🤖 machine learning

Emotion Collider: Dual Hyperbolic Mirror Manifolds for Sentiment Recovery via Anti Emotion Reflection

यह शोध पत्र इमोशन कोलाइडर (EC-Net) प्रस्तुत करता है, जो एक हाइपरबोलिक हाइपरग्राफ फ्रेमवर्क है जो उच्च-क्रम के अर्थ संबंधी संबंधों को संरक्षित करने और क्लास सेपरेशन (वर्ग पृथक्करण) को बढ़ाने के लिए पोइनकेयर-बॉल एम्बेडिंग्स, द्विदिश संदेश पासिंग और कंट्रास्टिव लर्निंग का लाभ उठाकर मजबूत और शोर-प्रतिरोधी मल्टीमॉडल सेंटीमेंट एनालिसिस प्राप्त करता है।

मूल लेखक: Rong Fu, Ziming Wang, Shuo Yin, Haiyun Wei, Kun Liu, Xianda Li, Zeli Su, Simon Fong

प्रकाशित 2026-03-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rong Fu, Ziming Wang, Shuo Yin, Haiyun Wei, Kun Liu, Xianda Li, Zeli Su, Simon Fong

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 अपने एक दोस्त की सच्ची भावनाओं को समझने की कोशिश कर रहे हैं। आप उनके शब्दों (टेक्स्ट) को सुनते हैं, उनकी आवाज़ के लहजे (ऑडियो) को सुनते हैं, और उनके चेहरे के हाव-भाव (वीडियो) को देखते हैं। कभी-कभी, वे कहते हैं "मैं ठीक हूँ" (टेक्स्ट), लेकिन उनकी आवाज़ कांपती है (ऑडियो) और वे उदास दिखते हैं (वीडियो)। इन मिले-जुले संकेतों से वास्तविक भावना को समझना मुश्किल होता है, खासकर कंप्यूटर के लिए, जब कोई एक संकेत गायब हो (जैसे कि एक फ्रीज हुई स्क्रीन वाला वीडियो कॉल) या शोर-शराबे वाला हो (जैसे कि एक खराब माइक्रोफ़ोन)।

पेपर "इमोशन कोलाइडर" (Emotion Collider) एक नया AI सिस्टम पेश करता है जिसे EC-Net कहा जाता है, जिसे इस समस्या को हल करने के लिए डिज़ाइन किया गया है। यह कैसे काम करता है, यहाँ सरल उपमाओं के माध्यम से समझाया गया है:

1. समस्या: सपाट मानचित्र बनाम 3D पदानुक्रम (Flat Maps vs. 3D Hierarchies)

अधिकांश AI मॉडल भावनाओं को समझने के लिए "सपाट" मानचित्रों (यूक्लिडियन स्पेस) का उपयोग करते हैं। कल्पना कीजिए कि आप एक विशाल, जटिल पारिवारिक वृक्ष (family tree) को कागज के एक सपाट टुकड़े पर फिट करने की कोशिश कर रहे हैं। आपको उसकी शाखाओं को सिकोड़ना पड़ेगा, और उनके संबंध विकृत हो जाएंगे।

EC-Net का समाधान:
EC-Net हाइपरबोलिक ज्योमेट्री (Hyperbolic Geometry) का उपयोग करता है। इसे एक सपाट कागज के बजाय, एक विशाल, फैलते हुए कीप (funnel) या एक कोरल रीफ के रूप में सोचें।

इस "कीप" में, केंद्र सरल, व्यापक भावनाओं (जैसे "खुशी" या "दुख") का प्रतिनिधित्व करता है।
जैसे-जैसे आप चौड़े, बाहरी किनारों की ओर बढ़ते हैं, स्थान तेजी से फैलता है, जिससे हजारों विशिष्ट, सूक्ष्म भावनाओं (जैसे "व्यंग्यात्मक खुशी" या "व्याकुल उत्साह") को एक-दूसरे से टकराए बिना फिट किया जा सकता है।
यह AI को स्वाभाविक रूप से यह समझने में सक्षम बनाता है कि कुछ भावनाएं दूसरों की "उप-श्रेणियां" हैं, ठीक वैसे ही जैसे एक पारिवारिक वृक्ष होता है, बिना उनके संबंधों को विकृत किए।

2. मुख्य तंत्र: "दर्पण" की चाल (The "Mirror" Trick)

इस प्रणाली का सबसे अनूठा हिस्सा "इमोशन कोलाइडर" है। कल्पना कीजिए कि आपके पास दो समानांतर ब्रह्मांड हैं:

इमोशन यूनिवर्स (भावना ब्रह्मांड): जहाँ AI वह संग्रहीत करता है जो व्यक्ति महसूस करता है।
एंटी-इमोशन यूनिवर्स (प्रति-भावना ब्रह्मांड): एक "दर्पण दुनिया" जो भावना के विपरीत या भावना के "शोर" का प्रतिनिधित्व करती है।

यह कैसे काम करता है:

AI उपयोगकर्ता के डेटा (टेक्स्ट, आवाज़, वीडियो) को एक साथ दोनों ब्रह्मांडों में प्रोजेक्ट करता है।
फिर यह इन दोनों दुनियाओं के बीच सूचना को इधर-उधर भेजने के लिए एक लर्नेबल मिरर (सीखने योग्य दर्पण) का उपयोग करता है।
उपमा: कल्पना कीजिए कि आप एक अंधेरे कमरे में खोया हुआ खिलौना ढूंढने की कोशिश कर रहे हैं। आप एक दर्पण में टॉर्च (डेटा) की रोशनी डालते हैं। यदि प्रतिबिंब अजीब या विकृत दिखता है, तो आप जानते हैं कि प्रकाश या वस्तु के साथ कुछ गलत है।
"इमोशन" दृश्य की "एंटी-इमोशन" मिरर दृश्य के साथ तुलना करके, AI विसंगतियों को पकड़ सकता है। यदि टेक्स्ट "खुश" कहता है, लेकिन आवाज़ का "मिरर व्यू" "उदास" कहता है, तो सिस्टम इसे एक धोखा देने वाले संकेत (deception cue) या एक जटिल मिश्रित भावना के रूप में चिह्नित करता है।

3. लापता हिस्सों को संभालना: "खाली जगह भरने वाला" कलाकार (The "Fill-in-the-Blank" Artist)

वास्तविक जीवन में, डेटा अक्सर टूटा हुआ होता है। हो सकता है कि कैमरा फ्रीज हो गया हो, या माइक्रोफ़ोन बंद हो गया हो।

पुराना AI: घबरा जाता है और बेतरतीब ढंग से अनुमान लगाता है, जिससे अक्सर गलती होती है।
EC-Net: मिरर और फनल का उपयोग करके लापता हिस्से को पुनर्गठित करता है।
- क्योंकि सिस्टम हाइपरबोलिक फनल में भावनाओं के "आकार" को समझता है, इसलिए वह जानता है कि यदि आपके पास किसी विशिष्ट भावना की "आवाज़" और "चेहरा" है, तो "टेक्स्ट" को फनल के एक विशिष्ट स्थान में फिट होना ही होगा।
- यह प्रभावी रूप से लापता डेटा को गणितीय रूप से सही तरीके से "हैलुसिनेट" (कल्पना) करता है, खाली जगह को भर देता है ताकि AI अभी भी एक अच्छा अनुमान लगा सके।

4. "हाइपरग्राफ" का गोंद (The "Hypergraph" Glue)

अंत में, यह प्रणाली "हाइपरग्राफ" नामक चीज़ का उपयोग करती है।

सामान्य ग्राफ: एक बार में दो बिंदुओं को जोड़ते हैं (A, B से जुड़ता है)।
हाइपरग्राफ: एक साथ बिंदुओं के पूरे समूह को जोड़ सकते हैं (A, B, C और D सभी एक साथ जुड़ते हैं)।
उपमा: कल्पना कीजिए कि एक ग्रुप चैट है। एक सामान्य ग्राफ केवल यह देखता है कि किसने किसे जवाब दिया। एक हाइपरग्राफ एक साथ पूरे बातचीत के संदर्भ को देखता है, यह समझते हुए कि मैसेज #1 में मजाक, मैसेज #2 में हंसी और मैसेज #3 में आह, सभी एक ही "भावनात्मक क्षण" से संबंधित हैं।

यह क्यों महत्वपूर्ण है

मजबूती (Robustness): यह तब भी काम करता है जब वीडियो धुंधला हो, ऑडियो शोर भरा हो, या कैमरा बंद हो।
धोखाधड़ी का पता लगाना (Deception Detection): यह पहचान सकता है कि कोई झूठ बोल रहा है या व्यंग्य कर रहा है क्योंकि उनका "मिरर रिफ्लेक्शन" उनके "असली चेहरे" से मेल नहीं खाता।
सटीकता (Accuracy): परीक्षणों में, इसने मानक इमोशन डेटासेट्स पर अन्य सभी AI मॉडलों को पछाड़ दिया, विशेष रूप से तब जब डेटा अव्यवस्थित या अधूरा था।

संक्षेप में:
इमोशन कोलाइडर एक सुपर-स्मार्ट जासूस की तरह है जो न केवल आपकी बातों को सुनता है, बल्कि एक 3D स्पेस में आपकी भावनाओं के "आकार" को देखता है, विरोधाभासों को खोजने के लिए उन्हें एक दर्पण दुनिया के साथ जांचता है, और आपकी सच्ची भावनाओं को समझने के लिए लापता सुरागों को भर सकता है, भले ही सबूत अधूरे हों।

यहाँ "Emotion Collider: Dual Hyperbolic Mirror Manifolds for Sentiment Recovery via Anti-Emotion Reflection" (रोंग फू और अन्य द्वारा) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मल्टीमॉडल सेंटीमेंट एनालिसिस (MSA) तीन महत्वपूर्ण चुनौतियों का सामना करता है जिन्हें मौजूदा यूक्लिडियन-आधारित (Euclidean-based) विधियाँ एक साथ हल करने में संघर्ष करती हैं:

पदानुक्रमित प्रतिनिधित्व (Hierarchical Representation): भावनात्मक डेटा में अक्सर अंतर्निहित पदानुक्रमित संरचनाएं होती हैं (जैसे, सूक्ष्म बारीकियां बनाम व्यापक श्रेणियां) जिन्हें यूक्लिडियन ज्यामिति विकृत कर देती है। मानक ग्राफ मॉडल आमतौर पर केवल युग्मवार (pairwise) संबंधों को कैप्चर करते हैं, जिससे विभिन्न मोडैलिटीज और समय के बीच उच्च-क्रम की निर्भरताओं (higher-order dependencies) को मॉडल करने में विफलता होती है।
लापता और शोर युक्त मोडैलिटीज (Missing and Noisy Modalities): वास्तविक दुनिया के परिदृश्यों में, मोडैलिटीज (टेक्स्ट, ऑडियो, विजुअल) अक्सर आंशिक रूप से गायब या दूषित होती हैं। मौजूदा पुनर्निर्माण (reconstruction) विधियाँ अक्सर मोडैलिटी-विशिष्ट वैश्विक सांख्यिकी को अनदेखा करती हैं या एकल साझा लेटेंट डिस्ट्रीब्यूशन पर निर्भर करती हैं, जिससे कम-सटीक रिकवरी होती है।
ज्यामितीय मजबूती का अभाव (Lack of Geometric Robustness): वर्तमान दृष्टिकोणों में उन "एंटी-इमोशन" (anti-emotion) या असंगत संकेतों को स्पष्ट रूप से मॉडल करने के लिए तंत्र की कमी है जो तब उत्पन्न होते हैं जब मोडैलिटीज एक-दूसरे के विपरीत होती हैं (जो कि धोखे या व्यंग्य का एक प्रमुख संकेतक है), जिससे जटिल, शोर वाले इनपुट को संभालने की मॉडल की क्षमता सीमित हो जाती है।

2. कार्यप्रणाली: इमोशन कोलाइडर (EC-Net)

EC-Net एक एकीकृत ढांचा है जो हाइपरबोलिक ज्यामिति (hyperbolic geometry), हाइपरग्राफ फ्यूजन (hypergraph fusion), और मिरर-स्पेस रिकंस्ट्रक्शन (mirror-space reconstruction) को संबोधित करने के लिए इन्हें एकीकृत करता है।

A. डुअल हाइपरबोलिक मैनिफोल्ड आर्किटेक्चर (Dual Hyperbolic Manifold Architecture)

मुख्य नवाचार दो अलग-अलग पोइनकेयर बॉल मैनिफोल्ड्स (Poincaré ball manifolds) का उपयोग है:

इमोशन मैनिफोल्ड ( $M_E$ ): प्राथमिक सेंटीमेंट पदानुक्रम को मॉडल करता है।
एंटी-इमोशन मैनिफोल्ड ( $M_A$ ): "एंटी-इमोशन" या असंगत स्थान को मॉडल करता है।

एम्बेडिंग (Embedding): टेक्स्ट ( $L$ ), ऑडियो ( $A$ ), और विजुअल ( $V$ ) मोडैलिटीज से इनपुट फीचर्स को दोनों मैनिफोल्ड्स के टेंजेंट स्पेस में प्रोजेक्ट किया जाता है और हाइपरबोलिक एम्बेडिंग्स ( $h_E$ और $h_A$ ) प्राप्त करने के लिए एक्सपोनेंशियल मैप के माध्यम से मैप किया जाता है।
इंटर-कर्वेचर डिफियोमोर्फिज्म (Inter-Curvature Diffeomorphism): मैनिफोल्ड्स के अलग-अलग कर्वेचर ( $c_E, c_A$ ) होते हैं। एक रेडियल रीस्केलिंग मैप $\Phi$ उनके बीच एक डिफियोमोर्फिक मैपिंग की अनुमति देता है, जिससे मॉडल को इमोशन और एंटी-इमोशन स्पेस के बीच संबंध सीखने में मदद मिलती है।

B. डिफरेंशिएबल मिरर लेयर (Differentiable Mirror Layer - Learnable Involution)

लापता मोडैलिटीज को रिकवर करने और निरंतरता लागू करने के लिए, EC-Net एक डिफरेंशिएबल मिरर लेयर का उपयोग करता है:

तंत्र (Mechanism): यह $g_\phi: M_E \to M_A$ और $f_\psi: M_A \to M_E$ के एक जोड़े को सीखता है, जो एक अनुमानित इनवोल्यूशन (involution) के रूप में कार्य करता है (जहाँ $f(g(h)) \approx h$ )।
रेगुलराइजेशन (Regularization): मॉडल पोइनकेयर दूरी का उपयोग करके एक साइकिल लॉस ( $L_{cycle}$ ) और एक इनवोल्यूशन लॉस ( $L_{inv}$ ) को कम करता है।
रीमानियन इम्पोर्टेंस री-वेटिंग (Riemannian Importance Re-weighting): यूक्लिडियन स्पेस बनाम रीमानियन मैनिफोल्ड में सैंपलिंग के कारण होने वाले वॉल्यूम डिस्टॉर्शन को ठीक करने के लिए, लॉस फंक्शन्स पर एक वेट $w(h) = (1 - c\|h\|^2)^{-n}$ लागू किया जाता है, जो प्रशिक्षण स्थिरता में काफी सुधार करता है।

C. मिरर-स्पेस इम्प्लिसिट स्कोर मैचिंग (Mirror-Space Implicit Score Matching)

लापता मोडैलिटीज को रिकवर करने के लिए, सिस्टम सेंटीमेंट वेरिएशन को एक स्मूथ वेक्टर फील्ड के रूप में मानता है।

वेक्टर फील्ड (Vector Field): एक स्थानीय सेंटीमेंट वेक्टर फील्ड $V$ को $M_E$ पर मॉडल किया जाता है।
डिनोइजिंग स्कोर मॉडल (Denoising Score Model): स्पष्ट डेंसिटी एस्टीमेशन (जो इनवोल्यूशन के तहत कठिन है) के बजाय, EC-Net मिरर स्पेस में एक डिनोइजिंग स्कोर मॉडल $s_\theta$ को प्रशिक्षित करता है। यह शोर को सैंपल करता है, मिरर स्पेस में रिवर्स डिफ्यूजन चलाता है, और लापता इमोशन वेक्टर फील्ड $\hat{V}$ को पुनर्निर्मित करने के लिए परिणाम को $f_\psi$ के माध्यम से वापस मैप करता है।

D. हाइपरग्राफ फ्यूजन और प्रॉपर्टी अवेयरनेस (Hypergraph Fusion and Property Awareness)

हाइपरग्राफ निर्माण (Hypergraph Construction): मॉडल मोडैलिटीज और समय चरणों के बीच नोड्स को जोड़ने वाले एडेप्टिव हाइपरएजेस का निर्माण करता है, जो नोड्स और हाइपरएजेस के बीच द्विदिश संदेश पासिंग (bidirectional message passing) को सक्षम बनाता है ताकि उच्च-क्रम की अंतःक्रियाओं को कैप्चर किया जा सके।
प्रॉपर्टी एम्बेडिंग (Property Embedding): प्रत्येक मोडैलिटी के लिए एक साझा प्रॉपर्टी एम्बेडिंग $P^{(m)}$ बनाए रखी जाती है। मॉडल फीचर्स को सैंपल-विशिष्ट घटकों ( $\Sigma$ ) और सैंपल-इनवेरिएंट घटकों ( $\mu$ ) में विभाजित करता है।
ऑर्थोगोनैलिटी (Orthogonality): एक स्पष्ट ऑर्थोगोनैलिटी पेनल्टी यह सुनिश्चित करती है कि सैंपल-विशिष्ट भिन्नताएं वैश्विक मोडैलिटी गुणों में हस्तक्षेप न करें, जिससे मजबूती बढ़ती है।

E. एसिमेट्री डेसेप्शन क्यू (Asymmetry Deception Cue)

युग्मित मैनिफोल्ड्स के बीच ज्यामितीय विसंगति को एक एसिमेट्री स्कोर ( $s_{asym}$ ) के रूप में क्वांटिफाई किया जाता है:
$s_{asym}(u) = d_P(h_{fus}^E, f_\psi(g_\phi(h_{fus}^E)))$
उच्च मान इमोशन और एंटी-इमोशन स्पेस के बीच ज्यामितीय विसंगति को दर्शाते हैं, जो धोखे, व्यंग्य या अविश्वसनीय भविष्यवाणियों के लिए एक मजबूत संकेत के रूप में कार्य करता है।

3. मुख्य योगदान (Key Contributions)

हाइपरबोलिक हाइपरग्राफ फ्रेमवर्क: मल्टीमॉडल सेंटीमेंट के लिए पोइनकेयर एम्बेडिंग्स को हाइपरग्राफ फ्यूजन के साथ मिलाने वाला पहला मॉडल, जो मोडैलिटी पदानुक्रम और उच्च-क्रम निर्भरता को स्पष्ट रूप से मॉडल करता है।
डुअल-मैनिफोल्ड मिरर मैकेनिज्म: इमोशन और एंटी-इमोशन मैनिफोल्ड के बीच एक लर्न करने योग्य इनवोल्यूशन पेश करता है, जो स्पष्ट जैकोबियन गणना के बिना इम्प्लिसिट स्कोर मैचिंग के माध्यम से लापता डेटा के मजबूत पुनर्निर्माण को सक्षम बनाता है।
प्रॉपर्टी-अवेयर ऑर्थोगोनल डिकंपोजिशन: मोडैलिटी-विशिष्ट वैश्विक सांख्यिकी से सैंपल-विशिष्ट शोर को अलग करने के लिए एक नवीन रणनीति, जो लापता मोडैलिटीज के तहत मजबूती में सुधार करती है।
ज्यामितीय विषमता संकेत (Geometric Asymmetry Cue): डुअल-मैनिफोल्ड दूरी से प्राप्त एक ज्यामितीय मीट्रिक प्रस्तावित करता है जो मानव धोखे के लेबल के साथ दृढ़ता से सह-संबंधित है, जो असंगत मल्टीमॉडल इनपुट के लिए एक व्याख्यात्मक संकेत प्रदान करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

मॉडल का मूल्यांकन मानक बेंचमार्क पर किया गया: CMU-MOSI, CMU-MOSEI, और IEMOCAP।

फुल मोडैलिटी परफॉरमेंस: EC-Net ने स्टेट-ऑफ-द-आर्ट (SOTA) परिणाम प्राप्त किए।
- CMU-MOSI पर, इसने 90.9% Acc2 और 90.9% F1 प्राप्त किया (रनर-अप, MSAmba के 87.4% के मुकाबले)।
- IEMOCAP पर, इसने 83.5% वेटेड एक्यूरेसी प्राप्त की (SeeNet के 78.5% के मुकाबले)।
लापता मोडैलिटी मजबूती (Missing Modality Robustness):
- फिक्स्ड मिसिंग पैटर्न (जैसे, केवल टेक्स्ट या केवल ऑडियो उपलब्ध है) के तहत, EC-Net ने GCNet और IMDer जैसे बेसलाइन्स को महत्वपूर्ण अंतर से पछाड़ दिया (जैसे, सिंगल-मोडैलिटी परिदृश्यों में +6-10% Acc2)।
- इसने 70% तक के ग्लोबल मिसिंग रेट के साथ भी उच्च सटीकता बनाए रखी।
करप्शन के प्रति मजबूती (Robustness to Corruption): सिंथेटिक शोर (ब्लर, साल्ट-एंड-पेपर, टोकन रीऑर्डरिंग) के तहत, EC-Net ने अन्य विधियों की तुलना में न्यूनतम प्रदर्शन गिरावट दिखाई।
डेसेप्शन डिटेक्शन: एसिमेट्री क्यू ( $s_{asym}$ ) ने मानव धोखे के लेबल के साथ 0.44 का स्पीयरमैन सहसंबंध (Spearian correlation) प्राप्त किया, जो लॉजिस्टिक रिग्रेशन बेसलाइन्स (0.18) और अन्य SOTA मॉडल्स से काफी बेहतर है।
एब्लेशन स्टडीज (Ablation Studies): पुष्टि की कि प्रॉपर्टी पाथवे और रिकंस्ट्रक्शन मॉड्यूल प्रदर्शन वृद्धि के प्राथमिक चालक थे।

5. महत्व और प्रभाव (Significance and Impact)

सैद्धांतिक प्रगति: यह पेपर डिफरेंशियल ज्योमेट्री और मल्टीमॉडल लर्निंग को जोड़ता है, यह प्रदर्शित करता है कि मानव भावनाओं की पदानुक्रमित प्रकृति को कैप्चर करने के लिए हाइपरबोलिक स्पेस बेहतर है।
व्यावहारिक लचीलापन: "एंटी-इमोशन" को स्पष्ट रूप से मॉडल करके और मिरर-स्पेस रिकंस्ट्रक्शन का उपयोग करके, EC-Net वास्तविक दुनिया के अनुप्रयोगों के लिए एक मजबूत समाधान प्रदान करता है जहाँ डेटा अक्सर अधूरा या शोर वाला होता है (जैसे, खराब ऑडियो के साथ वीडियो कॉन्फ्रेंसिंग, या गायब टेक्स्ट के साथ सोशल मीडिया)।
व्याख्यात्मकता (Interpretability): ज्यामितीय विषमता स्कोर (geometric asymmetry score) व्यंग्य और धोखे का पता लगाने के लिए एक गणितीय रूप से आधारित, व्याख्यात्मक मीट्रिक प्रदान करता है, जो ब्लैक-बॉक्स भविष्यवाणियों से आगे जाता है।
दक्षता (Efficiency): जटिल आर्किटेक्चर के बावजूद, EC-Net उचित कम्प्यूटेशनल ओवरहेड (लग लगभग 2.3 GFLOPs) बनाए रखता है और स्थिर रूप से कन्वर्ज होता है, जिससे यह तैनाती के लिए व्यवहार्य बनता है।

संक्षेप में, इमोशन कोलाइडर हाइपरबोलिक स्पेस के ज्यामितीय गुणों का लाभ उठाकर मल्टीमॉडल सेंटीमेंट एनालिसिस में एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है, जो लापता डेटा और संघर्षित भावनात्मक संकेतों की जटिलताओं को संभालने में सक्षम एक लचीला, उच्च-सटीक सिस्टम बनाता है।