💬 NLP

Hypothesis-Driven Feature Manifold Analysis in LLMs via Supervised Multi-Dimensional Scaling

यह शोध पत्र सुपरवाइज्ड मल्टी-डायमेंशनल स्केलिंग (SMDS) को प्रस्तुत करता है, जो एक मॉडल-अज्ञेय (model-agnostic) विधि है जो यह प्रकट करती है कि भाषा मॉडल कैसे टेम्पोरल रीजनिंग (temporal reasoning) जैसे अवधारणाओं को विशिष्ट, स्थिर और गतिशील ज्यामितीय मैनिफोल्ड्स (जैसे कि वृत्त, रेखाएं और क्लस्टर) में एनकोड करते हैं, जिससे संरचित लेटेंट रिप्रेजेंटेशन (latent representations) के माध्यम से एंटिटी-आधारित रीजनिंग के एक ढांचे का समर्थन मिलता है।

मूल लेखक: Federico Tiblias, Irina Bigoulaeva, Jingcheng Niu, Simone Balloccu, Iryna Gurevych

प्रकाशित 2026-04-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Federico Tiblias, Irina Bigoulaeva, Jingcheng Niu, Simone Balloccu, Iryna Gurevych

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 एक लार्ज लैंग्वेज मॉडल (LLM) एक विशाल, अत्यंत बुद्धिमान पुस्तकालय की तरह है। इसके भीतर हर वह अवधारणा (concept) जिसे मॉडल जानता है—जैसे "सोमवार," "गर्मी," या "पेरिस"—उसके "दिमाग" (इसके आंतरिक गणितीय स्थान) में एक विशिष्ट स्थान पर संग्रहीत है।

लंबे समय तक, वैज्ञानिकों का मानना था कि ये अवधारणाएं बस बेतरतीब ढंग से बिखरी हुई थीं या सरल सीधी रेखाओं में व्यवस्थित थीं। लेकिन यह नया शोध पत्र, "हाइपोथीसिस-ड्रिवन फीचर मैनिफोल्ड एनालिसिस" (Hypothesis-Driven Feature Manifold Analysis), सुझाव देता है कि यह पुस्तकालय वास्तव में एक विशाल, बहु-आयामी खेल के मैदान (multi-dimensional playground) की तरह व्यवस्थित है जिसमें स्लाइड्स, हिंडोले (merry-go-rounds) और झूलों के समूह हैं।

यहाँ शोधकर्ताओं ने क्या किया और क्या पाया, इसका सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है।

1. समस्या: एक रहस्यमयी शहर का मानचित्र बनाने की कोशिश

कल्पना कीजिए कि आपको बिना किसी मानचित्र के एक अजीब शहर में छोड़ दिया गया है। आप जानना चाहते हैं कि वहां की सड़कें कैसे फैली हुई हैं।

पुराने तरीके: पिछले उपकरण एक ऐसे कंपास की तरह थे जो केवल उत्तर दिशा ही बता सकता था। वे आपको बता सकते थे कि चीजें "ऊपर" या "नीचे" (रैखिक/linear) थीं, लेकिन वे यह नहीं बता पाते थे कि सड़कें एक घेरे (जैसे राउंडअबाउट) या एक क्लस्टर (जैसे कोई मोहल्ला) के रूप में बनी हैं। वे बहुत कठोर थे।
नया उपकरण (SMDS): लेखकों ने सुपरवाइज्ड मल्टी-डायमेंशनल स्केलिंग (SMDS) नामक एक नया उपकरण बनाया। इसे एक स्मार्ट जीपीएस (GPS) के रूप में सोचें जो विभिन्न मानचित्र सिद्धांतों का परीक्षण कर सकता है।
- आप जीपीएस को बताते हैं: "मुझे लगता है कि सड़कें एक घेरे के रूप में हैं।"
- जीपीएस डेटा की जांच करता है और कहता है, "हाँ, सड़कें वास्तव में एक पूर्ण वृत्त बनाती हैं, और यहाँ इसका प्रमाण है।"
- फिर आप कह सकते हैं, "ठीक है, क्या होगा अगर वे एक सीधी रेखा बनाती हैं?" और जीपीएस इसकी भी जांच करता है। यह विभिन्न आकारों की तुलना करने और यह देखने की अनुमति देता है कि कौन सा आकार डेटा के लिए सबसे उपयुक्त है।

2. प्रयोग: टाइम ट्रैवल टेस्ट

अपने नए जीपीएस का परीक्षण करने के लिए, शोधकर्ताओं ने एआई (AI) मॉडल से समय के बारे में सरल प्रश्न पूछे, जैसे:

"एलिस का जन्म मई में हुआ था। बॉब का जन्म मार्च में हुआ था। कौन बड़ा है?"
"केविन हर दिन पौधों को पानी देता है। कौन अधिक बार पानी देता है?"

उन्होंने एआई के "दिमाग" को देखा जब वह इन उत्तरों के बारे में सोच रहा था ताकि यह देख सकें कि वह दिनों, महीनों और वर्षों की अवधारणाओं को कैसे व्यवस्थित करता है।

3. बड़ी खोजें

अ. खेल के मैदान के आकार (ज्यामिति खोजना)

शोधकर्ताओं ने पाया कि एआई केवल समय को बेतरतीब ढंग से संग्रहीत नहीं करता है; वह विशिष्ट आकृतियाँ बनाता है:

हिंडोला (वृत्ताकार/Circular): "सप्ताह के दिन" या "महीने" जैसी अवधारणाएं एक पूर्ण वृत्त में व्यवस्थित हैं। एआई के दिमाग में, दिसंबर जनवरी के ठीक बगल में है, बिल्कुल एक वास्तविक कैलेंडर की तरह। यदि आप एक दिशा में पर्याप्त दूर चलते हैं, तो आप वापस शुरुआत पर लौट आते हैं।
फिसलन पट्टी (रैखिक/Linear): "वर्ष" या "अवधि" जैसी अवधारणाएं एक सीधी रेखा में व्यवस्थित हैं। 2020, 2010 की तुलना में स्लाइड के काफी नीचे है।
मोहल्ला (क्लस्टर्स/Clusters): "ऋतुएँ" (वसंत, ग्रीष्म आदि) को एक विशिष्ट मोहल्ले के घरों की तरह घने समूहों (clusters) में बांटा गया है।

दिलचस्प बात: ये आकार छोटे एआई या विशाल एआई, दोनों में समान हैं। यह वैसा ही है जैसे हर मानव मस्तिष्क "ऊपर" और "नीचे" की अवधारणा को एक ही तरह से व्यवस्थित करता है।

ब. रूप बदलने वाला (कार्य के अनुकूल ढलना)

सबसे आश्चर्यजनक खोज यह है कि एआई का दिमाग गतिशील (dynamic) है। यह जिस सवाल को आप पूछते हैं, उसके आधार पर अपने "समय" के खेल के मैदान को बदल देता है।

परिदृश्य: आप पूछते हैं, "गर्मी (summer) में किसका जन्म हुआ था?"
- एआई अपने "तारीख" के खेल के मैदान को तुरंत नया आकार देता है। एक वृत्त के बजाय, यह तारीखों को समूहों (clusters) में बदल देता है (गर्मी की तारीखें एक साथ, सर्दियों की तारीखें एक साथ)।
परिदृश्य: आप पूछते हैं, "पहले किसका जन्म हुआ था?"
- एआई इस खेल के मैदान को एक सीधी रेखा में बदल देता है ताकि वह आसानी से तुलना कर सके कि कौन पहले आया।

यह लेगो (Lego) सेट की तरह है: एआई के पास सभी समान ब्लॉक (तारीखें) हैं, लेकिन वह काम के आधार पर अलग-अलग संरचना बनाता है।

स. प्रमाण: खिलौने को तोड़ना

यह साबित करने के लिए कि ये आकार वास्तव में सोचने के लिए उपयोग किए जाते हैं (और केवल संयोग नहीं हैं), शोधकर्ताओं ने एक "तनाव परीक्षण" (stress test) किया।

उन्होंने एआई के दिमाग में "स्टैटिक नॉइज़" (जैसे रेडियो हस्तक्षेप) डाली, जो विशेष रूप से "महीनों" वाले वृत्ताकार हिस्से में थी।
परिणाम: एआई महीनों के बारे में सवालों के जवाब देने में तुरंत बहुत खराब हो गया।
कंट्रोल: जब उन्होंने एआई के दिमाग के किसी यादृच्छिक, बेकार हिस्से में शोर (noise) डाला, तो एआई को कोई फर्क नहीं पड़ा।

यह साबित करता है कि एआई इन आकारों का सक्रिय रूप से उपयोग कर रहा है। यह कार के पहियों को निकालकर यह साबित करने जैसा है कि कार को पहियों की आवश्यकता है; कार चलना बंद कर देती है।

4. यह क्यों महत्वपूर्ण है

यह शोध पत्र एआई के बारे में हमारी समझ को बदल देता है।

पहले: हम सोचते थे कि एआई एक "ब्लैक बॉक्स" है जो केवल पैटर्न के आधार पर उत्तरों का अनुमान लगाता है।
अब: हम जानते हैं कि एआई दुनिया के संरचित, ज्यामितीय मानचित्र (geometric maps) बनाता है। यह ज्ञान को वृत्तों, रेखाओं और समूहों में व्यवस्थित करता है, और तर्क पहेलियों को हल करने के लिए इन आकारों को भौतिक रूप से इधर-उधर घुमाता है।

निष्कर्ष (Takeaway)

लेखकों ने हमें एआई के दिमाग के भीतर देखने का एक नया तरीका दिया है। उन्होंने पाया कि एआई केवल तथ्यों को "जानता" नहीं है; वह उन्हें अभिकल्पित (architects) करता है। वह ज्यामितीय खेल के मैदान (मैनिफोल्ड्स) बनाता है जो काम के लिए पूरी तरह से आकार में होते हैं।

यदि आप एआई को अधिक स्मार्ट या कम पक्षपाती बनाना चाहते हैं, तो आपको केवल इसे अधिक डेटा खिलाने की आवश्यकता नहीं है; आपको इसके विचारों की ज्यामिति (geometry) को समझने की आवश्यकता हो सकती है। यदि "मानचित्र" टूटा हुआ है, तो एआई रास्ता भटक जाएगा। यदि मानचित्र एक पूर्ण वृत्त है, तो एआई समय के माध्यम से सहजता से यात्रा कर सकता है।

संक्षेप में: एआई केवल एक कैलकुलेटर नहीं है; यह सोचने में मदद करने के लिए गणित से 3D आकृतियाँ बनाने वाला एक वास्तुकार (architect) है।

यहाँ शोध पत्र "Hypothesis-Driven Feature Manifold Analysis in LLMs via Supervised Multi-Dimensional Scaling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मैकेनिस्टिक इंटरप्रिटेबिलिटी (mechanistic interpretability) में हालिया शोध यह सुझाव देता है कि लार्ज लैंग्वेज मॉडल्स (LLMs) अपने लेटेंट स्पेस (latent space) में अवधारणाओं (concepts) को संरचित दिशाओं या मैनिफोल्ड्स (manifolds) के रूप में एनकोड करते हैं (जैसे, संख्याओं के लिए रैखिक (linear), सप्ताह के दिनों के लिए गोलाकार (circular))। हालाँकि, इन संरचनाओं के विश्लेषण के लिए मौजूदा विधियों को महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

निश्चित संरचनात्मक धारणाएँ (Fixed Structural Assumptions): PCA, LDA और PLS जैसी सामान्य डाइमेंशनलिटी रिडक्शन तकनीकें विशिष्ट ज्यामितीय धारणाओं (जैसे, वेरिएंस को अधिकतम करना या रैखिक पृथकरणीयता) को लागू करती हैं, जिससे प्रतिस्पर्धी ज्यामितीय परिकल्पनाओं (hypotheses) की तुलना करना कठिन हो जाता है (जैसे, क्या एक फीचर रैखिक है, गोलाकार है, या क्लस्टर्ड है?)।
मात्रात्मक तुलना का अभाव (Lack of Quantitative Comparison): ऐसा कोई एकीकृत, मात्रात्मक मीट्रिक नहीं है जो यह मूल्यांकन कर सके कि कौन सी ज्यामितीय परिकल्पना मॉडल के आंतरिक निरूपण (internal representations) के लिए सबसे उपयुक्त है।
कार्यात्मक भूमिका स्पष्ट नहीं है (Unclear Functional Role): यह स्पष्ट नहीं है कि LLMs तर्क (reasoning) के दौरान इन मैनिफोल्ड्स का उपयोग कैसे करते हैं, क्या वे कार्य के संदर्भ (task context) के अनुसार अनुकूलित होते हैं, या क्या वे केवल निरूपण के आर्टिफैक्ट्स (artifacts) मात्र हैं।

लेखक इन अंतरालों को संबोधित करने के लिए एक विधि पेश करके इन लक्ष्यों को प्राप्त करना चाहते हैं, जो फीचर मैनिफोल्ड्स के बारे में मनमानी ज्यामितीय परिकल्पनाओं का व्यवस्थित रूप से परीक्षण और तुलना कर सके और उनके कारण संबंधी (causal) रोल को निर्धारित कर सके।

2. कार्यप्रणाली: सुपरवाइज्ड मल्टी-डायमेंशनल स्केलिंग (SMDS)

मुख्य योगदान सुपरवाइज्ड मल्टी-डायमेंशनल स्केलिंग (SMDS) है, जो एक मॉडल-अज्ञेय (model-agnostic) विधि है जो मैनिफोल्ड पहचान को एक मॉडल चयन समस्या के रूप में पुनर्गठित करती है।

अवधारणा (Concept): अनसुपरवाइज्ड MDS के विपरीत, SMDS सुपरविजन को शामिल करता है। यह मानता है कि मॉडल एक्टिवेशन ( $X$ ), ज्ञात लेबल्स ( $y$ ) द्वारा पैरामीटराइज्ड एक मैनिफोल्ड पर स्थित हैं।
तंत्र (Mechanism):
1. परिकल्पना परिभाषा (Hypothesis Definition): उपयोगकर्ता एक लक्षित ज्यामिति (जैसे, वृत्त, रेखा, क्लस्टर) को लेबल्स के बीच एक दूरी फंक्शन $d(y_i, y_j)$ निर्दिष्ट करके परिभाषित करता है। उदाहरण के लिए, एक गोलाकार मैनिफोल्ड यूनिट सर्कल पर कॉर्ड डिस्टेंस (chord distance) का उपयोग करता है।
2. प्रोजेक्शन लर्निंग (Projection Learning): SMDS एक रैखिक प्रोजेक्शन $W$ सीखता है जो उच्च-आयामी हिडन स्टेट्स $X$ को एक निम्न-आयामी स्थान में मैप करता है, ताकि अनुमानित स्थान में यूक्लिडियन दूरियाँ हाइपोथीसिस द्वारा परिभाषित आदर्श दूरियों से सर्वोत्तम रूप से मेल खा सकें।
3. अनुकूलन (Optimization): यह एक स्ट्रेस लॉस फंक्शन को कम करता है:
  $L = \sum_{i<j} (\|W(x_i - x_j)\|^2 - d(y_i, y_j)^2)^2$
4. मूल्यांकन (Evaluation): फिट की गुणवत्ता को एक होल्ड-आउट टेस्ट सेट पर एक सामान्यीकृत स्ट्रेस मीट्रिक ( $S$ ) का उपयोग करके मापा जाता है। कम स्ट्रेस का अर्थ है कि मॉडल के आंतरिक निरूपण और परिकल्पित ज्यामिति के बीच बेहतर फिट।
डिस्टेंस फंक्शन्स (Distance Functions): विभिन्न टोपोलॉजी का पता लगाने के लिए लेखकों ने दूरी फंक्शन की एक लाइब्रेरी को परिभाषित किया है:
- रैखिक (Linear): मोनोटोनिक प्रोग्रेशन।
- चक्रीय (Cyclical): रिंग स्ट्रक्चर (जैसे, सप्ताह के दिन)।
- श्रेणीबद्ध (Categorical): असतत क्लस्टर (जैसे, पॉलीटोप वर्टिस)।
- लॉगारिदमिक (Logarithmic): संकुचित प्रोग्रेशन (जैसे, संख्याएँ)।

3. प्रयोगात्मक सेटअप (Experimental Setup)

कार्य डोमेन (Task Domain): टेम्पोरल रीजनिंग (शॉर्ट-फॉर्म QA), जिसे इसकी विविधता (तिथियाँ, अवधि, आवधिकता) और LLMs के लिए ज्ञात कठिनाइयों के कारण चुना गया है।
डेटासेट्स: पाँच सिंथेटिक डेटासेट्स (Date, Duration, Notable, Periodic, Time of Day) और तीन वेरिएंट्स (Season, Temperature, Phase) जो विशिष्ट टेम्पोरल रीजनिंग कौशल को अलग करने के लिए डिज़ाइन किए गए हैं।
मॉडेल्स: Qwen2.5-3B, Gemma-2-2B, और Llama-3.2-3B (और Llama के बड़े वेरिएंट 8B/70B सहित) जैसे विविध LLMs, जो बेस और इंस्ट्रक्शन-ट्यून्ड दोनों संस्करणों को कवर करते हैं।
एनालिसिस साइट्स (Analysis Sites): तीन टोकन पोजीशन से एक्टिवेशन निकाले गए:
1. टेम्पोरल एक्सप्रेशन का अंत ($te$)।
2. प्रॉम्प्ट का अंत ($lp$)।
3. जेनरेटेड आंसर टोकन ( $a$ )।
वैलिडेशन (Validation): यह सुनिश्चित करने के लिए कि पहचाने गए मैनिफोल्ड सांख्यिकीय रूप से महत्वपूर्ण हैं और ओवरफिटिंग आर्टिफैक्ट्स नहीं हैं, व्यापक सांख्यिकीय परीक्षण (Friedman test, Nemenyi post-hoc, bootstrapping) का उपयोग किया गया।

4. मुख्य निष्कर्ष (Key Findings)

अध्ययन तीन प्रमुख निष्कर्ष (F1–F3) प्रदान करता है:

F1: सार्वभौमिक और सहज मैनिफोल्ड संरचनाएं (Universal and Intuitive Manifold Structures)

विभिन्न मॉडल आर्किटेक्चर और आकार के बावजूद टेम्पोरल एंटिटीज लगातार सहज ज्यामिति के साथ फीचर मैनिफोल्ड बनाती हैं।
गोलाकार (Circular): तिथियां और दिन के समय रिंग (rings) बनाते हैं।
रैखिक/लॉग-लीनियर (Linear/Log-Linear): अवधियाँ और अंतराल अक्सर लॉग-लीनियर कंप्रेशन दिखाते हैं (मानव धारणा/वेबर-फेचनर नियम के समान)।
क्लस्टर्ड (Clustered): श्रेणीबद्ध अंतर (जैसे, मौसम) विशिष्ट क्लस्टर बनाते हैं।
निरंतरता (Consistency): ये संरचनाएं विभिन्न मॉडल परिवारों (Llama, Qwen, Gemma) और स्केल (3B से 70B) में मजबूत हैं, जो इस बात का सुझाव देती हैं कि LLMs कैसे संरचित ज्ञान को एनकोड करते हैं, इसमें एक "प्लेटोनिक" अभिसरण (convergence) है।

F2: संदर्भ के प्रति गतिशील अनुकूलन (Dynamic Adaptation to Context)

फीचर मैनिफोल्ड्स स्थिर नहीं होते; वे कार्य और प्रॉम्प्ट के आधार पर गतिशील रूप से आकार बदलते हैं।
उदाहरण: "Date" कार्य में, मैनिफोल्ड गोलाकार होता है। हालांकि, यदि प्रॉम्प्ट बदलकर "Seasons" (एक वर्गीकरण कार्य) के बारे में पूछने के लिए बदल दिया जाता है, तो मैनिफोल्ड एक क्लस्टर संरचना में बदल जाता है।
सूचना प्रवाह (Information Flow): आंसर टोकन ( $a$ ) पर मैनिफोल्ड की संरचना अक्सर इनपुट टोकन ($te$) की संरचना को दर्शाती है, लेकिन बढ़े हुए स्ट्रेस (शोर/noise) के साथ, जो यह सुझाव देता है कि संरचित निरूपणों को रीजनिंग के दौरान नेटवर्क की परतों के माध्यम से प्रसारित और संरक्षित किया जाता है।

F3: रीजनिंग में कारण संबंधी भूमिका (Causal Role in Reasoning)

हस्तक्षेप (Intervention): SMDS द्वारा पहचाने गए विशिष्ट लो-डायमेंशनल सबस्पेस में व्यवधान डालने (शोर जोड़कर) से रीजनिंग प्रदर्शन में काफी गिरावट आती है। इसके विपरीत, रैंडम सबस्पेस में शोर जोड़ने का नगण्य प्रभाव पड़ता है।
सहसंबंध (Correlation): मैनिफोल्ड की "गुणवत्ता" (कम स्ट्रेस) और मॉडल की डाउनस्ट्रीम रीजनिंग सटीकता के बीच एक महत्वपूर्ण सकारात्मक सहसंबंध है। जो मॉडल बेहतर-संगठित मैनिफोल्ड बनाते हैं, वे बेहतर प्रदर्शन करते हैं।
निष्कर्ष: LLMs केवल इन संरचनाओं को रखते ही नहीं हैं; वे तर्क करने के लिए इनका सक्रिय रूप से उपयोग करते हैं।

5. सामान्यीकरण (Generalization)

लेखकों ने SMDS को टेम्पोरल रीजनिंग से आगे बढ़ाया:

स्थानिक तर्क (Spatial Reasoning): भूगोल कार्य (निकटतम शहर की पहचान करना) पर लागू किया गया। परिणामों ने दिखाया कि LLMs भौगोलिक स्थानों को एक गोलाकार मैनिफोल्ड (spherical manifold) पर दर्शाते हैं, जो पृथ्वी की वास्तविक ज्यामिति के अनुरूप है, और प्लेनर (planar) या सिलिंड्रिकल हाइपोथीसिस से बेहतर प्रदर्शन करता है।
बहु-आयामी फीचर्स (Multidimensional Features): अवधि और प्रारंभ तिथियों को संयोजित करने वाले 2D मैनिफोल्ड्स को सफलतापूर्वक पहचाना, जो सिद्ध करता है कि यह विधि उच्च-आयामी फीचर स्पेस के लिए भी काम करती है।

6. महत्व और योगदान (Significance and Contributions)

मेथोडोलॉजिकल इनोवेशन: SMDS इंरप्रिटेबिलिटी के लिए एक कठोर, हाइपोथीसिस-ड्रिवन फ्रेमवर्क प्रदान करता है, जो "खोज" (discovery) से आगे बढ़कर विशिष्ट ज्यामितीय परिकल्पनाओं के "परीक्षण" (testing) तक जाता है। यह सैद्धांतिक मैनिफोल्ड हाइपोथीसिस और अनुभवजन्य सत्यापन के बीच के अंतर को पाटता है।
मैकेनिस्टिक अंतर्दृष्टि: यह पेपर LLMs में एक एंटिटी-आधारित रीजनिंग पाइपलाइन के लिए मजबूत प्रमाण प्रदान करता है:
1. एंटिटी गुणों को एक सुसंगत मैनिफोल्ड पर दर्शाना।
2. कार्य संदर्भ के आधार पर मैनिफोल्ड को बदलना।
3. रूपांतरित प्रतिनिधित्व के आधार पर आउटपुट चुनना।
नियंत्रण के निहितार्थ (Implications for Control): यह समझना कि रीजनिंग विशिष्ट ज्यामितीय सबस्पेस पर निर्भर करती है, मॉडल स्टीयरिंग (steering), अलाइनमेंट और डिबगिंग के लिए नए रास्ते खोलता है। यदि रीजनिंग विफल होती है, तो यह इन मैनिफोल्ड्स के क्षरण के कारण हो सकती है, जिसे हस्तक्षेप के लिए लक्षित किया जा सकता है।
मजबूती (Robustness): निष्कर्ष इस धारणा को चुनौती देते हैं कि LLM रीजनिंग पूरी तरह से सांख्यिकीय पैटर्न मिलान है, बल्कि यह सुझाव देते हैं कि वे संरचित, ज्यामितीय रूप से संगठित आंतरिक निरूपणों पर भरोसा करते हैं जो विभिन्न स्केल और आर्किटेक्चर में सुसंगत हैं।

7. सीमाएँ (Limitations)

पूर्वाग्रह (Bias): डेटासेट्स अंग्रेजी-केंद्रित सांस्कृतिक मानदंडों (ग्रेगोरियन कैलेंडर, उत्तरी गोलार्ध के मौसम) पर निर्भर करते हैं, जो मैनिफोल्ड संरचनाओं को बायस कर सकते हैं।
धुंधलापन (Fuzziness): इस विधि के लिए सटीक, संख्यात्मक लेबल्स की आवश्यकता होती है। यह वर्तमान में धुंधले टेम्पोरल एक्सप्रेशन (जैसे, "सुबह के समय") का विश्लेषण नहीं कर सकता जहाँ सटीक मैनिफोल्ड पोजीशन परिभाषित नहीं है।
परिकल्पना निर्भरता (Hypothesis Dependency): SMDS की प्रभावशीलता इस बात पर निर्भर करती है कि उपयोगकर्ता सही सेट ऑफ कैंडिडेट ज्योमेट्री प्रस्तावित करता है। यदि वास्तविक मैनिफोल्ड संरचना हाइपोथीसिस सेट में नहीं है, तो इसे पकड़ा नहीं जाएगा।