💻 computer science

HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning

यह शोध पत्र HyCal को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त प्रोटोटाइप अंशांकन (prototype calibration) विधि है जो विषम डोमेन में डेटा असंतुलन के कारण होने वाली एक प्रतिनिधि विषमता (representational asymmetry) "डोमेन ग्रेविटी" (Domain Gravity) को कम करती है, ताकि फ्रोजन विजन-लैंग्वेज मॉडल्स का उपयोग करके विविध विषयों में सुदृढ़ फ्यू-शॉट क्लास-इन्क्रीमेंटल लर्निंग को सक्षम बनाया जा सके।

मूल लेखक: Eunju Lee, MiHyeon Kim, JuneHyoung Kwon, Yoonji Lee, JiHyun Kim, Soojin Jang, YoungBin Kim

प्रकाशित 2026-04-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eunju Lee, MiHyeon Kim, JuneHyoung Kwon, Yoonji Lee, JiHyun Kim, Soojin Jang, YoungBin Kim

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 HYCAL पेपर का सरल भाषा, उपमाओं (analogies) और रूपकों (metaphors) का उपयोग करके दिया गया स्पष्टीकरण है।

बड़ी तस्वीर: "सुपर-स्टूडेंट" की समस्या

कल्पना कीजिए कि आपके पास एक प्रतिभाशाली छात्र है (मान लीजिए कि वह CLIP है) जिसने दुनिया की लगभग हर किताब पढ़ ली है। वह एक "विज़न-लैंग्वेज मॉडल" है, जिसका अर्थ है कि वह एक तस्वीर देख सकता है और उसका सटीक वर्णन कर सकता है।

अब, कल्पना कीजिए कि आप इस छात्र को हर सप्ताह एक नया, विशिष्ट कौशल सिखाना चाहते हैं, लेकिन एक शर्त के साथ:

फ्यू-शॉट (Few-Shot): आप उसे उस नई चीज़ के केवल 3 या 5 उदाहरण दिखाते हैं (जैसे, "ये एक विशिष्ट प्रकार के दुर्लभ ऑर्किड की 3 तस्वीरें हैं")।
क्लास-इन्क्रीमेंटल (Class-Incremental): आप उसे उन पुरानी चीज़ों को भूलने नहीं देते जो उसने पहले सीखी थीं।
क्रॉस-डिसीप्लिन (Cross-Discipline): विषय एक-दूसरे से बिल्कुल अलग हैं। एक सप्ताह यह मेडिकल एक्स-रे है, अगले सप्ताह शहरों के हवाई फोटो हैं, और अगले सप्ताह अमूर्त कला (abstract art) है।

समस्या:
छात्र बहुत अच्छा है, लेकिन उसकी एक बुरी आदत है। जब वह किसी ऐसे नए विषय को सीखता है जिसके पास बहुत सारे उदाहरण हैं या जो बहुत "साफ-सुथरा" है (जैसे फूलों की स्पष्ट तस्वीरें), तो वह उसके प्रति जुनूनी हो जाता है। वह उन विषयों को अनदेखा करने लगता है जो बिखरे हुए, दुर्लभ या जिनके उदाहरण बहुत कम हैं (जैसे धुंधले एक्स-रे)।

पेपर इसे "डोमेन ग्रेविटी" (Domain Gravity) कहता है।

उपमा: छात्र के मस्तिष्क को एक सौर मंडल के रूप में सोचें। "भारी" ग्रह (डेटा-समृद्ध, आसान विषय जैसे फूल या कारें) का गुरुत्वाकर्षण बहुत शक्तिशाली होता है। वे छात्र का ध्यान और स्मृति अपनी ओर खींच लेते हैं। "हल्के" ग्रह (डेटा-कमी वाले, कठिन विषय जैसे मेडिकल स्कैन या बनावट/textures) कक्षा से बाहर फेंक दिए जाते हैं और भुला दिए जाते हैं। छात्र फूलों का उस्ताद तो बन जाता है, लेकिन वह एक्स-रे पढ़ना भूल जाता है।

समाधान: HYCAL (संतुलित तराजू)

लेखकों ने HYCAL (हाइब्रिड प्रोटोटाइप कैलिब्रेशन) नामक एक विधि प्रस्तावित की है। यह एक "ट्रेनिंग-फ्री" समाधान है, जिसका अर्थ है कि वे छात्र को दोबारा नहीं पढ़ाते या उसके मस्तिष्क को नहीं बदलते। इसके बजाय, वे बस छात्र को चीजों को मापने के लिए एक बेहतर रूलर (पैमाना) देते हैं।

यहाँ बताया गया है कि HYCAL कैसे काम करता है, जिसे दो सरल उपकरणों में विभाजित किया गया है:

1. दिशा-सूचक यंत्र (कोसाइन सिमिलैरिटी - Cosine Similarity)

यह क्या करता है: यह पूछता है, "क्या यह नई तस्वीर पुराने उदाहरणों की तरह ही एक ही दिशा में संकेत करती है?"
उपमा: कल्पना कीजिए कि आप भीड़ में अपने दोस्त को खोजने की कोशिश कर रहे हैं। आप देखते हैं कि वह किस दिशा में देख रहा है। यदि आपका दोस्त आमतौर पर उत्तर की ओर देखता है, और यह व्यक्ति भी उत्तर की ओर देख रहा है, तो हो सकता है कि वह आपका दोस्त हो। यह उपकरण सामान्य "वाइब" या ओरिएंटेशन को पहचानने में अच्छा है।
खामी: इसे इस बात से कोई फर्क नहीं पड़ता कि समूह कितना फैला हुआ है। यदि आपके दोस्त का समूह एक छोटा घेरा है, या एक बिखरा हुआ ढेर, तो दिशा-सूचक यंत्र अंतर नहीं समझ पाता।

2. इलास्टिक बैंड (महालानोबिस डिस्टेंस - Mahalanobis Distance)

यह क्या करता है: यह पूछता है, "इस तस्वीर का केंद्र से कितनी दूरी है, यह ध्यान में रखते हुए कि समूह आमतौर पर कितना फैला हुआ रहता है?"
उपमा: कल्पना कीजिए कि आपके दोस्त का समूह एक घेरे में खड़ा है। इलास्टिक बैंड केंद्र से दूरी को मापता है, लेकिन यह इस आधार पर खिंचता या सिकुड़ता है कि घेरा कितना ढीला या सख्त है। यदि समूह बिखरा हुआ (उच्च एंट्रॉपी) है, तो बैंड उन्हें शामिल करने के लिए खिंच जाता है। यदि वे सघन हैं, तो बैंड वापस खिंच जाता है।
खामी: यदि समूह बहुत छोटा है (केवल 3 उदाहरण), तो यह जानना मुश्किल होता कि बैंड कितना "इलास्टिक" होना चाहिए।

जादुई ट्रिक: दोनों को मिलाना

पेपर को एहसास होता है कि डोमेन ग्रेविटी तब होती है जब छात्र डेटा के असंतुलित होने पर एक उपकरण या दूसरे पर बहुत अधिक निर्भर हो जाता है।

HYCAL की रणनीति: यह एक ही समय में दोनों उपकरणों का उपयोग करता है।
- यह सामान्य दिशा प्राप्त करने के लिए दिशा-सूचक यंत्र (Compass) का उपयोग करता है।
- यह जांचने के लिए कि क्या नया आइटम उस समूह के विशिष्ट "आकार" में फिट बैठता है, यह इलास्टिक बैंड का उपयोग करता है।
- डायनेमिक वेट (Dynamic Weight): इसमें एक स्मार्ट स्विच है। यदि किसी विषय के उदाहरण बहुत कम हैं (जैसे दुर्लभ ऑर्किड), तो यह सावधान रहने के लिए इलास्टिक बैंड पर अधिक निर्भर होता है। यदि किसी विषय के कई उदाहरण हैं, तो यह दिशा-सूचक यंत्र पर अधिक निर्भर होता है।

परिणाम:
छात्र अब दुर्लभ और बिखरे हुए विषयों को सीख सकता है बिना उन चीज़ों को भूले जो उसने पहले सीखी थीं। "भारी ग्रह" (फूल) "हल्के ग्रहों" (एक्स-रे) को कक्षा से बाहर नहीं फेंक पाते। छात्र संतुलित रहता है।

यह एक बड़ी बात क्यों है?

पुनः प्रशिक्षण की आवश्यकता नहीं (No Re-Training): आमतौर पर, उस छात्र को ठीक करने के लिए जो चीजें भूल रहा है, आपको उसे फिर से पढ़ाना पड़ता है (जिसमें बहुत समय और पैसा लगता है)। HYCAL उसे एक नया चश्मा देने जैसा है। उसे पढ़ाई करने की ज़रूरत नहीं है; वह बस तुरंत चीजों को अधिक स्पष्टता से देख सकता है।
वास्तविक दुनिया के लिए तैयार: वास्तविक दुनिया में, डेटा कभी भी परफेक्ट नहीं होता। हमारे पास बिल्लियों की ढेरों तस्वीरें हैं, लेकिन दुर्लभ बीमारियों की बहुत कम तस्वीरें हैं। मौजूदा AI विधियाँ यहाँ विफल हो जाती हैं क्योंकि वे "ग्रेविटी-सिक" (गुरुत्वाकर्षण से ग्रस्त) हो जाती हैं। HYCAL स्वस्थ रहता है।
बेंचमार्क (XD-VSCIL): लेखकों ने केवल समस्या को ठीक नहीं किया; उन्होंने एक नया टेस्ट (जिसे XD-VSCIL कहा जाता है) भी बनाया जो इस बिखरी हुई, वास्तविक दुनिया की अराजकता की नकल करता है। यह ड्राइविंग टेस्ट को एक सीधे, खाली हाईवे से बदलकर एक अराजक शहर (जिसमें गड्ढे, ट्रैफिक और पैदल यात्री हैं) में बदलने जैसा है, ताकि यह देखा जा सके कि क्या कार (AI) वास्तव में वास्तविक जीवन को संभाल सकती है।

एक वाक्य में सारांश

HYCAL एक चतुर, मुफ्त-उपलब्ध ट्रिक है जो AI को कठिन और दुर्लभ विषयों को अनदेखा करने से रोकने में मदद करती है। यह समानता को मापने के दो अलग-अलग तरीकों को जोड़कर काम करता है, जिससे यह सुनिश्चित होता है कि AI बिना पुन: प्रशिक्षित हुए सब कुछ समान रूप से सीख सके।

यहाँ शोध पत्र "HYCAL: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा (Problem Definition)

यह शोध पत्र वास्तविक दुनिया के विषम (heterogeneous) परिदृश्यों में लागू होने वाले Few-Shot Class-Incremental Learning (FSCIL) के एक महत्वपूर्ण अंतराल को संबोधित करता है।

मौजूदा विधियों की सीमा: मानक FSCIL और क्रॉस-डोमेन FSCIL विधियाँ आमतौर पर सजातीय (homogeneous) विजुअल डोमेन और संतुलित डेटा वितरण मानती हैं। वे तब विफल हो जाती हैं जब डेटा विविध विषयों (जैसे, मेडिकल इमेजिंग बनाम टेक्सचर) से आता है जिसमें विजुअल जटिलता और नमूनों की उपलब्धता भिन्न होती है।
मुख्य घटना: डोमेन ग्रेविटी (Domain Gravity): लेखक एक संरचनात्मक पूर्वाग्रह की पहचान करते हैं जिसे डोमेन ग्रेविटी कहा जाता है। यह एक प्रतिनिधि विषमता (representational asymmetry) है जहाँ अत्यधिक प्रतिनिधित्व वाले या कम-एन्ट्रॉपी वाले डोमेन (डेटा-समृद्ध या विजुअल रूप से सुसंगत) CLIP जैसे प्री-ट्रेन्ड विजन-लैंग्वेज मॉडल्स (VLMs) के साझा एम्बेडिंग स्पेस को असमान रूप से प्रभावित करते हैं।
- परिणाम: इसके कारण "प्रोटोटाइप ड्रिफ्ट" होता है, जहाँ मॉडल के निर्णय क्षेत्र (decision boundaries) प्रमुख डोमेन की ओर स्थानांतरित हो जाते हैं, जिससे कैटास्ट्रोफिक फॉरगेटिंग (विस्मृति) होती है और कम प्रतिनिधित्व वाले या उच्च-एन्ट्रॉपी डोमेन (जैसे, मेडिकल इमेज या दुर्लभ टेक्सचर) पर प्रदर्शन गिर जाता है।
प्रस्तावित सेटिंग: XD-VSCIL: इसका कठोर मूल्यांकन करने के लिए, लेखक Cross-Discipline Variable Few-Shot Class-Incremental Learning (XD-VSCIL) पेश करते हैं। मानक सेटिंग्स के विपरीत, XD-VSCIL में विभिन्न शैक्षणिक विषयों से संबंधित क्रमिक कार्य (sequential tasks) शामिल हैं जिनमें निम्नलिखित विशेषताएं हैं:
- प्रति कार्य परिवर्तनशील क्लास काउंट।
- प्रति क्लास परिवर्तनशील सैंपल काउंट (अत्यधिक असंतुलित)।
- कार्यों के बीच महत्वपूर्ण वितरण बदलाव (distribution shifts)।

2. कार्यप्रणाली: HYCAL

लेखक HYCAL (Hybrid Prototype Calibration) प्रस्तावित करते हैं, जो एक ट्रेनिंग-फ्री विधि है जो फ्रोजन (frozen) CLIP एम्बेडिंग्स पर कार्य करती है। इसके लिए किसी बैकबोन फाइन-ट्यूनिंग, अतिरिक्त पैरामीटर्स, या मॉडल विस्तार की आवश्यकता नहीं है।

मुख्य तंत्र (Core Mechanism)

HYCAL दो पूरक ज्यामितीय मेट्रिक्स को फ्यूज करके क्लास प्रोटोटाइप को कैलिब्रेट करता है:

कोसाइन सिमिलैरिटी (Cosine Similarity): यह दिशात्मक संरेखण (ग्लोबल ओरिएंटेशन) को कैप्चर करता है। यह मैग्नीट्यूड शिफ्ट के प्रति मजबूत है और एक स्थिर वैश्विक संरचना प्रदान करता है।
महालनोबिस डिस्टेंस (Mahalanobis Distance): यह कोवेरिएंस-अवेयर मैग्नीट्यूड को कैप्चर करता है। यह क्लास के भीतर डेटा की विशिष्ट भिन्नता (variance) और सहसंबंध संरचना (correlation structure) को ध्यान में रखता है, जिससे डोमेन-विशिष्ट एन्ट्रॉपी और स्केल अंतरों को ठीक किया जा सके।

सैद्धांतिक आधार (Theoretical Basis)

पूरकता (Complementarity): शोध पत्र सिद्ध करता है (थ्योरम 1 और 2) कि आइसोट्रोपिक स्थितियों के तहत, कोसाइन सिमिलैरिटी अंतर वेक्टर के दिशा (direction) पर निर्भर करती है, जबकि महालनोबिस डिस्टेंस मैग्नीट्यूड (magnitude/norm) पर निर्भर करता है। चूंकि ये सांख्यिकीय रूप से स्वतंत्र हैं, इसलिए दोनों को मिलाने से अकेले किसी भी मेट्रिक की तुलना में क्लास लेबल के बारे में अधिक म्यूचुअल इंफॉर्मेशन प्राप्त होती है।
वास्तविक VLMs में एनिसोट्रॉपी (Anisotropy): वास्तविक दुनिया के VLMs में एम्बेडिंग्स एनिसोट्रोपिक होती हैं। लेखक तर्क देते हैं कि यह एनिसोट्रॉपी वास्तव में इस पूरकता को मजबूत करती है, क्योंकि डोमेन शिफ्ट दिशा और मैग्नीट्यूड को अलग-अलग तरह से विकृत करते हैं, जिससे दोनों संकेतों का फ्यूजन आवश्यक हो जाता है।

एल्गोरिदम वर्कफ़्लो (Algorithmic Workflow)

प्रोटोटाइप निर्माण: फ्यू-शॉट सेटिंग में प्रत्येक नए क्लास $c$ $c$ के लिए, HYCAL एक फ्यूज्ड एम्बेडिंग (इमेज और टेक्स्ट एम्बेडिंग का योग) की गणना करता है।
- यह मीन एम्बेडिंग ( $\mu_c$ ) की गणना करता है।
- यह एम्पिरिकल कोवेरिएंस ( $\Sigma_c$ ) का अनुमान लगाता है और स्थिरता सुनिश्चित करने के लिए रेगुलराइजेशन ( $\Sigma^{reg}_c = (1-\lambda)\Sigma_c + \lambda \gamma I$ ) लागू करता है।
हाइब्रिड डिस्टेंस कैलिब्रेशन: इन्फरेंस के दौरान, एक टेस्ट सैंपल $z_{test}$ $z_{t es t}$ और क्लास प्रोटोटाइप $P_c = \{\mu_c, \Sigma_c^{-1}\}$ $P_{c} = {μ_{c}, Σ_{c}^{- 1}}$ के लिए, HYCAL गणना करता है:
- $d_{maha}$ : महालनोबिस डिस्टेंस (नॉर्मलाइज्ड)।
- $s_{cos}$ : कोसाइन सिमिलैरिटी।
डायनेमिक वेटेड समेशन: अंतिम भविष्यवाणी क्लास के लिए उपलब्ध नमूनों की संख्या ( $K_c$ ) के आधार पर इन दो मेट्रिक्स को एडैप्टिवली वेट करने से निर्धारित होती है:
$c_{pred} = \arg \max_c \left[ w_c \cdot d_{maha} + (1-w_c) \cdot s_{cos} \right]$
जहाँ $w_c$ , $K_c$ का एक सिग्मॉइड फंक्शन है। यह मॉडल को तब अधिक कोवेरिएंस (महालनोबिस) पर निर्भर होने देता है जब पर्याप्त डेटा उपलब्ध हो, और अत्यंत दुर्लभ स्थितियों में दिशात्मक संरेखण (कोसाइन) की ओर शिफ्ट हो जाता है।

3. मुख्य योगदान (Key Contributions)

डोमेन ग्रेविटी की पहचान: VLM-आधारित कंटीन्युअल लर्निंग में एक नए संरचनात्मक पूर्वाग्रह की औपचारिक परिभाषा, जहाँ डोमेन असंतुलन रिप्रेजेंटेशनल ड्रिफ्ट का कारण बनता है, जो यह समझाता है कि मौजूदा विधियाँ क्यों विफल होती हैं।
XD-VSCIL बेंचमार्क: एक नया बेंचमार्क सेटिंग पेश करना जो वास्तविक दुनिया की विषमता (8 विविध डेटासेट: Aircraft, ArtBench, DTD, EuroSAT, Galaxy, MNIST, OrganMNIST, Flowers) को दर्शाता है जिसमें परिवर्तनशील शॉट काउंट और गंभीर क्लास/डोमेन असंतुलन है।
HYCAL विधि: एक ट्रेनिंग-फ्री, पैरामीटर-फ्री कैलिब्रेशन विधि जो कोसाइन और महालनोबिस डिस्टेंस को फ्यूज करती है। यह फ्रोजन बैकबोन को संशोधित किए बिना मजबूती हासिल करती है।
नया मेट्रिक (SCDE): क्रॉस-डिसिप्लिन एफिशिएंसी (CDE) स्कोर का प्रस्ताव, जो डेटा की कमी के आधार पर भारित (weighted) करते हुए ज़ीरो-शॉट जनरलाइजेशन, प्लास्टिसिटी, फॉरगेटिंग मिटिगेशन और डेटा एफिशिएंसी का समग्र मूल्यांकन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन XD-VSCIL सेटिंग्स (बैलेंस्ड-इन-क्लास, क्रॉस-स्केल इम्बैलेंस, और हाई-स्केल डोमेन इम्बैलेंस) में स्टेट-ऑफ-द-आर्ट ट्रेनिंग-फ्री विधियों (FeCAM, RanPAC, KLDA) और एक ट्रेन करने योग्य बेसलाइन (Primal-RAIL) के विरुद्ध HYCAL का मूल्यांकन किया।

हाई-स्केल इम्बैलेंस में प्रदर्शन: HYCAL ने सभी बेसलाइन्स को काफी पीछे छोड़ दिया।
- इसने 54.48% की औसत सटीकता प्राप्त की (Primal-RAIL के 53.49% और RanPAC के 49.98% के मुकाबले)।
- इसने 63.50% की लास्ट एक्यूरेसी प्राप्त की, जो विविध डोमेन में ज्ञान बनाए रखने की श्रेष्ठ क्षमता दिखाती है।
- इसने सर्वोच्च SCDE स्कोर (53.70) प्राप्त किया, जो नए डोमेन के अनुकूल होने और पुराने ज्ञान को बनाए रखने के बीच सबसे अच्छा संतुलन दर्शाता है।
डोमेन ऑर्डर के प्रति मजबूती: रैंडम डोमेन सीक्वेंस के साथ प्रयोगों ने दिखाया कि HYCAL निरंतर प्रदर्शन बनाए रखता है, जो यह सिद्ध करता है कि यह डोमेन के आने के क्रम के प्रति संवेदनशील नहीं है।
एब्लेशन स्टडीज (Ablation Studies):
- मेट्रिक फ्यूजन: डायनेमिक कॉम्बिनेशन ने कोसाइन या महालनोबिस में से किसी एक का उपयोग करने की तुलना में लगातार बेहतर प्रदर्शन किया, विशेष रूपकर असंतुलित सेटिंग्स में।
- फ्यूजन स्ट्रैटेजी: इमेज/टेक्स्ट एम्बेडिंग का सम-आधारित (sum-based) फ्यूजन, कॉन्कैटिनेशन (concatenation) से बेहतर रहा।
- एफिशिएंसी: 10 नई क्लासेस जोड़ने के लिए HYCAL को केवल 5.4 GFLOPs की आवश्यकता होती है, जबकि Primal-RAIL को 12 GFLOPs की, और यह क्लासेस की संख्या के साथ लीनियरली स्केल करता है।

5. महत्व (Significance)

वास्तविक दुनिया की प्रयोज्यता: "डोमेन ग्रेविटी" को संबोधित करके, HYCAL, VLM-आधारित कंटीन्युअल लर्निंग को उन व्यावहारिक अनुप्रयोगों के लिए व्यवहार्य बनाता है जहाँ डेटा स्वाभाविक रूप से असंतुलित होता है और अलग-अलग क्षेत्रों (जैसे, एक मेडिकल AI सिस्टम जो सामान्य टेक्सचर का ज्ञान बनाए रखते हुए नई बीमारियों को सीख रहा है) से आता है।
दक्षता: एक ट्रेनिंग-फ्री विधि के रूप में, यह बड़े फाउंडेशन मॉडल्स को फाइन-ट्यून करने से जुड़ी कंप्यूटेशनल लागत और कैटास्ट्रोफिक फॉरगेटिंग के जोखिम को समाप्त करता है। यह एज डिवाइसेस या सीमित कंप्यूट वाले परिदृश्यों के लिए अत्यधिक स्केलेबल है।
सैद्धांतिक अंतर्दृष्टि: यह शोध पत्र एक ठोस सैद्धांतिक औचित्य प्रदान करता है कि क्यों दिशात्मक (कोसाइन) और वितरण संबंधी (महालनोबिस) संकेतों को मिलाना एनिसोट्रोपिक एम्बेडिंग स्पेस में मजबूत वर्गीकरण के लिए आवश्यक है, जो पिछले कार्यों में अक्सर मानी जाने वाली आइसोट्रोपिक गौसियन डिस्ट्रीब्यूशन की धारणा से आगे जाता है।

संक्षेप में, HYCAL "डोमेन ग्रेविटी" समस्या के लिए एक सरल लेकिन शक्तिशाली समाधान प्रदान करता है, जो अत्यधिक विषम और असंतुलित डेटा वितरणों में मॉडल को पुन: प्रशिक्षित किए बिना स्थिर, कुशल और मजबूत फ्यू-शॉट लर्निंग को सक्षम बनाता है।