकते क्योंकि इसमें पूर्ण संख्याओं (whole numbers) के बीच कूदना शामिल है (आप 3.5 आयाम नहीं रख सकते)। लेखकों ने "सॉफ्ट" प्रोजेक्शन मैट्रिसेस (soft projection matrices) का उपयोग करके एक चतुर ट्रिक का आविष्कार किया।

इसे आयामों के लिए एक डिमर स्विच (dimmer switch) की तरह समझें। कंप्यूटर को यह तय करने के लिए मजबूर करने के बजाय कि "इस कमरे की ठीक 5 दीवारें हैं," कंप्यूटर यह सीखता है कि प्रत्येक दीवार कितनी "चमकदार" या "महत्वपूर्ण" है। यह एक दीवार को लगभग शून्य तक धीमा कर सकता है यदि उसकी आवश्यकता नहीं है, या इसे चमकीला बना सकता है यदि अवधारणा जटिल है। यह कंप्यूटर को मानक, तेज़ गणितीय उपकरणों का उपयोग करते हुए स्वचालित रूप से हर अवधारणा के लिए सही आकार सीखने की अनुमति देता है।

उन्होंने क्या पाया

लेखकों ने इस "रूम मेथड" (जिसे वे सबस्पेस एम्बेडिंग्स - Subspace Embeddings कहते हैं) का परीक्षण कई कार्यों पर किया:

पदानुक्रम (Hierarchy): यह शब्दों के पारिवारिक वृक्ष (जैसे WordNet में) को पुनर्गठित करने में अविश्वसनीय रूप से अच्छा था, जिसने उन पिछले तरीकों को भी पीछे छोड़ दिया जो घुमावदार स्थानों या बॉक्सों का उपयोग करने की कोशिश करते थे।
तर्क और निषेध (Logic & Negation): जब उनसे कुछ ऐसा खोजने के लिए कहा गया जो कुछ नहीं था (जैसे "एक कार जो लाल नहीं है"), तो मानक मॉडल लगभग रैंडम अनुमान लगाने के स्तर पर गिर गए। "रूम मेथड" अत्यधिक सटीक रहा, जिसने बिना किसी स्पष्ट नियम के "NOT" को सही ढंग से समझा।
गति (Speed): भले ही ये "कमरे" जटिल लग सकते हैं, लेखकों ने दिखाया कि इन्हें पुराने "बिंदु" तरीकों की तरह ही तेजी से संकुचित और खोजा जा सकता है। वास्तव में, वे घुमावदार ज्यामिति का उपयोग करने वाले कुछ प्रतिस्पर्धी उन्नत तरीकों की तुलना में लगभग 8 गुना तेज़ थे।

निष्कर्ष

यह शोध पत्र कंप्यूटर के लिए भाषा को समझने का एक ऐसा तरीका पेश करता है जो अधिक मानवीय लगता है: स्थानों और समावेशन (containment) का उपयोग करना, न कि केवल बिंदुओं और दूरियों का। यह कंप्यूटर को स्वाभाविक रूप से यह समझने की अनुमति देता है कि "पूडल" "कुत्ता" के अंदर है, जो "जानवर" के अंदर है, और "NOT" के कठिन तर्क को आसानी से संभालता है।

सबसे महत्वपूर्ण बात यह है कि यह बिना गति धीमी किए किया जाता है, जिससे आधुनिक सर्च इंजन की गति बनी रहती है और समझ का एक बहुत गहरा स्तर भी जुड़ जाता है।

तकनीकी सारांश: सबस्पेस एम्बेडिंग्स के साथ नेटिव पदानुक्रमित और कंपोजिशनल रिप्रजेंटेशन

समस्या विवरण

पारंपरिक डेंस वेक्टर एम्बेडिंग्स, जो अवधारणाओं को यूक्लिडियन स्पेस में एकल बिंदुओं के रूप में दर्शाते हैं, प्राकृतिक भाषा को मॉडल करने में मौलिक ज्यामितीय सीमाओं का सामना करते हैं। समानता को इनर प्रोडक्ट के माध्यम से कैप्चर करने में प्रभावी होने के बावजूद, यूक्लिडियन स्पेस की सपाट और सममित संरचना एंटेलमेंट (entailment) और हाइपोनिमी (hyponymy) जैसे पदानुक्रमित और एसिमेट्रिक संबंधों के लिए अनुपयुक्त है। मानक मेट्रिक्स जैसे कोसाइन सिमिलरिटी दिशात्मक संबंधों (जैसे, "कुत्ता" "जानवर" को एंटेल करता है, लेकिन "जानवर" "कुत्ते" को एंटेल नहीं करता) के बीच अंतर नहीं कर सकते। इसके अलावा, वेक्टर स्पेस में लॉजिकल कंजंक्शन (conjunction), डिसजंक्शन (disjunction) और नेगेशन (negation) के लिए नेटिव ऑपरेटर्स का अभाव है। फलस्वरूप, मॉडल अक्सर योगात्मक संयोजन (additive composition) पर निर्भर हो जाते हैं (वाक्यों को शब्दों के बैग की तरह मानना), जिससे "नेगेशन ब्लाइंडनेस" (negation blindness) उत्पन्न होती है जहाँ एम्बेडिंग्स अवधारणाओं को बाहर करने में विफल रहती हैं, जिससे लॉजिकल नेगेशन वाले प्रश्नों पर प्रदर्शन गिर जाता है। मौजूदा विकल्प, जैसे कि हाइपरबोलिक एम्बेडिंग्स या रीजन-आधारित संभावabilistic मॉडल (जैसे, बॉक्स, कोन्स), या तो कठोर संरचनात्मक प्रायर (structural priors) थोपते हैं, या सभी लॉजिकल ऑपरेशन्स के तहत क्लोजर की कमी रखते हैं, या कुशल यूक्लिडियन रिट्रीवल पाइपलाइनों के साथ अनुकूलता का त्याग करते हैं।

कार्यप्रणाली

लेखक सबस्पेस एम्बेडिंग्स (Subspace Embeddings) का प्रस्ताव करते हैं, एक ऐसा ढांचा जहाँ अवधारणाओं को केवल बिंदुओं के रूप में नहीं, बल्कि एक उच्च-आयामी स्थान $\mathbb{R}^d$ के भीतर रैखिक उप-स्थानों (linear subspaces/regions) के रूप में दर्शाया जाता है।

मुख्य ज्यामितीय सिद्धांत

रिप्रजेंटेशन: एक अवधारणा को लेटेंट बेसिस वेक्टर्स $\mathbf{X} \in \mathbb{R}^{d \times n}$ के स्पैन (span) के रूप में परिभाषित किया जाता है। उप-स्थान $\mathcal{S}$ को इसके ऑर्थोगोनल प्रोजेक्शन ऑपरेटर $\mathbf{P} = \mathbf{U}\mathbf{U}^\top$ द्वारा दर्शाया जाता है, जहाँ $\mathbf{U}$ एक ऑर्थोनॉर्मल बेसिस है।
पदानुक्रम और सामान्यता (Generality):
- विमीयता (Dimensionality): उप-स्थान की प्रभावी विमा (rank) अर्थ संबंधी सामान्यता को एनकोड करती है। व्यापक अवधारणाएं (जैसे, "जानवर") उच्च-आयामी उप-स्थानों को घेरती हैं, जबकि विशिष्ट अवधारणाएं (जैसे, "कुत्ता") उनके भीतर स्थित निम्न-आयामी उप-स्थानों को घेरती हैं।
- समावेशन (Inclusion): पदानुक्रम को उप-स्थान समावेशन ( $\mathcal{S}_A \subseteq \mathcal{S}_B$ ) के माध्यम से मॉडल किया जाता है, जिसे प्रोजेक्शन मैट्रिसेस के उत्पाद के ट्रेस (trace) से प्राप्त नॉर्मलाइज्ड इंक्लूजन स्कोर (NIS) द्वारा मापा जाता है।
लॉजिकल ऑपरेशन्स: लॉजिकल संबंध उप-स्थानों पर सीधे रैखिक बीजगणितीय ऑपरेशन्स से मैप होते हैं:
- कंजंक्शन ( $\land$ ): उप-स्थान इंटरसेक्शन ( $\mathcal{S}_A \cap \mathcal{S}_B$ )।
- डिसजंक्शन ( $\lor$ ): उप-स्थानों का लीनियर सम (span) ( $\mathcal{S}_A + \mathcal{S}_B$ )।
- नेगेशन ( $\neg$ ): ऑर्थोगोनल कॉम्प्लीमेंट ( $\mathcal{S}^\perp$ )।

तकनीकी कार्यान्वयन: डिफरेंशिएबल सबस्पेस

एक प्राथमिक चुनौती यह है कि सबस्पेस रैंक डिस्क्रीट (discrete) और नॉन-डिफरेंशिएबल है। एंड-टू-एंड ट्रेनिंग को सक्षम करने के लिए, लेखक सॉफ्ट प्रोजेक्शन ऑपरेटर्स (Soft Projection Operators) पेश करते हैं:

सॉफ्ट प्रोजेक्टर: हार्ड प्रोजेक्शन के बजाय, वे टिखोनोव रेगुलराइजेशन (Tikhonov regularization) का उपयोग करके एक सॉफ्ट प्रोजेक्टर $\tilde{\mathbf{P}}$ को परिभाषित करते हैं: $\tilde{\mathbf{P}} = \mathbf{X}(\mathbf{X}^\top\mathbf{X} + \lambda\mathbf{I})^{-1}\mathbf{X}^\top$ ।
डिफरेंशिएबिलिटी: हाइपरपैरामीटर $\lambda$ एक टेम्परेचर के रूप में कार्य करता है, जो प्रोजेक्टर के आइजनवैल्यूज को $[0, 1)$ की रेंज में स्मूथ करता है। यह मॉडल को ग्रेडिएंट डिसेंट के माध्यम से प्रत्येक उप-स्थान की प्रभावी विमीयता को सीखने में सक्षम बनाता है, जिससे उप-स्थान डायनामिक रूप से बेसिस वेक्टर्स को "जोड़ या हटा" सकता है।
सबस्पेस प्रोजेक्शन हेड (SPH): एक न्यूरल मॉड्यूल जो ट्रांसफार्मर हिडन स्टेट्स को एक उप-स्थान को स्पैन करने वाले लेटेंट वेक्टर्स के सेट में बदल देता है। यह एमएचए (MHA) का उपयोग पोलिंग के लिए, रैंक एक्सपेंशन के लिए एक एमएलपी (MLP) का उपयोग करता है (पूर्ण रैंक प्राप्त करने के लिए लीनियर डिपेंडेंसी को तोड़ने के लिए), और सॉफ्ट प्रोजेक्टर गणना का उपयोग करता है।

ट्रेनिंग स्ट्रैटेजी

इस ढांचे को मानक उद्देश्यों का उपयोग करके एंड-टू-एंड प्रशिक्षित किया जाता है:

हाइरार्की रिकंस्ट्रक्शन: सबस्पेस सिमिलरिटी पर InfoNCE लॉस।
लिंक प्रेडिक्शन: NIS पर मार्जिन लॉस।
नेचुरल लैंग्वेज इंफरेंस (NLI): एंटेलमेंट/कॉन्ट्रैडिक्शन को NIS स्कोर पर बीटा डिस्ट्रीब्यूशन के माध्यम से मॉडल करने और न्यूट्रैलिटी को एमएलपी क्लासिफायर के माध्यम से मॉडल करने वाला एक हाइब्रिड दृष्टिकोण।

मुख्य योगदान

डिफरेंशिएबल सबस्पेस लर्निंग: डेटा-डिपेंडेंट, लर्न करने योग्य विमीयता के साथ रैखिक उप-स्थानों के रूप में भाषा प्रतिनिधित्व सीखने का एक नवीन तरीका, जो डिस्क्रीट रैंक की नॉन-डिफरेंशिएबिलिटी को पार करता है।
इमर्जेंट कंपोजिशनल स्ट्रक्चर: यह प्रदर्शन करना कि लॉजिकल ऑपरेशन्स (कंजंक्शन, डिसजंक्शन, नेगेशन) लॉजिकल नियमों के लिए स्पष्ट पर्यवेक्षण (supervision) के बिना, रिप्रजेंटेशन के ज्यामिति से स्वाभाविक रूप से उत्पन्न होते हैं।
स्केलेबिलिटी और कम्पैटिबिलिटी: यह दृष्टिकोण सुनिश्चित करता है कि यह कुशल यूक्लिडियन रिट्रीवल पाइपलाइनों (जैसे, मैक्सिमम इनर प्रोडक्ट सर्च) के साथ संगत बना रहे, जो गैर-यूक्लिडियन विकल्पों के विपरीत है।

प्रयोगात्मक परिणाम

लेखक तीन अक्षों पर ढांचे को मान्य करते हैं:

हाइरार्कल मॉडलिंग (WordNet):
- रिकंस्ट्रक्शन: सबस्पेस एम्बेडिंग्स (SE) वर्डनेट रिकंस्ट्रक्शन पर स्टेट-ऑफ-द-आर्ट प्रदर्शन हासिल करते हैं, जो मीन एवरेज प्रिसिजन (mAP) और मीन रैंक (MR) में यूक्लिडियन (R128) और हाइपरबोलिक (Poincaré P10, Lorentz H10) बेसलाइन्स को पीछे छोड़ देते हैं।
- स्पेसिफिसिटी कोरिलेशन: सीखा गया प्रभावी रैंक एक अवधारणा के टैक्सोनोमिक रैंक के साथ एक मजबूत स्पीयरमैन कोरिलेशन ( $\rho \approx 0.68$ ) दिखाता है, जो पुष्टि करता है कि विमीयता एक इमर्जेंट मेजर ऑफ सेमेंटिक स्पेसिफिसिटी है।
- लिंक प्रेडिक्शन: SE मॉडल स्पार्स सुपरविजन सेटिंग्स (0%–25% एज कवरेज) में बेसलाइन्स से काफी बेहतर प्रदर्शन करते हैं, F1 स्कोर 95.9% तक प्राप्त करते हैं।
नेचुरल लैंग्वेज इंफरेंस (SNLI):
- सबस्पेस एम्बेडिंग्स मानक 2-वे और 3-वे एंटेलमेंट क्लासिफिकेशन कार्यों पर मजबूत बायो-एनकोडर बेसलाइन्स (जैसे, all-MiniLM-L6-v2, mpnet-base-v2) के प्रदर्शन के बराबर या उससे थोड़ा अधिक हैं।
कंपोजिशनल एंटेलमेंट (जीरो-शॉट):
- नेगेशन हैंडलिंग: यह सबसे महत्वपूर्ण निष्कर्ष है। मानक वेक्टर बेसलाइन्स नेगेशन वाले हाइपोथीसिस पर लगभग रैंडम प्रदर्शन (49–69% AUC) तक गिर जाते हैं। इसके विपरीत, सबस्पेस एम्बेडिंग्स नेरेशन लॉजिक पर स्पष्ट प्रशिक्षण के बिना भी उच्च डिस्क्रिमिनेटिव पावर (>90% AUC) बनाए रखी।
- तुलना: सबस्पेस, नेगेशन कार्यों पर बॉक्स एम्बेडिंग्स से बेहतर प्रदर्शन करते हैं, क्योंकि बॉक्स का कॉम्प्लीमेंट एक बॉक्स नहीं होता है, जबकि एक उप-स्थान का ऑर्थोगोनल कॉम्प्लीमेंट उसी स्पेस के भीतर एक वैध उप-स्थान होता है।
दक्षता (Efficiency):
- रिट्रीवल स्पीड: प्रोजेक्शन मैट्रिसेस के बीच डॉट प्रोडक्ट के रूप में समावेशन स्कोर को फॉर्म्युलेट करके, यह विधि तेज़ एप्रोक्सिमेट सर्च लाइब्रेरीज़ (जैसे, FAISS) का उपयोग करने में सक्षम बनाती है। SE128 ब्रूट-फोर्स सर्च का उपयोग करने वाले 10-डायमेंशनल पोइनकेयर बेसलाइन की तुलना में लगभग 8 गुना तेज़ है।
- कंप्रेशन: सीखे गए सबस्पेस तीव्र स्पेक्ट्रल डिके (spectral decay) प्रदर्शित करते हैं, जिससे नगण्य प्रदर्शन हानि के साथ ट्रंकेटेड SVD के माध्यम से 4x कंप्रेशन संभव है।

महत्व और दावे

पेपर का दावा है कि सबस्पेस एम्बेडिंग्स एक ज्यामितीय रूप से-ग्राउंडेड मॉडल ऑफ एंटेलमेंट प्रदान करते हैं जो वेक्टर रिट्रीवल की दक्षता को भाषा की पदानुक्रमित और कंपोजिशनल संरचना के साथ जोड़ता है।

नेटिव लॉजिक: पिछले तरीकों के विपरीत जिन्हें एड-हॉक समाधानों की आवश्यकता होती है या जो नेगेशन पर विफल हो जाते हैं, सबस्पेस एम्बेडिंग्स रैखिक बीजगणितीय ऑपरेशन्स के माध्यम से स्वाभाविक रूप से लॉजिकल कंपोजिशन को कैप्चर करते हैं।
व्याख्यात्मकता (Interpretability): एक उप-स्थान की प्रभावी विमा सूचना सामग्री और सेमेंटिक स्पेसिफिसिटी के एक व्याख्यात्मक माप के रूप में कार्य करती है, जो सीधे उनके प्रशिक्षण ज्यामिति से उभरती है।
व्यावहारिकता: यह ढांचा अपनी स्केलेबिलिटी का त्याग नहीं करता है; यह मानक यूक्लिडियन सर्च इंफ्रास्ट्रक्चर के साथ संगत रहता है, जिससे यह बड़े पैमाने के अनुप्रयोगों के लिए व्यवहार्य बनता है।

लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण एक अधिक अभिव्यंजक और व्याख्यात्मक रिप्रजेंटेशन लर्निंग सिस्टम की ओर एक आशाजनक मार्ग प्रदान करता है, विशेष रूप से उन कार्यों के लिए जिनमें पदानुक्रमित और नेगेटेड अवधारणाओं पर तर्क (reasoning) की आवश्यकता होती है।