🤖 machine learning

Dependency-Aware Discrete Diffusion for Scene Graph Generation

यह शोध पत्र एक निर्भरता-जागरूक (dependency-aware), पदानुक्रमित रूप से बाधित (hierarchically constrained) डिस्क्रीट डिफ्यूजन मॉडल प्रस्तुत करता है जो संरचना और अर्थविज्ञान (semantics) को अलग करके प्राकृतिक भाषा से संरचित सीन ग्राफ उत्पन्न करता है, जिससे मौजूदा टेक्स्ट-टू-इमेज और ग्राफ जनरेशन बेसलाइन की तुलना में डाउनस्ट्रीम इमेज जनरेशन कार्यों में कंपोजिशनल फिडेलिटी (compositional fidelity) में सुधार होता है।

मूल लेखक: Rajalaxmi Rajagopalan, Romit Roy Choudhury

प्रकाशित 2026-05-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rajalaxmi Rajagopalan, Romit Roy Choudhury

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 किसी कलाकार को एक जटिल दृश्य का वर्णन करने की कोशिश कर रहे हैं ताकि वह उसे चित्रित कर सके। यदि आप केवल कहते हैं, "एक व्यक्ति और एक सर्फ़बोर्ड बनाओ," तो कलाकार या तो व्यक्ति को बोर्ड के बगल में खड़ा दिखा सकता है, उसे पकड़े हुए दिखा सकता है, या उस पर सर्फिंग करते हुए दिखा सकता है। यह टेक्स्ट अस्पष्ट है।

अब, एक वाक्य के बजाय, कल्पना कीजिए कि आप कलाकार को एक ब्लूप्रिंट (खाका) देते हैं। यह ब्लूप्रिंट एक "सीन ग्राफ" (Scene Graph) है। यह एक फ्लोचार्ट की तरह है जहाँ:

नोड्स (बिंदु) वस्तुओं (व्यक्ति, सर्फ़बोर्ड) को दर्शाते हैं।
एजेस (रेखाएँ) उन्हें जोड़ती हैं।
लाइनों पर लेबल बताते हैं कि वास्तव में क्या हो रहा है (जैसे, "सर्फिंग करना," "पकड़ना," या "बगल में खड़ा होना")।

समस्या यह है कि कंप्यूटर टेक्स्ट पढ़ने में बहुत अच्छे हैं, लेकिन वे इस अस्पष्ट टेक्स्ट को स्वचालित रूप से एक सटीक, संरचित ब्लूप्रिंट में बदलने में संघर्ष करते हैं। मौजूदा उपकरण प्रत्येक भाग को एक स्वतंत्र इकाई के रूप में देखते हैं, जैसे कि कार के अस्तित्व की परवाह किए बिना उसका रंग बताने की कोशिश करना। इससे अव्यवस्थित और अतार्किक चित्र बनते हैं।

DiScGraph से मिलिए: "डिपेंडेंसी-अवेयर" (निर्भरता-जागरूक) ब्लूप्रिंट बिल्डर

यह शोध पत्र DiScGraph नामक एक नया AI मॉडल पेश करता है, जो एक मास्टर आर्किटेक्ट की तरह काम करता है जो यह समझता है कि ब्लूप्रिंट वास्तव में कैसे बनाए जाते हैं। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग यहाँ दिया गया है:

1. "घर बनाने" की उपमा (मूल समस्या)

कल्पना कीजिए कि आप एक घर बना रहे हैं।

पुराना तरीका (जेनेरिक ग्राफ मॉडल): निर्माता नींव रखने, दीवारें बनाने और खिड़कियाँ लगाने का काम एक साथ करने की कोशिश करता है, उन्हें अलग-अलग, असंबंधित कार्यों के रूप में देखता है। वे ऐसी जगह खिड़की लगा सकते हैं जहाँ कोई दीवार ही नहीं है क्योंकि उन्होंने निर्भरता (dependency) की जाँच नहीं की।
DiScGraph का तरीका: यह निर्माता एक सख्त, तार्किक क्रम का पालन करता है:
1. पहले, यह तय करें कि कौन से कमरे मौजूद हैं (वस्तुएं: "वहाँ एक रसोई और एक बेडरूम है")।
2. अगला, यह तय करें कि कौन से कमरे आपस में जुड़े हैं (एजेस: "रसोई बेडरूम से जुड़ी है")।
3. अंत में, उन कनेक्शनों में क्या हो रहा है, यह तय करें (संबंध: "रसोई बेडरूम की ओर ले जाती है")।

DiScGraph समझता है कि आप "संबंध" (जैसे "सर्फिंग करना") तब तक नहीं बता सकते जब तक कि पहले एक "कनेक्शन" (एक एज) मौजूद न हो। यह AI को विवरण भरने से पहले संरचना बनाने के लिए मजबूर करता है।

2. "नॉइज़ और डिनोइज़िंग" का खेल (यह कैसे सीखता है)

यह मॉडल डिस्क्रीट डिफ्यूजन (Discrete Diffusion) नामक तकनीक का उपयोग करता है। इसे "टेलीफोन गेम" के उलटे संस्करण की तरह समझें:

फॉरवर्ड प्रोसेस (शोर जोड़ना): AI एक आदर्श ब्लूप्रिंट लेता है और उसे अस्त-व्यस्त करना शुरू कर देता है। यह यादृच्छिक रूप से शब्दों को हटाता है, कनेक्शन मिटा देता है, या "सर्फिंग करना" को "पकड़ना" में बदल देता है। महत्वपूर्ण बात यह है कि यह स्मार्ट तरीके से करता है: यदि यह व्यक्ति और सर्फ़बोर्ड के बीच का कनेक्शन हटा देता है, तो यह स्वचालित रूप से "सर्फिंग करना" शब्द को भी हटा देता है। यह जानता है कि बिना लिंक के, क्रिया का कोई अर्थ नहीं रह जाता।
रिवर्स प्रोसेस (सफाई करना): AI इस खेल को उल्टा खेलने में सीखता है। यह एक बिखरे हुए, अस्त-व्यस्त ब्लूप्रिंट से शुरू करता है और एक आदर्श ब्लूप्रिंट को पुनर्गठित करने की कोशिश करता है। क्योंकि इसने "घर बनाने" के क्रम (वस्तु $\to$ कनेक्शन $\to$ क्रिया) को सीखा है, इसलिए यह जानता है कि गंदगी को ठीक करने का सही तरीका क्या है।

3. "रिवॉर्ड सिस्टम" (उपयोगकर्ता की बात सुनना)

कभी-कभी, आप चाहते हैं कि ब्लूप्रिंट एक विशिष्ट वाक्य से मेल खाए, जैसे "एक व्यक्ति लहर पर सर्फिंग कर रहा है।"

AI एक ब्लूप्रिंट बनाता है।
फिर यह जाँचता है: "क्या यह ब्लूप्रिंट वाक्य से मेल खाता है?" यह CLIP नामक एक टूल का उपयोग करता है जो एक अनुवादक की तरह कार्य करता है, जो ब्लूप्रिंट के अर्थ की तुलना टेक्स्ट से करता है।
यदि ब्लूप्रिंट अच्छी तरह से मेल खाता है, तो इसे एक "उच्च स्कोर" (रिवॉर्ड) मिलता है। यदि यह कहता है "व्यक्ति सर्फ़बोर्ड पकड़े हुए है" जबकि आपने "सर्फिंग" के लिए कहा था, तो इसे कम स्कोर मिलता है।
AI इस स्कोर का उपयोग अपने निर्माण को निर्देशित करने के लिए करता है, प्रभावी रूप से यह कहता है, "ठीक है, फिर से कोशिश करो, लेकिन सुनिश्चित करो कि क्रिया 'सर्फिंग' शब्द से मेल खाती हो।" यह पूरे मॉडल को फिर से प्रशिक्षित किए बिना होता है।

उन्होंने क्या पाया?

शोधकर्ताओं ने मानक डेटासेट्स (जैसे Visual Genome और COCO) पर DiScGraph का परीक्षण किया और अन्य विधियों के साथ तुलना की।

बेहतर ब्लूप्रिंट: इसने पिछले मॉडलों की तुलना में अधिक तार्किक और सटीक सीन ग्राफ बनाए, विशेष रूप से दुर्लभ या जटिल संबंधों के लिए (जैसे केवल "एक कुत्ता और एक बिल्ली" के बजाय "एक कुत्ता बिल्ली का पीछा कर रहा है")।
बेहतर पेंटिंग्स: जब उन्होंने इन नए ब्लूप्रिंट का उपयोग चित्र बनाने के लिए किया (SDXL जैसे टूल का उपयोग करके), तो परिणामी चित्र निर्देशों का पालन करने में बहुत बेहतर थे। यदि प्रॉम्प्ट जटिल था जिसमें कई वस्तुएं थीं, तो चित्रों में भ्रमित होने या यह समझने में गलती करने की संभावना बहुत कम थी कि कौन क्या कर रहा है।

संक्षेप में:
DiScGraph एक नया तरीका है जिससे कंप्यूटर बिखरे हुए टेक्स्ट को संरचित, तार्किक ब्लूप्रिंट में बदल सकता है। यह सुनिश्चित करके कि कंप्यूटर यह समझे कि अर्थ से पहले संरचना आती है (आपको संबंध को परिभाषित करने से पहले एक कनेक्शन की आवश्यकता होती है), यह चित्र बनाने के लिए बेहतर योजनाएँ बनाता है, जिससे ऐसे चित्र मिलते हैं जो वास्तव में वैसा ही दिखते हैं जैसा उपयोगकर्ता ने मांगा था।

तकनीकी सारांश: सीन ग्राफ जनरेशन के लिए डिपेंडेंसी-अवेयर डिस्क्रीट डिफ्यूजन (Dependency-Aware Discrete Diffusion)

1. समस्या विवरण (Problem Statement)

सीन ग्राफ (SGs) दृश्य दृश्यों का एक संरचित प्रतिनिधित्व प्रदान करते हैं, जो वस्तुओं को नोड्स (nodes) और संबंधों को किनारों (edges) के रूपв में एनकोड करते हैं। हालांकि टेक्स्ट-ओनली प्रॉम्प्टिंग की तुलना में इमेज जनरेशन को सीन ग्राफ के माध्यम से कंडीशन करना कंपोजिशनल फिडेलिटी (compositional fidelity) में सुधार करता है, लेकिन एक महत्वपूर्ण बाधा बनी हुई है: प्राकृतिक भाषा के प्रॉम्प्ट्स से संरचित सीन ग्राफ बनाना।

मौजूदा दृष्टिकोणों को दो प्राथमिक चुनौतियों का सामना करना पड़ता है:

अस्पष्टता (Ambiguity): प्राकृतिक भाषा अक्सर कम-निर्धारित होती है (जैसे, "एक व्यक्ति और एक सर्फ़बोर्ड" संबंध को परिभाषित नहीं करता है), जिसके लिए एक नियतात्मक मैपिंग (deterministic mapping) के बजाय एक कंडीशनल डिस्ट्रीब्यूशन $p(G|T)$ को मॉडल करने की आवश्यकता होती है।
संरचनात्मक जटिलता (Structural Complexity): सीन ग्राफ सामान्य ग्राफों (जैसे अणु या ट्रैफिक नेटवर्क) से मौलिक रूप से भिन्न होते हैं क्योंकि उनकी पदानुक्रमित संरचना (hierarchical structure), लॉन्ग-टेल्ड रिलेशन वोकैबुलरी और मजबूत कंडीशनल डिपेंडेंसी होती है। विशेष रूप से, एक संबंध का अस्तित्व एक किनारे (edge) के अस्तित्व पर निर्भर करता है, और किनारे का अस्तित्व शामिल वस्तुओं पर निर्भर करता है।

पूर्ववर्ती डिस्क्रीट डिफ्यूजन मॉडल (जैसे DiGress) नोड्स और किनारों को स्वतंत्र कैटेगोरिकल वेरिएबल्स के रूप में मानते हैं। यह स्वतंत्रता का अनुमान सीन ग्राफ के लिए विफल हो जाता है, जहाँ पदानुक्रमित निर्भरता (Objects $\to$ Edges $\to$ Relations) महत्वपूर्ण है। मानक दृष्टिकोणों को "नो-एज" (no-edge) क्लास के प्रभुत्व के साथ संघर्ष करना पड़ता है, जिससे भ्रष्टाचार (corruption) प्रक्रिया के दौरान दुर्लभ संबंध (rare relations) खो जाते हैं।

2. कार्यप्रणाली: DiScGraph

लेखक DiScGraph का प्रस्ताव करते हैं, जो एक डिपेंडेंसी-अवेयर, पदानुक्रमित रूप से बाधित (hierarchically constrained) डिस्क्रीट डिफ्यूजन मॉडल है जिसे विशेष रूप से सीन ग्राफ जनरेशन के लिए डिज़ाइन किया गया है। यह विधि चार मुख्य घटकों से बनी है:

2.1 पदानुक्रमित सीन ग्राफ प्रतिनिधित्व (Hierarchical Scene Graph Representation)

किनारों और संबंधों को एक एकल युग्मित कैटेगोरिकल वेरिएबल के रूप में मॉडल करने के बजाय, DiScGraph उन्हें एक फैक्टराइज्ड स्टेट स्पेस $G = (V, E, R^+)$ में अलग करता है:

$V$ (Objects): नोड लेबल।
$E$ (Edges): बाइनरी अस्तित्व संकेतक ( $e_{ij} \in \{0, 1\}$ )।
$R^+$ (Relations): संबंध पहचान जो केवल सक्रिय किनारों ( $e_{ij}=1$ ) पर परिभाषित होती है।
यह इस बाधा को लागू करता है कि $e_{ij}=0 \implies r_{ij}=0$ , जो सिमेंटिक वैधता सुनिश्चित करता है और स्ट्रक्चरल स्पर्सिटी (structural sparsity) को सिमेंटिक लर्निंग से अलग करता है।

2.2 स्ट्रक्चर-अवेयर फॉरवर्ड प्रोसेस (Structure-Aware Forward Process)

फॉरवर्ड नॉइज़िंग प्रक्रिया को पदानुक्रमित बाधाओं का सम्मान करने के लिए पुनर्गठित किया गया है:

एज-गेटेड करप्शन (Edge-Gated Corruption): संबंध भ्रष्टाचार (relation corruption) एज अवस्था पर सशर्त है। यदि एक एज निष्क्रिय है ( $e_{ij}=0$ ), तो संबंध नियत रूप से 0 सेट हो जाता है। यदि सक्रिय है, तो संबंधों को मानक डिस्क्रीट डिफ्यूजन कर्नेल के अनुसार दूषित किया जाता है।
हाइब्रिड करप्शन रणनीति (Hybrid Corruption Strategy): मॉडल रैंडम करप्शन और एब्जॉर्बिंग मास्क करप्शन के मिश्रण का उपयोग करता है। मास्क रणनीति ग्राफ संरचना (edges) को सुरक्षित रखती है जबकि सिमेंटिक जानकारी (objects और relations) को छिपा देती है, जिससे मॉडल टोपोलॉजी को नष्ट किए बिना सिमेंटिक्स सीख सकता है। यह दुर्लभ संबंधों को प्रशिक्षण के दौरान अत्यधिक "नो-एज" क्लास के साथ प्रतिस्पर्धा करने से रोकता है।

2.3 फैक्टराइज्ड रिवर्स सैंपलर (Factorized Reverse Sampler)

रिवर्स जनरेशन प्रक्रिया एक डिपेंडेंसी-अवेयर अनुक्रम का पालन करती है: $V \to E \to R$ ।

फैक्टराइज्ड प्रेडिक्शन (Factorized Prediction): मॉडल एक विशिष्ट क्रम में स्वच्छ अवस्था $x_0$ की भविष्यवाणी करता है: पहले ऑब्जेक्ट पहचान ( $V_0$ ), फिर ऑब्जेक्ट्स पर आधारित एज अस्तित्व ( $E_0$ ), और अंत में दोनों ऑब्जेक्ट्स और सक्रिय किनारों पर आधारित संबंध पहचान ( $R_0$ )।
एज-गेटेड पोस्टीरियर (Edge-Gated Posterior): संबंधों के लिए रिवर्स ट्रांजिशन प्रोबेबिलिटी को तीन परिदृश्यों को संभालने के लिए संशोधित किया गया है:
1. $t-1$ पर एज अनुपस्थित है: संबंध नियत रूप से 0 है।
2. $t$ और $t-1$ दोनों पर एज सक्रिय है: मानक डिस्क्रीट पोस्टीरियर अपडेट।
3. एज पुनः सक्रिय होता है ( $t$ निष्क्रिय, $t-1$ सक्रिय): संबंध को डिनोइज़र के क्लीन प्रेडिक्शन से प्राप्त मार्जिनल डिस्ट्रीब्यूशन से सैंपल किया जाता है, न कि वर्तमान नॉइज़ी स्टेट से।

2.4 रिवॉर्ड-टिल्टेड इन्फरेंस के माध्यम से टेक्स्ट-कंडीशन्ड जनरेशन

बिना डिफ्यूजन मॉडल को फिर से प्रशिक्षित किए टेक्स्ट प्रॉम्प्ट्स ( $p(G|T)$ ) के आधार पर सीन ग्राफ उत्पन्न करने के लिए, लेखक रिवॉर्ड-टिल्टेड सैंपलिंग के साथ सीक्वेंशियल मोंटे कार्लो (SMC) का उपयोग करके ट्रेनिंग-फ्री कंडीशनिंग का उपयोग करते हैं:

रिवॉर्ड फंक्शन: टेक्स्ट प्रॉम्प्ट और सीरियलाइज्ड सीन ग्राफ के बीच एक CLIP सिमिलैरिटी स्कोर रिवॉर्ड $R(G, T)$ के रूप में कार्य करता है।
टिल्टेड सैंपलिंग (Tilted Sampling): रिवर्स डिफ्यूजन ट्राजेक्टरी के दौरान, कणों (particles) को टेक्स्ट प्रॉम्प्ट के साथ उनके संरेखण के आधार पर पुन: सैंपल किया जाता है। एक अवस्था की संभावना को $\exp(\beta R(\hat{G}_0, T))$ द्वारा टिल्ट किया जाता है, जहाँ $\hat{G}_0$ वर्तमान टाइमस्टेप पर अनुमानित क्लीन ग्राफ है।

3. प्रमुख योगदान (Key Contributions)

पदानुक्रमित गुणनखंड (Hierarchical Factorization): एक फैक्टराइज्ड स्टेट स्पेस का परिचय जो एज अस्तित्व को संबंध अर्थशास्त्र (relation semantics) से स्पष्ट रूप से अलग करता है, जो उन्हें स्वतंत्र वेरिएबल्स के रूप में मानने की सीमाओं को संबोधित करता है।
डिपेंडेंसी-अवेयर डिफ्यूजन (Dependency-Aware Diffusion): एक नवीन फॉरवर्ड और रिवर्स प्रक्रिया जो सीन ग्राफ में निहित कंडीशनल डिपेंडेंसी का सम्मान करती है (Objects $\to$ Edges $\to$ Relations), जिससे दुर्लभ संबंध वितरणों का पतन (collapse) रुक जाता है।
ट्रेनिंग-फ्री टेक्स्ट कंडीशनिंग (Training-Free Text Conditioning): जटिल कंडीशनल मॉडल रिट्रेनिंग की आवश्यकता के बिना, रिवॉर्ड-टिल्टेड सैंपलिंग और CLIP का उपयोग करके उत्पन्न सीन ग्राफ को टेक्स्ट प्रॉम्प्ट के साथ संरेखित करने की एक विधि।
व्यापक मूल्यांकन (Comprehensive Evaluation): ग्राफ मेट्रिक्स, लेआउट प्रेडिक्शन और डाउनस्ट्रीम इमेज जनरेशन क्वालिटी पर मानक बेंचमार्क (Visual Genome, COCO, LAION-SG) पर स्टेट-ऑफ-द-आर्ट प्रदर्शन का प्रदर्शन।

4. प्रयोगात्मक परिणाम (Experimental Results)

मॉडल का मूल्यांकन Visual Genome, COCO और LAION-SG डेटासेट पर किया गया।

अनकंडीशनल ग्राफ जनरेशन (Unconditional Graph Generation): DiScGraph सभी मेट्रिक्स पर निरंतर बेसलाइन्स (DiffuseSG) और डिस्क्रीट ग्राफ बेसलाइन्स (DiGress, GraphGDP) को पछाड़ता है। विशेष रूप से, यह Relation-MMD और Attach-TV में महत्वपूर्ण सुधार प्राप्त करता है, जो वास्तविक संबंध वितरण और ऑब्जेक्ट्स एवं संबंधों के बीच सिमेंटिक स्थिरता को बेहतर ढंग से सीखने का संकेत देता है। यह Rare-K-TV पर भी मजबूत प्रदर्शन दिखाता है, जो प्रभावी रूप से लॉन्ग-टेल्ड संबंधों को मॉडल करता है।
लेआउट प्रेडिक्शन (Layout Prediction): एक लेआउट हेड के माध्यम से बाउंडिंग बॉक्स निकालने पर, DiScGraph समर्पित लेआउट जनरेशन मॉडल्स (LayoutDM, LayoutDiffusion) के मुकाबले प्रतिस्पर्धी F1 स्कोर प्राप्त करता है, जो दर्शाता है कि स्ट्रक्चरल लर्निंग ज्यामितीय ग्राउंडिंग (geometric grounding) में प्रभावी रूप से स्थानांतरित होती है।
टेक्स्ट-टू-इमेज जनरेशन (Text-to-Image Generation): जब इसे डाउनस्ट्रीम इमेज जनरेटर्स (SDXL-SG, GLIGEN) को कंडीशन करने के लिए उपयोग किया जाता है, तो DiScGraph टेक्स्ट-ओनली कंपोजिशनल तरीकों (ComposeDiff, CO3) की तुलना में उच्च ImageReward, BLIP-VQA, और SG-IoU स्कोर के साथ चित्र प्रदान करता है। सुधार विशेष रूप से मल्टी-ऑब्जेक्ट और जटिल रिलेशनल परिदृश्यों में स्पष्ट है, जो पुष्टि करता है कि संरचित सीन ग्राफ केवल टेक्स्ट एम्बेडिंग्स की तुलना में एक अधिक मजबूत प्रायर (prior) प्रदान करता है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि ग्राफ के लिए मौजूदा डिस्क्रीट डिफ्यूजन की प्राथमिक सीमा नोड्स और किनारों के बीच स्वतंत्रता का अनुमान है, जो सीन ग्राफ के लिए अमान्य है। एक डिपेंडेंसी-अवेयर, पदानुक्रमित रूप से बाधित डिफ्यूजन प्रक्रिया पेश करके, DiScGraph सफलतापूर्वक दृश्य दृश्यों की विशेषता वाले जटिल कंडीशनल डिपेंडेंसी और लॉन्ग-टेल्ड डिस्ट्रीब्यूशन को कैप्चर करता है।

लेखक का तर्क है कि यह दृष्टिकोण संरचित डेटा के लिए एक मजबूत विकल्प प्रदान करता है, जो एक "स्ट्रक्चर्ड प्रायर" है जिसे टेक्स्ट एम्बेडिंग्स में एनकोड करना कठिन है। परिणाम बताते हैं कि टेक्स्ट प्रॉम्प्ट्स से सीन ग्राफ उत्पन्न करना और उनका उपयोग इमेज जनरेशन को कंडीशन करने के लिए करना, कंपोजिशनल फिडेलिटी में सुधार के लिए एक व्यवहार्य रणनीति है, विशेष रूप से उन परिदृश्यों में जहाँ टेक्स्ट प्रॉम्प्ट्स अस्पष्ट या जटिल होते हैं।

पेपर सीमाओं को भी स्वीकार करता है, जिसमें रिवॉर्ड फंक्शन के लिए CLIP पर निर्भरता (जो सभी बारीकियों को कैप्चर नहीं कर सकता है), सीन साइज के साथ ग्राफ ट्रांसफॉर्मर का क्वाड्रेटिक स्केलिंग, और उच्च गुणवत्ता वाले आउटपुट सुनिश्चित करने के लिए वर्तमान में सैंपलिंग रिफाइनमेंट की आवश्यकता शामिल है। भविष्य के कार्यों के लिए स्केलेबिलिटी के लिए मजबूत सीखे गए रिवॉर्ड मॉडल और स्पार्स अटेंशन मैकेनिज्म का पता लगाने का सुझाव दिया गया है।