🤖 machine learning

From Model to Data (M2D): Shifting Complexity from GNNs to Graphs for Transparent Graph Learning

यह शोध पत्र मॉडल-टू-डेटा (M2D) डिस्टिलेशन पेश करता है, जो एक ऐसा ढांचा है जो मॉडल की जटिलता को डेटा स्पेस में स्थानांतरित करके ग्राफ न्यूरल नेटवर्क की पारदर्शिता को बढ़ाता है, जिससे सरल स्टूडेंट मॉडल शिक्षक के प्रदर्शन से मेल खा सकते हैं और साथ ही वास्तुशिल्प लाभों और अंतर्निहित तंत्रों को सीधे निरीक्षण योग्य बनाते हैं।

मूल लेखक: Debolina Halder Lina, Arlei Silva

प्रकाशित 2026-05-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Debolina Halder Lina, Arlei Silva

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 आपके पास एक प्रतिभाशाली लेकिन रहस्यमय शेफ (शिक्षक मॉडल - Teacher Model) है जो अविश्वसनीय व्यंजन बनाता है। यह शेफ जटिल, गुप्त तकनीकों, दुर्लभ सामग्रियों और रसोई को व्यवस्थित करने के एक विशिष्ट तरीके का उपयोग करता है जिससे भोजन का स्वाद अद्भुत हो जाता है। हालाँकि, क्योंकि शेफ इतना जटिल है, कोई भी यह नहीं समझ पाता कि भोजन इतना स्वादिष्ट क्यों है या वे खराब सामग्री को कैसे ठीक करते हैं। वे बस इतना जानते हैं कि परिणाम लाजवाब है।

अब, कल्पना कीजिए कि आपके पास एक साधारण, नौसिखिया रसोइया (छात्र मॉडल - Student Model) है जो केवल पानी उबालना और अंडा तलना जानता है। आप चाहते हैं कि नौसिखिया वही अद्भुत व्यंजन बनाए, लेकिन आप उसे केवल गुप्त रेसिपी नहीं बता सकते क्योंकि शेफ उसे साझा नहीं करेगा और नौसिखिया बहुत सरल है कि वह जटिल निर्देशों को समझ सके।

समस्या:
आमतौर पर, जब हम शेफ के जादू को समझाने की कोशिश करते हैं, तो हम केवल सामग्रियों की ओर इशारा करते हैं और कहते हैं, "इस मसाले ने इसे नमकीन बना दिया।" लेकिन यह इस बात की व्याख्या नहीं करता कि शेफ की जटिल विधि साधारण विधि से बेहतर क्यों है या उन्होंने रेसिपी में हुई गलती को कैसे सुधारा। "जादू" उनके मस्तिष्क के भीतर छिपा रहता है।

समाधान: मॉडल-टू-डेटा (M2D) डिस्टिलेशन
लेखकों ने एक चतुर तकनीक प्रस्तावित की है जिसे मॉडल-टू-डेटा (M2D) डिस्टिलेशन कहा जाता है। शेफ के मस्तिष्क को सरल बनाने के बजाय, वे तय करते हैं कि वे सामग्रियों और रसोई के लेआउट को बदल देंगे ताकि साधारण रसोइया भी वही अद्भुत व्यंजन बना सके।

यह कैसे काम करता है, रोज़मर्रा के उदाहरणों का उपयोग करके यहाँ दिया गया है:

1. जटिलता को स्थानांतरित करना

शेफ के मस्तिष्क की "जटिलता" को एक भारी बैकपैक (बस्ते) के रूप में सोचें।

पुराना तरीका: हम शेफ के लिए बैकपैक को हल्का बनाने की कोशिश करते हैं (मॉडल को सरल बनाना)।
M2D तरीका: हम शेफ के शरीर से वह भारी बैकपैक उतारकर सामग्रियों से जोड़ देते हैं।

इस मामले में "बैकपैक" डेटा है। शोधकर्ता जटिल ग्राफ (नोड्स के बीच कनेक्शन का नेटवर्क) और विशेषताओं (डेटा एट्रिब्यूट्स) को लेते हैं और उन्हें "ऑगमेंट" (संवर्धित) करते हैं। वे नई, सहायक विशेषताएं जोड़ते हैं और नोड्स के बीच के संबंधों को ट्यून करते हैं।

2. "ऑगमेंटेड" रसोई

कल्पना कीजिए कि शेफ की गुप्त तकनीक यह थी: "यदि आप लाल प्याज देखते हैं, तो आपको बर्तन में चुटकी भर नमक भी डालना चाहिए, भले ही रेसिपी में ऐसा न लिखा हो।"

मूल डेटा में, लाल प्याज और नमक अलग-अलग हैं। साधारण रसोइया को नमक डालने का पता नहीं चलेगा।
M2D ऑगमेंटेड डेटा में, शोधकर्ता रसोइए के देखने से पहले ही नमक को लाल प्याज में भौतिक रूप से मिला देते हैं।

अब, साधारण रसोइया (छात्र) केवल बुनियादी नियम का पालन करता है: "लाल प्याज पकाओ।" क्योंकि नमक पहले से ही मिला हुआ है, परिणाम एकदम सही होता है। "जानने की जटिलता" (कि कब नमक डालना है) अब रसोइए के मस्तिष्क से हटकर प्याज के भीतर चली गई है।

3. यह पारदर्शी क्यों बनाता है

यही जादुई हिस्सा है। क्योंकि "जादू" अब डेटा (ऑगमेंटेड प्याज) में है, मनुष्य डेटा को देखकर कह सकते हैं:

"आह, मैं समझ गया! प्याज में नमक मिला हुआ है। इसीलिए व्यंजन स्वादिष्ट है।"
"मैं देख सकता हूँ कि रसोई के लेआउट में लाल प्याज अब हरे शिमला मिर्च से जुड़े हुए हैं। इस तरह शेफ ने पक्षपात (bias) को ठीक किया।"

एक ब्लैक बॉक्स को घूरने और अनुमान लगाने के बजाय, हम डेटा का निरीक्षण कर सकते हैं कि जटिल मॉडल ने वास्तव में क्या सीखा।

निष्पक्षता (Fairness) का उदाहरण: यदि कोई मॉडल निष्पक्ष होने या लिंग (gender) को अनदेखा करने के लिए बनाया गया है, तो M2D डेटा को इस तरह बदल सकता है कि "पुरुष" और "महिला" सामग्रियां साधारण रसोइए के लिए बिल्कुल एक जैसी दिखें। हम इस बदलाव को डेटा में देख सकते हैं और समझ सकते हैं कि निष्पक्षता कैसे प्राप्त की गई।
अटेंशन (Attention) का उदाहरण: यदि एक जटिल मॉडल कुछ विशेष कनेक्शनों (जैसे कि ग्राफ अटेंशन नेटवर्क) पर अधिक ध्यान देता है, तो M2D डेटा में उन विशिष्ट कनेक्शनों को मजबूत करता है। हम ग्राफ को देख सकते हैं और कह सकते हैं, "ओह, ये रेखाएं अब मोटी हैं। यहीं पर मॉडल अपना ध्यान केंद्रित कर रहा था।"

4. परिणाम

पेपर का परीक्षण कई परिदृश्यों में किया गया:

निष्पक्षता (Fairness): उन्होंने निष्पक्ष (unbiased) होने के लिए डिज़ाइन किए गए जटिल मॉडलों को सरल मॉडलों में डिस्टिल किया। सरल मॉडलों ने प्रदर्शन के मामले में उतना ही अच्छा प्रदर्शन किया, और बदले हुए डेटा को देखकर, वे देख सके कि पक्षपात को कैसे हटाया गया (उदाहरण के लिए, कुछ समूहों के बीच कनेक्शन को कमजोर करके)।
जटिलता (Complexity): उन्होंने बहुत स्मार्ट मॉडलों (जैसे ग्राफ ट्रांसफॉर्मर) की उनकी "मस्तिष्क शक्ति" को डेटा में डिस्टिल किया। इस सुपर-चार्ज्ड डेटा का उपयोग करने वाले एक सरल मॉडल ने मूल जटिल मॉडल को पछाड़ दिया या उसके बराबर प्रदर्शन किया।

सारांश

मॉडल-टू-डेटा (M2D) एक जटिल, गुप्त रेसिपी को खरीदारी की सूची और रसोई के मानचित्र में फिर से लिखने जैसा है, ताकि एक नौसिखिया भी ठीक वही भोजन बना सके। मॉडल के मस्तिष्क से "स्मार्ट चीज़ों" को सीधे डेटा में स्थानांतरित करके, हम अंततः यह देख सकते हैं कि मॉडल क्यों काम करता है, जिससे "ब्लैक बॉक्स" पारदर्शी और समझने योग्य बन जाता है।

तकनीकी सारांश: पारदर्शी ग्राफ लर्निंग के लिए मॉडल-टू-डेटा (M2D) डिस्टिलेशन

1. समस्या विवरण

ग्राफ न्यूरल नेटवर्क (GNNs) ने नोड वर्गीकरण (node classification), लिंक प्रेडिक्शन और ग्राफ वर्गीकरण जैसे कार्यों में अत्याधुनिक प्रदर्शन हासिल किया है। हालाँकि, जैसे-जैसे बायस (bias), ओवर-स्मूथिंग (over-smoothing) और सीमित अभिव्यक्ति जैसी समस्याओं को संबोधित करने के लिए GNN आर्किटेक्चर अधिक जटिल होते जा रहे हैं, वे अधिक अपारदर्शी (opaque) होते जा रहे हैं। यह "एपिस्टेमिक ओपेसिटी" (epistemic opacity) उच्च-जोखिम वाले परिवेशों में GNNs को अपनाने में बाधा डालती है और यह समझना कठिन बना देती है कि विशिष्ट आर्किटेक्चर (जैसे, ग्राफ अटेंशन नेटवर्क या ग्राफ ट्रांसफॉर्मर) विशिष्ट डेटासेट पर सरल मॉडलों (जैसे, GCNs) की तुलना में क्यों बेहतर प्रदर्शन करते हैं।

मौजूदा व्याख्यात्मकता (explainability) विधियाँ मुख्य रूप से इंस्टेंस-स्तरीय स्पष्टीकरण (विशिष्ट नोड्स, किनारों या विशेषताओं को भविष्यवाणियों के लिए उत्तरदायी ठहराना) या मॉडल-स्तरीय स्पष्टीकरण (वैश्विक पैटर्न की पहचान करना) पर ध्यान केंद्रित करती हैं। उपयोगी होने के बावजूद, ये विधियाँ आर्किटेक्चरल पारदर्शिता (architectural transparency) प्रदान करने में विफल रहती हैं। वे सरल और जटिल मॉडलों के बीच के मौलिक प्रदर्शन अंतर को नहीं समझाती हैं या उन विशिष्ट तंत्रों (जैसे, निष्पक्षता उद्देश्यों या अटेंशन-आधारित एकत्रीकरण) को मूर्त रूप नहीं देती हैं जो एक जटिल मॉडल को सफल होने में सक्षम बनाते हैं। लेखक तर्क देते हैं कि यदि इन आर्किटेक्चरल लाभों को स्थिर डेटा ऑग्मेंटेशन (static data augmentations) में "मूर्त" (materialize) किया जा सके, तो मनुष्य सीधे डेटा स्पेस के भीतर मॉडल के तर्क का ऑडिट कर सकते हैं।

2. कार्यप्रणाली: मॉडल-टू-डेटा (M2D) डिस्टिलेशन

यह शोध पत्र मॉडल-टू-डेटा (M2D) डिस्टिलेशन पेश करता है, एक ऐसा ढांचा जो जटिलता को मॉडल स्पेस से डेटा स्पेस में स्थानांतरित करता है। मानक नॉलेज डिस्टिलेशन के माध्यम से एक जटिल टीचर मॉडल को एक सरल स्टूडेंट मॉडल में संकुचित करने के बजाय, M2D टीचर के व्यवहार को एक ऑगमेंटेड ग्राफ ( $\tilde{G}$ ) में डिस्टिल करता है। इस ऑगमेंटेड ग्राफ में समृद्ध नोड फीचर्स और संशोधित एडजेसेंसी वेट्स (adjacency weights) होते हैं, जिससे एक हल्का (lightweight) स्टूडेंट मॉडल ( $m$ ) जटिल टीचर मॉडल ( $M$ ) के प्रदर्शन से मेल खा पाता है।

2.1 समस्या सूत्रीकरण (Problem Formulation)

एक अनडिरेक्टेड ग्राफ $G = (V, E, X)$ और पैरामीटर्स $\theta_T$ वाले एक टीचर मॉडल $f_T$ को देखते हुए, M2D एक ट्रांसफॉर्मेशन $f_g$ को सीखता है जिसके पैरामीटर्स $\theta_g$ मूल डेटा को समृद्ध करके $\tilde{G} = (V, \tilde{E}, \tilde{X})$ तैयार करते हैं। इसके बाद कम पैरामीटर्स वाला ( $|\theta_s| < |\theta_T|$ ) एक स्टूडेंट मॉडल $f_s$ को $\tilde{G}$ पर प्रशिक्षित किया जाता है।

संयुक्त अनुकूलन उद्देश्य (joint optimization objective) है:
$\min_{\theta_g, \theta_s} \mathcal{L}_{dis}(f_T(G), f_s(\tilde{G})) + \mathcal{L}_{cls}(f_s(\tilde{G}), y) - \mathcal{S}(G, \tilde{G})$
जहाँ:

$\mathcal{L}_{dis}$ : डिस्टिलेशन लॉस (KL divergence) जो स्टूडेंट आउटपुट्स को टीचर लॉजिट्स के साथ संरेखित करता है।
$\mathcal{L}_{cls}$ : ग्राउंड ट्रुथ और स्टूडेंट आउटपुट्स के बीच क्लासिफिकेशन लॉस।
$\mathcal{S}(G, \tilde{G})$ : एक समानता फंक्शन (similarity function) जो यह सुनिश्चित करता है कि ऑगमेंटेड ग्राफ मूल ग्राफ के करीब रहे, ताकि अत्यधिक डेटा संशोधन को रोका जा सके।

2.2 M2D फ्रेमवर्क

सीखने की प्रक्रिया ग्राफ संरचना/फीचर्स को अपडेट करने और स्टूडेंट एम्बेडिंग्स को अपडेट करने के बीच बारी-बारी से चलती है। ट्रांसफॉर्मेशन $f_g$ को दो सीखने योग्य घटकों में विभाजित किया गया है:

फीचर लर्नर ( $f_\phi$ ): स्टूडेंट के वर्तमान एम्बेडिंग्स के आधार पर नए नोड फीचर्स $Z$ उत्पन्न करता है। नया फीचर मैट्रिक्स $\tilde{X} = [X \parallel Z]$ है।
स्ट्रक्चर लर्नर ( $f_a$ ): पेयरवाइज नोड एम्बेडिंग्स के आधार पर नए एडजेसेंसी वेट्स $W$ की भविष्यवाणी करता है। अंतिम एडजेसेंसी मैट्रिक्स $\tilde{A}$ , मूल एडजेसेंसी $A$ , सीखे गए वेट्स $W$ , और हाइपरपैरामीटर $\gamma$ और $\beta$ द्वारा नियंत्रित समानता-आधारित टर्म $s(x_u, x_v)$ का संयोजन है।

2.3 प्रशिक्षण उद्देश्य और रेगुलराइजेशन (Regularization)

प्रशिक्षण में स्टूडेंट पैरामीटर्स ( $\Theta_s$ ) और ग्राफ ऑग्मेंटेशन पैरामीटर्स ( $\Theta_g$ ) को अलग-अलग अनुकूलित किया जाता है:

स्टूडेंट ऑप्टिमाइज़ेशन: क्लासिफिकेशन लॉस ( $\mathcal{L}_{cls}$ ) और डिस्टिलेशन लॉस ( $\mathcal{L}_{dis}$ ) के भारित योग (weighted sum) को कम करता है।
ग्राफ ऑग्मेंटेशन ऑप्टिमाइज़ेशन: उन्हीं सुपरवाइज्ड लॉस के साथ-साथ दो रेगुलराइजेशन टर्म्स को भी कम करता है:
- फीचर डाइवर्सिटी ( $\mathcal{L}_{div}$ ): नए उत्पन्न फीचर्स और मौजूदा फीचर्स के बीच सहसंबंध (correlation) को दंडित करता है ताकि यह सुनिश्चित हो सके कि वे पूरक जानकारी (complementary information) कैप्चर करें।
- ग्राफ रेगुलराइजेशन ( $\mathcal{L}_{graph}$ ): सीखे गए एडजेसेंसी मैट्रिक्स पर स्पर्सिटी (sparsity) लागू करता है और जीरो-डिग्री नोड्स को दंडित करता है ताकि ऑगमेंटेड ग्राफ मूल टोपोलॉजी के करीब रहे।

3. सैद्धांतिक विश्लेषण

शोध पत्र सीखे गए फीचर्स की पारदर्शिता के संबंध में सैद्धांतिक गारंटी प्रदान करता है:

थ्योरम 1: यदि टीचर मॉडल एक संवेदनशील विशेषता (sensitive attribute) के संबंध में डेमोग्राफिक पैरिटी (निष्पक्षता) को संतुष्ट करता है, तो M2D ऐसे फीचर्स सीख सकता है जो इस स्वतंत्रता को भी संतुष्ट करते हैं, प्रभावी रूप से निष्पक्षता तंत्र को डेटा में स्थानांतरित करता है।
थ्योरम 2: अटेंशन मैकेनिज्म (जैसे GAT या ग्राफ ट्रांसफॉर्मर) का उपयोग करने वाले टीचर्स के लिए, स्टूडेंट मॉडल में सीखे गए फीचर्स टीचर के अटेंशन-वेटेड नेबरहुड एग्रीगेशन को एनकोड करते हैं।
कोरोलरी 1: होमफिलिक ग्राफ्स (homophilic graphs) में, टीचर में उच्च अटेंशन वेट्स, डिस्टिल्ड फीचर स्पेस में उच्च समानता के अनुरूप होते हैं, जो यह सिद्ध करता है कि डेटा ऑग्मेंटेशन अटेंशन मैकेनिज्म को कैप्चर करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने तीन मुख्य क्षेत्रों में M2D का मूल्यांकन किया: फेयर GNNs, ग्राफ अटेंशन नेटवर्क (GAT), और ग्राफ ट्रांसफॉर्मर्स (GT)।

4.1 निष्पक्षता पारदर्शिता (Fairness Transparency)

टीचर के रूप में FairGNN, FairVGNN, और NIFTY का उपयोग करने और एक मानक GCN को स्टूडेंट के रूप में उपयोग करने पर:

प्रदर्शन: M2D डिस्टिल्ड वेरिएंट्स ने लगातार जटिल टीचर्स के समान सटीकता और निष्पक्षता स्तर प्राप्त किए।
मैकेनिज्म विश्लेषण: जर्मन क्रेडिट डेटासेट पर, लेखकों ने सीखे गए फीचर्स और स्ट्रक्चर को विज़ुअलाइज़ किया। सीखे गए फीचर्स ने स्पष्ट क्लास सेपरेशन दिखाया जबकि संवेदनशील विशेषताओं (लिंग) को मिश्रित किया, और सीखे गए स्ट्रक्चर ने पक्षपाती किनारों (जैसे, विरोधाभासी लेबल वाले पुरुष नोड्स के बीच कनेक्शन) को हटाया या कमजोर किया जबकि निष्पक्ष किनारों को मजबूत किया। इसने प्रदर्शित किया कि M2D ने निष्पक्षता बाधाओं को ग्राफ टोपोलॉजी और फीचर्स में सफलतापूर्वक मूर्त रूप दिया।

4.2 आर्किटेक्चरल पारदर्शिता (GAT और GT)

GCN और MLP स्टूडेंट्स के विरुद्ध GAT और ग्राफ ट्रांसफॉर्मर्स की तुलना करने पर:

प्रदर्शन: M2D ने वैनिला ट्रेनिंग और मानक नॉलेज डिस्टिलेशन की तुलना में स्टूडेंट के प्रदर्शन में महत्वपूर्ण सुधार किया। कई मामलों में (जैसे, Cora, Citeseer), M2D के साथ सरल GCN स्टूडेंट ने टीचर की सटीकता के बराबर या उससे अधिक प्रदर्शन किया।
अटेंशन अलाइनमेंट: सीखे गए फीचर्स के विश्लेषण ने होमफिलिक डेटासेट्स में टीचर के अटेंशन वेट्स और फीचर समानता के बीच एक मजबूत सकारात्मक सहसंबंध दिखाया।
एज रीवेटिंग (Edge Reweighting): कोरा (Cora) डेटासेट पर विज़ुअलाइज़ेशन ने दिखाया कि M2D द्वारा सीखे गए रो-नॉर्मलाइज्ड एज वेट्स GAT अटेंशन कोएफिशिएंट्स का बारीकी से अनुमान लगाते हैं (पियर्सन कोरिलेशन = 0.84), जो जटिल अटेंशन मैकेनिज्म को स्थिर एज वेट्स में प्रभावी ढंग से अनुवादित करता है।

4.3 देखे गए सीमाएँ (Limitations)

हेटरोफिली (Heterophily): हेटरोफिलिक डेटासेट्स (Cornell, Texas) पर, सीखे गए फीचर्स और अटेंशन के बीच अलाइनमेंट कमजोर था, और डिस्टिलेशन सटीकता कम थी।
टीचर की गुणवत्ता: जब टीचर मॉडल एक सरल बेसलाइन (जैसे, हेटरोफिलिक डेटासेट्स पर MLP) से खराब प्रदर्शन करता था, तो M2D ने इस उप-इष्टतम ज्ञान को स्थानांतरित कर दिया, जिससे प्रदर्शन में गिरावट आई।

5. प्रमुख योगदान और महत्व

शोध पत्र निम्नलिखित योगदानों का दावा करता है:

फ्रेमवर्क: मॉडल और डेटा जटिलता को बदलने के लिए एक सामान्य फ्रेमवर्क के रूप में M2D का परिचय, जो पारंपरिक नॉलेज डिस्टिलेशन (वर्टिकल) या डेटा डिस्टिलेशन (होरिजॉन्टल) की तुलना में एक विशिष्ट क्षेत्र (डायगोनल शिफ्ट) में स्थित है।
कार्यान्वयन: जटिल GNN व्यवहारों को ऑगमेंटेड ग्राफ में डिस्टिल करने के लिए मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन के साथ फीचर और स्ट्रक्चर लर्निंग का उपयोग करने वाला एक इटरेटिव फ्रेमवर्क।
पारदर्शिता: यह प्रमाण कि M2D अंतर्निहित तंत्रों को प्रकट करके पारदर्शिता बढ़ाता है। विशेष रूप से, यह मनुष्यों को यह निरीक्षण करने की अनुमति देता है कि एक निष्पक्ष मॉडल बायस को कैसे कम करता है (विशिष्ट एज रिमूवल या फीचर मॉडिफिकेशन के माध्यम से) और अटेंशन-आधारित मॉडल कनवोल्यूशनल मॉडलों की तुलना में क्यों बेहतर प्रदर्शन करते हैं (सीखे गए एज वेट्स के माध्यम से जो अटेंशन की नकल करते हैं)।

महत्व:
लेखक तर्क देते हैं कि M2D जटिलता के बोझ को "ब्लैक बॉक्स" मॉडल से "व्हाइट बॉक्स" डेटा में स्थानांतरित करता है। आर्किटेक्चरल लाभों और निष्पक्षता बाधाओं को ग्राफ स्ट्रक्चर और फीचर्स में मूर्त रूप देकर, M2D जटिल ग्राफ लर्निंग को अधिक व्याख्या योग्य और ऑडिट करने योग्य बनाता है। यह उन उच्च-जोखिम वाले अनुप्रयोगों के लिए विशेष रूप से महत्वपूर्ण है जहाँ मॉडल के निर्णय के पीछे के कारण (जैसे, "बायस को रोकने के लिए इस एज को हटाया गया था") को समझना केवल भविष्यवाणी से उतना ही महत्वपूर्ण है। शोध पत्र निष्कर्ष निकालता है कि हालांकि M2D निष्पक्षता की गारंटी नहीं देता या सभी बायस समस्याओं को हल नहीं करता है, यह जटिल ग्राफ लर्निंग को अधिक व्याख्या योग्य और ऑडिट करने योग्य बनाने के लिए एक शक्तिशाली उपकरण प्रदान करता है।