🤖 machine learning

Consistent Zero-Shot Imitation with Contrastive Goal Inference

यह शोध पत्र कॉन्ट्रास्टिव इनवर्स रीइन्फोर्समेंट लर्निंग (CIRL) को प्रस्तुत करता है, जो एक सेल्फ-सुपरवाइज्ड प्री-ट्रेनिंग फ्रेमवर्क है जो मल्टी-टास्क इनवर्स रीइन्फोर्समेंट लर्निंग को एक सुलभ लक्ष्य-अनुमान (गोल-इन्फरेंस) समस्या में परिवर्तित करता है ताकि एजेंट बिना किसी रिवॉर्ड या टेस्ट-टाइम अपडेट के, जीरो-शॉट इमिटेशन परिदृश्यों में विशेषज्ञ व्यवहार को निरंतर रूप से पुनरुत्पादित करने में सक्षम हो सकें।

मूल लेखक: Kathryn Wantlin, Chongyi Zheng, Benjamin Eysenbach

प्रकाशित 2026-06-25

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kathryn Wantlin, Chongyi Zheng, Benjamin Eysenbach

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 रोबोट को कोई नया काम सिखाने की कोशिश कर रहे हैं, जैसे ब्लॉक्स को एक के ऊपर एक रखना या कमरे में चलना। आमतौर पर, आपको रोबोट को यह दिखाना पड़ता है कि उसे क्या करना है (अनुकरण/इमिटेशन) या फिर उसे सही काम करने के लिए सख्त नियम और अंक (रिवॉर्ड्स) देने पड़ते हैं। लेकिन क्या होगा अगर आप चाहते हैं कि रोबोट बिना किसी मानवीय सहायता या स्कोरकार्ड के खुद से सीखे, और फिर, केवल एक इंसान द्वारा किया गया एक वीडियो देखकर, वह उस काम को पूरी तरह से समझ ले?

यही वह चुनौती है जिसे यह शोध पत्र (पेपर) हल करता है। प्रिंसटन यूनिवर्सिटी के लेखकों ने एक नई विधि पेश की है जिसे CIRL (कॉन्ट्रास्टिव इनवर्स रीइन्फोर्समेंट लर्निंग) कहा जाता है। यह कैसे काम करता है, यहाँ सरल अवधारणाओं और उपमाओं के माध्यम प्रकार दिया गया है।

मुख्य विचार: "लक्ष्य" (Goals) ही गुप्त भाषा है

इस पेपर का मुख्य निष्कर्ष यह है कि लगभग किसी भी जटिल कार्य को एक एकल लक्ष्य अवस्था (goal state) द्वारा संक्षेपित किया जा सकता है।

उपमा: एक कुकिंग शो के बारे में सोचें। आपको शेफ द्वारा किए जाने वाले हर एक कट, स्टिर या फ्लिप को याद करने की ज़रूरत नहीं है। आपको बस अंतिम व्यंजन (लक्ष्य) जानने की आवश्यकता है। यदि आप जानते हैं कि लक्ष्य "एक बेहतरीन ऑमलेट" बनाना है, तो आप वहां तक पहुँचने के चरणों को समझ सकते हैं।
समस्या: अधिकांश AI सीधे "रेसिपी" (रिवॉर्ड फंक्शन) का अनुमान लगाने की कोशिश करते हैं, जो शेफ के सटीक विचारों का अनुमान लगाने जैसा है। यह अव्यवस्थित है और अक्सर गलत होता है।
CIRL का समाधान: रेसिपी का अनुमान लगाने के बजाय, CIRL अंतिम व्यंजन (लक्ष्य) का अनुमान लगाता है। एक बार जब रोबोट को लक्ष्य पता चल जाता है, तो वह उस लक्ष्य तक पहुँचने के लिए एक पूर्व-प्रशिक्षित कौशल (skill) का उपयोग करता है।

CIRL कैसे सीखता है ("प्लेग्राउंड" चरण)

इससे पहले कि रोबोट कभी किसी इंसान को देखे, वह एक "प्री-ट्रेनिंग" चरण से गुजरता है जहाँ वह पूरी तरह से अपने आप सीखता है, बिना किसी मानवीय मदद, बिना किसी रिवॉर्ड और बिना किसी प्रदर्शन के।

जिज्ञासु खोजकर्ता (GoalKDE):
एक विशाल खेल के मैदान (प्लेग्राउंड) में एक बच्चे की कल्पना करें। चलने के तरीके को सीखने के लिए, बच्चा केवल बेतरतीब ढंग से नहीं घूमता; वह विशेष रूप से उन जगहों की तलाश करता है जहाँ उसने अभी तक यात्रा नहीं की है। CIRL में GoalKDE नामक एक तंत्र है जो इस बच्चे की तरह काम करता है। यह उन सभी स्थानों को देखता है जहाँ रोबोट गया है और कहता है, "तुम यहाँ लाखों बार आए हो, लेकिन तुम वहाँ कभी नहीं गए।" यह एक नए, अनछुए स्थान को "लक्ष्य" के रूप में चुनता है और रोबोट को वहां पहुँचने की कोशिश करने के लिए कहता है। यह रोबोट को पूरे वातावरण की खोज करने और सभी दिशाओं में कैसे चलना है, यह सीखने के लिए मजबूर करता है।
"क्या-होगा" ट्रेनर (Contrastive RL):
जब रोबोट खोजबीन कर रहा होता है, तो वह एक विशेष प्रकार का मानचित्र सीखता है। यह सीखने के बजाय कि "यह क्रिया मुझे 10 अंक देती है," यह दूरी का बोध सीखता है। यह सीखता है: "यदि मैं यहाँ हूँ और मुझे उस लक्ष्य तक पहुँचना है, तो यह कितना कठिन है?" यह 'आसान पहुँचने योग्य' अवस्थाओं और 'कठिन पहुँचने योग्य' अवस्थाओं के बीच अंतर करना सीखता है। यह महत्वपूर्ण है क्योंकि यह रोबोट को यह समझने में मदद करता है कि कुछ लक्ष्य स्वाभाविक रूप से दूसरों की तुलना में कठिन होते हैं।
मेमोरी बैंक:
रोबोट इन विभिन्न लक्ष्यों की अपनी "यात्राओं" को एक मेमोरी बैंक में सहेज लेता है। वह एक सामान्य नीति (policy) सीखता है: "यहाँ बताया गया है कि मुझे किसी भी दिए गए लक्ष्य तक पहुँचने के लिए कैसे आगे बढ़ना है।"

परीक्षण: "वन-शॉट" इमिटेशन

अब, असली परीक्षण शुरू होता है। आप रोबोट को किसी विशेषज्ञ द्वारा किया गया एक एकल वीडियो दिखाते हैं (जैसे, एक इंसान एक विशिष्ट कुर्सी तक चलते हुए)। रोबोट ने पहले कभी यह कार्य नहीं देखा है और वह मदद के लिए पूछ नहीं सकता।

जासूस (Goal Inference):
रोबोट वीडियो देखता है और पूछता है, "विशेषज्ञ किस चीज़ तक पहुँचने की कोशिश कर रहा था?" वह लक्ष्य का अनुमान लगाने के लिए एक सांख्यिकीय मॉडल (एक "मीन-फील्ड" मॉडल, जो एक स्मार्ट शॉर्टकट की तरह है) का उपयोग करता है।
- स्मार्ट ट्रिक: पेपर यह सिद्ध करता है कि केवल यह देखना कि विशेषज्ञ कहाँ पहुँचा, पर्याप्त नहीं है। रोबोट को यह भी विचार करना चाहिए कि वहाँ पहुँचना कितना कठिन था। यदि विशेषज्ञ ने उस स्थान तक पहुँचने के लिए एक बहुत कठिन रास्ता लिया, तो यह एक मजबूत संकेत है कि वह स्थान ही इच्छित लक्ष्य था। यदि उन्होंने एक आसान रास्ता लिया, तो शायद वे बस घूम रहे थे। CIRL इस कठिनाई को ध्यान में रखता है, जो इसे पिछले तरीकों की तुलना में बहुत बेहतर जासूस बनाता है।
निष्पादन (Execution):
एक बार जब रोबोट लक्ष्य का अनुमान लगा लेता है (जैसे, "विशेषज्ञ उस कुर्सी तक पहुँचना चाहता था"), तो वह अपने पूर्व-प्रशिक्षित "प्लेग्राउंड स्किल्स" को सक्रिय करता है ताकि उस विशिष्ट स्थान तक पहुँचा जा सके। उसे चलने का तरीका फिर से सीखने की आवश्यकता नहीं है; वह बस अपने मौजूदा कौशल को नए लक्ष्य पर लागू करता है।

यह पुराने तरीकों से बेहतर क्यों है?

यह पेपर CIRL की तुलना अन्य तरीकों (जैसे "फॉरवर्ड-बैकवर्ड" या FB रिप्रजेंटेशन) से करता है।

पुराने तरीकों की खामी: एक ऐसे मानचित्र की कल्पना करें जो कहता है, "लोग जिस स्थान पर सबसे अधिक जाते हैं, वही सबसे महत्वपूर्ण है।" यदि एक रोबोट एक कमरे में चला जाता है और दरवाजा जाम होने के कारण फंस जाता है, तो वह उस कमरे में बहुत समय बिताता है। पुराने तरीके सोच सकते हैं, "ओह, वे निश्चित रूप से वहीं रुकना चाहते थे!"
CIRL का लाभ: CIRL जानता है कि वह जाम वाला कमरा वहाँ पहुँचना कठिन था और वहाँ रहना भी कठिन था। वह समझ जाता है, "वे वहाँ रहना नहीं चाहते थे; वे बस फंस गए थे।" उस अवस्था तक पहुँचने की कठिनाई को ध्यान में रखकर, CIRL सही लक्ष्य का अनुमान लगाता है, भले ही विशेषज्ञ को वहाँ पहुँचने में कठिनाई हुई हो।

परिणाम

लेखकों ने रोबोटिक हाथ चलाने से लेकर वस्तुओं को धकेलने और चलने तक, विभिन्न रोबोट कार्यों पर इसका परीक्षण किया।

परिणाम: CIRL ने लगातार अन्य "जीरो-शॉट" तरीकों (वे तरीके जो बिना पुन: प्रशिक्षण के एकल उदाहरण से सीखने की कोशिश करते हैं) को पीछे छोड़ दिया।
प्रमाण: उन्होंने गणितीय रूप से सिद्ध किया कि उनका तरीका "संगत" (consistent) है, जिसका अर्थ है कि यह विश्वसनीय रूप से सही लक्ष्य खोज लेगा, जबकि अन्य समान तरीके कार्य की कठिनाई से धोखा खा सकते हैं।

सारांश

संक्षेप में, CIRL एक तरीका है जिससे आप एक रोबोट को एक आत्मनिर्भर खोजकर्ता बनने के लिए प्रशिक्षित कर सकते हैं। वह एक सैंडबॉक्स (रेत के डिब्बे) में खेलकर समय बिताता है, और खुद से कमरे के किसी भी कोने तक पहुँचने का तरीका सीखता है। फिर, जब वह किसी इंसान को एक बार कुछ करते हुए देखता है, तो वह इंसान की सटीक गतिविधियों की नकल करने की कोशिश नहीं करता। इसके बजाय, वह यह पता लगाता है कि इंसान कहाँ पहुँचने की कोशिश कर रहा था, और उस लक्ष्य तक पहुँचने के लिए अपने सैंडबॉक्स कौशल का उपयोग करता है। यह इसलिए काम करता है क्योंकि यह समझता है कि केवल इसलिए कि किसी स्थान पर बार-बार जाया जाता है, इसका मतलब यह नहीं है कि वह लक्ष्य था—कभी-कभी, लक्ष्य वह स्थान होता है जहाँ पहुँचना सबसे कठिन था।

तकनीकी सारांश: कंट्रास्टिव गोल इन्फरेंस के साथ सुसंगत ज़ीरो-शॉट इमिटेशन

समस्या विवरण (Problem Statement)

यह शोध पत्र ज़ीरो-शॉट इमिटेशन लर्निंग (IL) पर केंद्रित है, जो एक ऐसी स्थिति है जहाँ एक एजेंट को बिना किसी अतिरिक्त वातावरण संपर्क, ग्रेडिएंट अपडेट, या परीक्षण के समय रिवॉर्ड फंक्शन (reward functions) तक पहुँच के, केवल एक प्रदर्शन (demonstration) से विशेषज्ञ व्यवहार को दोहराना होता है। वर्तमान दृष्टिकोण अक्सर प्रदर्शनों की सीधे नकल करने (Behavioral Cloning) या इनवर्स रिइन्फोर्समेंट लर्निंग (IRL) के माध्यम से रिवॉर्ड फंक्शन का अनुमान लगाने पर निर्भर करते हैं। हालाँकि, बिहेवियरल क्लोनिंग 'डिस्ट्रीब्यूशनल शिफ्ट' (distributional shift) से ग्रस्त होती है, और मानक IRL विधियाँ अक्सर रिवॉर्ड इन्फरेंस की अपूर्ण प्रकृति (under-specified nature) के कारण संघर्ष करती हैं, विशेष रूप से विभिन्न अवस्थाओं (states) तक पहुँचने की सापेक्ष कठिनाई (पार्टीशन फंक्शन/partition function) को ध्यान में न रखने के कारण।

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जहाँ एजेंटों को विशुद्ध रूप से स्व-पर्यवेक्षित अंतःक्रिया (self-supervised interaction) (कोई प्रदर्शन नहीं, कोई रिवॉर्ड नहीं, कोई मानव डेटा नहीं) के माध्यम से पूर्व-प्रशिक्षित (pre-trained) किया जाता है ताकि ज्ञान की एक नींव विकसित की जा सके। मुख्य चुनौती यह है कि एजेंट को एक एकल प्रक्षेपवक्र (trajectory) से प्रदर्शक के इरादे (intent) को समझने और उस इरादे को प्राप्त करने के लिए एक नीति (policy) निष्पादित करने में सक्षम बनाना है, बिना किसी और प्रशिक्षण के।

कार्यप्रणाली: कंट्रास्टिव इनवर्स रिइन्फोर्समेंट लर्निंग (CIRL)

प्रस्तावित ढांचा, कंट्रास्टिव इनवर्स रिइन्फोर्समेंट लर्निंग (CIRL), मल्टी-टास्क IRL समस्या को एक गोल-इन्फरेंस (लक्ष्य-अनुमान) समस्या के रूप में पुनर्गठित करता है। यह इस अवलोकन पर आधारित है कि कई कार्यों को एक एकल लक्ष्य अवस्था (goal state) द्वारा संक्षेपित किया जा सकता है। यह विधि तीन प्राथमिक घटकों से मिलकर बनी है जिन्हें प्री-ट्रेनिंग के दौरान एकीकृत किया गया है:

मैक्सिमम एंट्रॉपी कंट्रास्टिव रिइन्फोर्समेंट लर्निंग (MaxEnt CRL):
- एजेंट एक स्व-पर्यवेक्षित उद्देश्य का उपयोग करके एक गोल-कंडीशन्ड पॉलिसी सीखता है।
- यह कंट्रास्टिव रिइन्फोर्समेंट लर्निंग (CRL) को मैक्सिमम एंट्रॉपी (MaxEnt) सेटिंग में विस्तारित करता है। केवल डिस्काउंटेड फ्यूचर रिवॉर्ड्स सीखने के बजाय, एजेंट डिस्काउंटेड फ्यूचर रिवॉर्ड्स और एंट्रॉपी के योग के लिए अनुकूलन (optimize) करता है।
- क्रिटिक फंक्शन $f_{\phi,\psi}(s, a, g)$ नॉइज़ कंट्रास्टिव एस्टीमेशन (NCE) का उपयोग करके डिस्काउंटेड स्टेट ऑक्यूपेंसी मेजर को अनुमानित करता है, जो वर्तमान स्टेट-एक्शन-गोल टुपल को नेगेटिव सैंपल्स से अलग करता है।
- एक्टर एक एंट्रॉपी-रेगुलराइज्ड ऑब्जेक्टिव को मैक्सिमाइज करता है, जिससे एक सॉफ्ट Q-फंक्शन $\tilde{Q}_g(s, a)$ सीखी जाती है।
ऑटोमैटिक गोल प्रपोजल (GoalKDE):
- बाहरी रिवॉर्ड्स के बिना अन्वेषण (exploration) को चलाने के लिए, एजेंट GoalKDE का उपयोग करता है, जो एक ऑटोमैटिक गोल सैंपलिंग तंत्र है।
- यह रीप्ले बफर में विज़िट किए गए स्टेट्स पर एक गॉसियन कर्नेल डेंसिटी एस्टिमेटर (KDE) फिट करता है।
- एजेंट उन स्टेट्स से गोल्स (लक्ष्यों) को सैंपल करता है जिनकी KDE के तहत प्रायिकता (probability) सबसे कम है (कम विज़िट किए गए स्टेट्स), जो एजेंट को स्वायत्त रूप से स्टेट स्पेस का अन्वेषण करने के लिए प्रोत्साहित करता है।
वेरिएशनल गोल इन्फरेंस (Variational Goal Inference):
- टेस्ट के समय, एक प्रदर्शन प्रक्षेपवक्र $\tau$ दिए जाने पर, एजेंट विशेषज्ञ के लक्ष्य $\hat{g}$ का अनुमान लगाता है।
- लेखक सिद्ध करते हैं कि मैक्सिमम एंट्रॉपी IRL के तहत, रिवॉर्ड का अनुमान लगाना लेटेंट गोल (latent goal) का अनुमान लगाने के समान है।
- वे लक्ष्य के पोस्टीरियर डिस्ट्रीब्यूशन को अनुमानित करने के लिए एक मीन-फील्ड वेरिएशनल मॉडल $q_\xi(g|\tau) = \prod_{t=0}^T q_\xi(g|s_t, a_t)$ का उपयोग करते हैं। यह एमोर्टाइज्ड इन्फरेंस मॉडल प्रक्षेपवक्र के आधार पर लक्ष्य की संभावना (likelihood) को अधिकतम करने के लिए प्रशिक्षित किया जाता है, जो प्रभावी रूप से प्रदर्शन से इरादे को "पढ़ना" सीखता है।

प्रमुख सैद्धांतिक योगदान

यह शोध पत्र CIRL पद्धति के लिए सुसंगतता (consistency) का एक सैद्धांतिक प्रमाण प्रदान करता है:

सुसंगत गोल इन्फरेंस: लेखक सिद्ध करते हैं कि CIRL विभिन्न अवस्थाओं तक पहुँचने की सापेक्ष कठिनाई (पार्टीशन फंक्शन $Z_g$ ) को ध्यान में रखकर प्रदर्शक के इरादे को सुसंगत रूप से पुनः प्राप्त करता है।
पूर्ववर्ती कार्यों की असंगतता: वे प्रदर्शित करते हैं कि संरचनात्मक रूप से समान विधियाँ, जैसे फॉरवर्ड-बैकवर्ड (FB) प्रतिनिधित्व, असंगत (inconsistent) हैं। FB विधियाँ पार्टीशन फंक्शन पर विचार किए बिना स्टेट विज़िटेशन काउंट्स के आधार पर रिवॉर्ड का अनुमान लगाती हैं। लेखक एक काउंटर-एग्जांपल (2-स्टेट MDP) प्रदान करते हैं, जो दिखाता है कि FB गलत तरीके से प्रदर्शक की पॉलिसी की पहचान कर सकता है क्योंकि यह उस अंतर को पहचानने में विफल रहता है कि कोई स्टेट आसानी से सुलभ होने के कारण बार-बार विज़िट किया जा रहा है या वह वास्तव में एक कठिन-से-पहुँचने वाला लक्ष्य है।

प्रयोगात्मक परिणाम

लेखक JaxGCRL और अनसुपरवाइज्ड रिइन्फोर्समेंट लर्निंग बेंचमार्क (URLB) वातावरणों (Reacher, Pusher, Ant, और PointMaze कार्यों सहित) पर CIRL का मूल्यांकन करते हैं।

बेसलाइन्स के विरुद्ध प्रदर्शन: CIRL लगातार पूर्व ज़ीरो-शॉट इमिटेशन विधियों से बेहतर प्रदर्शन करता है, जिनमें शामिल हैं:
- 1-नियर्वेस्ट नेबर (1-NN): एक सरल बेसलाइन जो विशेषज्ञ प्रक्षेपवط में निकटतम स्टेट के एक्शन की नकल करती है।
- फॉरवर्ड-बैकवर्ड (FB) प्रतिनिधित्व: ज़ीरो-शॉट RL और इमिटेशन के लिए एक अत्याधुनिक विधि।
- HILP: अनसुपरवाइज्ड प्री-ट्रेनिंग के लिए एक लेटेंट वेरिएबल दृष्टिकोण।
एब्लेशन स्टडीज (Ablation Studies):
- प्री-ट्रेनिंग: स्व-पर्यवेक्षित प्री-ट्रेनिंग के साथ CIRL, बिना प्री-ट्रेनिंग वाले तरीकों की तुलना में काफी बेहतर प्रदर्शन करता है।
- गोल इन्फरेंस: मीन-फील्ड एप्रोक्सिमेशन, जो पूरे प्रक्षेपवत्र को इनपुट के रूप में उपयोग करने वाले मॉडलों की तुलना में सार्वभौमिक रूप से बेहतर प्रदर्शन करता है, बेहतर कम्प्यूटेशनल दक्षता और प्रदर्शन प्रदान करता है।
- एक्सप्लोरेशन: जबकि GoalKDE कुछ वातावरणों (जैसे Reacher) में लगभग पूर्ण इमिटेशन स्कोर प्राप्त करता है, उच्च-आयामी स्थानों (जैसे Ant, PointMaze) में GoalKDE और एक "ओरेकल" गोल सैंपलर के बीच का अंतर बढ़ जाता है, जो जटिल स्टेट स्पेस के लिए अन्वेषण रणनीतियों में सुधार की गुंजाइश का सुझाव देता है।
सामान्यीकरण (Generalization): CIRL सफलतापूर्वक उन पॉलिसियों का अनुकरण करता है जो मानक रिवॉर्ड-मैक्सिमाइजिंग कार्यों (नॉन-गोल-कंडीशन्ड) पर प्रशिक्षित की गई हैं, जो एजेंट की 3D स्थिति और वेग से संबंधित लक्ष्यों का अनुमान लगाकर यह प्रदर्शित करता है कि गोल-स्पेस हाइपोथीसिस जटिल रिवॉर्ड स्ट्रक्चर को कैप्चर कर सकती है।

महत्व और दावे

शोध पत्र का दावा है कि लक्ष्य (goals) व्यवहार के एक संक्षिप्त और अभिव्यंजक सारांश के रूप में कार्य करते हैं। रिवॉर्ड फंक्शन के हाइपोथीसिस स्पेस को गोल-कंडीशन्ड रिवॉर्ड फंक्शन के प्रतिबंधित स्थान में प्रोजेक्ट करके, लेखक दिखाते हैं कि:

दक्षता: जब व्यवहार को गोल-कंडीशन्ड रिवॉर्ड फंक्शन के सीमित स्थान पर प्रोजेक्ट किया जाता है, तो इमिटेशन अधिक कुशल हो जाता है।
सैद्धांतिक शुद्धता: यह विधि सैद्धांतिक रूप से सुसंगत है, जो पार्टीशन फंक्शन को अनदेखा करने के कारण अन्य विधियों के विफल होने वाले स्थानों पर भी सही ढंग से इरादे का अनुमान लगाती है।
स्व-पर्यवेक्षित आधार: यह संभव है कि एजेंटों के लिए विशुद्ध रूप से स्व-पर्यवेक्षित अन्वेषण (लक्ष्य प्रस्तावित करना, उन्हें प्राप्त करने का प्रयास करना, और परिणाम से सीखना) के माध्यम से, प्री-ट्रेनिंग के दौरान किसी भी मानव प्रदर्शन या रिवॉर्ड सिग्नल के बिना, एक इंटरैक्टिव फाउंडेशन बनाया जाए।

लेखक निष्कर्ष निकालते हैं कि यह "कल्पना-और-अभ्यास" (imagine-and-practice) लूप एजेंटों को विविध कार्य वितरणों में हस्तांतरणीय (transferable) नीतियां सीखने में सक्षम बनाता है, जो ज़ीरो-शॉट इमिटेशन के लिए एक मौलिक तंत्र के रूप में लक्ष्यों के पुनर्मूल्यांकन का समर्थन करता है।