🧬 biology

Accelerating Bayesian Phylogenetic Inference via Delayed Acceptance Sequential Monte Carlo with Random Forest Surrogates

यह शोध पत्र बेयसियन फाइलोगैनेटिक अनुमान (Bayesian phylogenetic inference) के लिए एक गणनात्मक रूप से कुशल डिलेड एक्सेप्टेंस सीक्वेंशियल मोंटे कार्लो (delayed acceptance Sequential Monte Carlo) ढांचे का प्रस्ताव करता है जो संभावना परिवर्तनों (likelihood changes) की भविष्यवाणी करने और महंगे लाइकलीहुड मूल्यांकन को महत्वपूर्ण रूप से कम करने के लिए एक रैंडम फॉरेस्ट सरोगेट मॉडल का लाभ उठाता है, जबकि मजबूत पोस्टीरियर अनुमान बनाए रखता है।

मूल लेखक: Wentao Yu, Shijia Wang

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Wentao Yu, Shijia Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जासूस हैं जो जानवरों के समूह के डीएनए (DNA) के आधार पर उनके पारिवारिक वृक्ष (family tree) को फिर से बनाने की कोशिश कर रहे हैं। इसे फाइलोगेनेटिक्स (phylogenetics) कहा जाता है। लक्ष्य वह "सच्चा" वृक्ष खोजना है जो दिखाता है कि वे प्रजातियां एक-दूसरे से कैसे संबंधित हैं।

हालाँकि, संभावित पारिवारिक वृक्षों का ब्रह्मांड अविश्वसनीय रूप से विशाल है। यह एक ऐसे भूसे के ढेर में एक विशिष्ट सुई खोजने जैसा है जो सौर मंडल के आकार का है। इसे करने के लिए, वैज्ञानिक बेयसियन इन्फरेंस (Bayesian inference) नामक एक विधि का उपयोग करते हैं, जो मूल रूप से अनुमान लगाने, उन अनुमानों की डीएनए साक्ष्य के साथ जांच करने और उन्हें तब तक परिष्कृत करने की एक प्रक्रिया है जब तक कि वे सही न हो जाएं।

समस्या क्या है? यह जांचना कि कोई अनुमान अच्छा है या नहीं, इसके लिए भारी मात्रा में गणित (संभावना या "लाइकलीहुड" की गणना) की आवश्यकता होती है। सबसे अच्छे वृक्ष को खोजने के लिए लाखों बार ऐसा करना एक सुपरकंप्यूटर के लिए बहुत लंबा समय ले लेता है।

यह शोध पत्र इस पहेली को हल करने का एक नया, तेज़ तरीका पेश करता है। यह कैसे काम करता है, यहाँ सरल रूप में समझाया गया है:

1. पुराना तरीका: थकाऊ खोज (The Exhaustive Search)

कल्पना कीजिए कि आप हजारों दरवाजों से भरे एक अंधेरे कमरे में हैं। आपको वह दरवाजा खोजना है जो खजाने की ओर ले जाता है (सबसे अच्छा वृक्ष)।

मानक विधि (MCMC): आप एक दरवाजे के पास जाते हैं, उसे खटखटाते हैं, और यदि वह बंद है, तो आप दूसरा दरवाजा आजमाते हैं। यदि वह खुला है, तो आप अंदर झांककर देखते हैं कि क्या वह खजाना है। लेकिन "अंदर झांकने" (लाइकलीहुड की गणना करने) में 10 मिनट लगते हैं। यदि आपको 1,000,000 दरवाजे चेक करने पड़ें, तो आप वर्षों तक वहीं फंसे रहेंगे।

2. नया विचार: "चीट शीट" (सरोगेट मॉडल)

लेखकों, वेंटाओ यू और शिजिया वांग ने महसूस किया कि दरवाजे के अंदर झांकने में 10 मिनट खर्च करने से पहले, आप दरवाजे के हैंडल और उसके पेंट को देखकर यह अंदाजा लगा सकते हैं कि क्या वह खजाने वाला दरवाजा होने की संभावना है।

उन्होंने एक मशीन लर्निंग "चीट शीट" (विशेष रूप से एक रैंडम फॉरेस्ट एल्गोरिदम) बनाई।

यह कैसे सीखता है: उन्होंने पहले हजारों दरवाजों का अध्ययन करने के लिए एक छोटा, तेज़ अभ्यास दौर चलाया। उन्होंने नोट किया कि "क्या हैंडल जंग लगा हुआ है?" या "क्या पेंट उखड़ा हुआ है?" और रिकॉर्ड किया कि वे दरवाजे अच्छे थे या बुरे।
चीट शीट: अब, जब वे एक नया दरवाजा (एक नया वृक्ष) प्रस्तावित करते हैं, तो चीट शीट तुरंत विशेषताओं का विश्लेषण करती है और कहती है, "यह दरवाजा बहुत बुरा लग रहा है, कोशिश भी मत करो," या "यह दरवाजा आशाजनक लग रहा है, आगे बढ़ो और इसकी जांच करो।"

3. "डिलेड एक्सेप्टेंस" (विलंबित स्वीकृति) रणनीति

यह उनके आविष्कार का मुख्य हिस्सा है। हर दरवाजे की जांच करने के बजाय, वे तीन-चरणीय फ़िल्टर का उपयोग करते हैं:

चरण 1: एक त्वरित नज़र (द सरोगेट): चीट शीट नए दरवाजे को देखती है। यदि यह भविष्यवाणी करती है कि दरवाजा निश्चित रूप से एक हारने वाला (खराब वृक्ष) है, तो वे उसे तुरंत खारिज कर देते हैं। वे 10 मिनट का समय बचा लेते हैं।
चरण 2: दूसरा अनुमान: यदि चीट शीट सुनिश्चित नहीं है कि यह एक हारने वाला है, तो वे थोड़ा अधिक विस्तृत जांच करते हैं (अभी भी पूर्ण 10 मिनट का 'झांकना' नहीं)।
चरण 3: पूर्ण झांकना (The Full Peek): केवल यदि दरवाजा पहले दो परीक्षणों को पार कर लेता है, तभी वे पुष्टि करने के लिए पूरा 10 मिनट खर्च करते हैं कि क्या वह खजाना है।

परिणाम: वे खराब दरवाजों के विशाल बहुमत के लिए महंगे "झांकने" की प्रक्रिया को छोड़ देते हैं। वे केवल उन दरवाजों के लिए उच्च लागत चुकाते हैं जिनके पास वास्तव में उत्तर होने की संभावना होती है।

4. "सीक्वेंशियल" (क्रमिक) भाग: रिले रेस

यह पेपर इसे सीक्वेंशियल मोंटे कार्लो (SMC) नामक एक विधि के साथ भी जोड़ता है।

उपमा: कल्पना कीजिए कि आप खजाना खोजने की कोशिश कर रहे हैं, लेकिन आपके पास एक ही समय में काम करने वाले 1,000 खोजकर्ताओं (पार्टिकल्स) की एक टीम है।
प्रक्रिया:
1. शुरुआत: सभी यादृच्छिक स्थानों से शुरू करते हैं।
2. गति: वे सभी एक बेहतर स्थान की ओर कदम बढ़ाते हैं।
3. फ़िल्टर: चीट शीट तुरंत खोजकर्ताओं को बताती है, "आप तीनों गलत रास्ते पर हैं, घर जाओ।" अन्य लोग आगे बढ़ते रहते हैं।
4. रीसैंपल (पुनः चयन): यदि बहुत से खोजकर्ता खराब जगहों पर फंस जाते हैं, तो टीम पुनर्गठित होती है, जिसमें सबसे अच्छे खोजकर्ताओं को रखा जाता है और नए क्षेत्रों की खोज के लिए उनकी नकल (क्लोन) बनाई जाती है।
यह क्यों मदद करता है: क्योंकि खोजकर्ता समानांतर (एक रिले रेस की तरह) काम करते हैं, और चीट शीट हारने वालों को जल्दी रोक देती है, इसलिए पूरी टीम एक अकेले जासूस के दरवाजे-दर-दरो जाने की तुलना में बहुत तेज़ी से खजाना ढूंढ लेती है।

5. उन्होंने क्या पाया

लेखकों ने काल्पनिक डेटा (सिम्युलेटेड ट्री) और प्राइमेट्स तथा अन्य प्रजातियों के वास्तविक डीएनए डेटा दोनों पर इसका परीक्षण किया।

गति: उन्होंने पाया कि उनकी विधि मानक विधियों (जैसे लोकप्रिय सॉफ्टवेयर MrBayes) की तुलना में काफी तेज़ थी। उन्होंने अनावश्यक गणनाओं से बचकर बहुत सारा समय बचाया।
सटीकता: "खराब दरवाजों" के लिए "झांकने" को छोड़ने के बावजूद, उन्होंने धीमे तरीकों की तरह ही सटीक रूप से सही पारिवारिक वृक्ष खोजे।
मॉडल चयन: वे यह भी सही ढंग से पहचान सके कि कौन सा विकासवादी मॉडल (डीएनए कैसे बदलता है के "नियम") डेटा के लिए सबसे उपयुक्त था।

सारांश

इस शोध पत्र को एक नाइट क्लब (सर्वश्रेष्ठ वृक्ष की खोज) के लिए एक स्मार्ट बाउंसर पेश करने के रूप में समझें।

पुराना तरीका: बाउंसर सबको अंदर आने देता है, उनकी आईडी चेक करता है, और फिर उन्हें बाहर निकाल देता है यदि वे वहां के लायक नहीं हैं। यह धीमा और महंगा है।
नया तरीका: बाउंसर के पास एक स्मार्ट स्कैनर (रैंडम फॉरेस्ट) है जो सड़क से ही आपके जूतों और जैकेट को देखता है। यदि आप ऐसे दिखते हैं कि आप वहां के लायक नहीं हैं, तो वह आपको दरवाजे तक पहुँचने से पहले ही रोक देता है। केवल वे लोग जिन्हें हो सकता है कि वहां होने की आवश्यकता हो, वे ही वीआईपी चेक के लिए जाते हैं।

यह वैज्ञानिकों को सटीकता खोए बिना बहुत तेज़ी से जटिल विकासवादी पहेलियों को हल करने की अनुमति देता है। इस नई विधि के लिए कोड दूसरों के उपयोग के लिए उपलब्ध है।

तकनीकी सारांश: रैंडम फॉरेस्ट सरोगेट्स के साथ डिलेड एक्सेप्टेंस सीक्वेंशियल मोंटे कार्लो के माध्यम से बेयसियन फाइलोजेनेटिक इन्फरेंस में तेजी लाना

समस्या विवरण
बेयसियन फाइलोजेनेटिक्स में, प्राथमिक उद्देश्य फाइलोजेनेटिक पेड़ों (टोपोलॉजी और ब्रांच लेंथ) और विकासवादी मापदंडों पर पोस्टीरियर वितरण (posterior distribution) का अनुमान लगाना है। इसमें एक पोस्टीरियर वितरण की गणना करना शामिल है जिसके लिए बड़ी संख्या में ट्री टोपोलॉजी को जोड़ने और उच्च-आयामी ब्रांच लेंथ पर एकीकरण (integration) की आवश्यकता होती है। जबकि मार्कोव चेन मोंटे कार्लो (MCMC) और सीक्वेंशियल मोंटे कार्लो (SMC) विधियाँ इन वितरणों के सन्निकटन (approximation) के लिए मानक हैं, वे बड़े पैमाने के अनुक्रम डेटा (sequence data) के साथ एक गंभीर बाधा का सामना करती हैं: लाइकलीहुड फंक्शन (likelihood function) का बार-बार मूल्यांकन करना कम्प्यूटेशनल रूप से अत्यधिक महंगा है। मौजूदा दृष्टिकोणों, जैसे कि एडेप्टिव MCMC मूव्स या वेरिएशनल एप्रोक्सिमेशन ने इस समस्या को कम करने का प्रयास किया है, लेकिन सटीक लाइकलीहुड गणना की कम्प्यूटेशनल लागत इन्फरेंस समय में एक प्रमुख कारक बनी हुई है।

कार्यप्रणाली
लेखक एक नया ढांचा प्रस्तावित करते हैं जो ट्री स्पेस की खोज को तेज करने के लिए रैंडम फॉरेस्ट (RF) सरोगेट्स के साथ डिलेड एक्सेप्टेंस (DA) तंत्र को एकीकृत करता है।

डिलेड एक्सेप्टेंस MCMC कर्नेल:
मुख्य नवाचार एक दो-चरणीय (प्रभावी रूप से तीन-चरणीय) स्वीकृति प्रक्रिया है जिसे उन प्रस्तावों (proposals) के लिए वास्तविक लाइकलीहुड की गणना करने से बचने के लिए डिज़ाइन किया गया है जिन्हें अस्वीकार किए जाने की संभावना अधिक है।

चरण 1 (सरोगेट चेक): एक नए स्टेट $x^*$ के प्रस्ताव पर, एल्गोरिदम एक सरोगेट परिवर्तन में लॉग-लाइकलीहुड, $\Delta x^*$ , का मूल्यांकन करता है, जिसकी भविष्यवाणी एक मशीन लर्निंग मॉडल द्वारा की जाती है। यदि $\Delta x^* < \kappa$ (जहाँ $\kappa$ एक उपयोगकर्ता-निर्दिष्ट नकारात्मक थ्रेशोल्ड है), तो प्रस्ताव को बिना वास्तविक लाइकलीहुड, प्रायर्स (priors) या प्रोपोज़ल रेश्यो की गणना किए तुरंत अस्वीकार कर दिया जाता है।
चरण 2 (स्यूडो-एक्सेप्टेंस): यदि प्रस्ताव पहले चेक में पास हो जाता है, तो एल्गोरिदम प्रायर्स और प्रोपोज़ल के अनुपात की गणना करता है जो सरोगेट लाइकलीहुड $f(x^*)$ के साथ संयुक्त है। एक दूसरा स्वीकृति संभाव्यता $\tilde{\alpha}$ की गणना की जाती है।
चरण 3 (ट्रू लाइकलीहुड): केवल यदि प्रस्ताव पहले दो चरणों में पास हो जाता है, तभी अंतिम स्वीकृति संभाव्यता $\bar{\alpha}$ निर्धारित करने के लिए सटीक लाइकलीहुड $p(D|x^*)$ की गणना की जाती है।
एडजस्टमेंट पैरामीटर ( $\delta$ ): सरोगेट लॉग-लाइकलीहुड परिवर्तन में एक ट्यूनिंग पैरामीटर $\delta$ जोड़ा जाता है ताकि कम्प्यूटेशनल गति और पोस्टीरियर सटीकता के बीच के ट्रेड-ऑफ को नियंत्रित किया जा सके। एक बड़ा $\delta$ गलत अस्वीकारियों (Type II errors) को कम करता है लेकिन वास्तविक लाइकलीहुड मूल्यांकनों की संख्या को बढ़ाता है।

रैंडम फॉरेस्ट सरोगेट मॉडलिंग:
चूंकि फाइलोजेनेटिक ट्री टोपोलॉजी एक असतत (discrete) स्टेट स्पेस में मौजूद होती हैं, इसलिए मानक मशीन लर्निंग सीधे लाइकलीहुड को मॉडल नहीं कर सकता है। इसके बजाय, लेखक ट्री मूव्स के कारण होने वाले लॉग-लाइकलीहुड परिवर्तन का मॉडल तैयार करते हैं।

फीचर एक्सट्रैक्शन: विधि 35 निरंतर फीचर्स निकालती है जो ट्री प्रस्तावों (विशेष रूप से eSPR, stNNI, Multiplier, और ग्लोबल Multiplier मूव्स) का प्रतिनिधित्व करते हैं। इन फीचर्स में ग्लोबल ट्री स्टैटिस्टिक्स, पार्शियल सबट्री इंफॉर्मेशन, पुनर्गठन पथ (rearrangement path) के विवरण और ह्यूरिस्टिक इंडिकेटर्स (जैसे, "लॉन्ग ब्रांच अट्रैक्शन रिस्क") शामिल हैं।
मॉडल ट्रेनिंग: एक रैंडम फॉरेस्ट रिग्रेसर को $\Delta \log L$ की भविष्यवाणी करने के लिए प्रशिक्षित किया जाता है। ट्रेनिंग डेटा एक पायलट रन के एनेल्ड (annealed) SMC एल्गोरिदम के माध्यम से एकत्र किया जाता है, जो उच्च और निम्न पोस्टीरियर क्षेत्रों दोनों में कवरेज सुनिश्चित करता है।

डिलेड एक्सेप्टेंस SMC (DA-SMC):
DA-MCMC कर्नेल को एक SMC फ्रेमवर्क में एम्बेड किया गया है। एल्गोरिदम मध्यवर्ती लक्ष्य वितरणों $\pi_r(x) \propto p(x)[1(\Delta x > \kappa) \min\{p(D|x), f(x)\}]^{\phi_r}$ के माध्यम से कणों (particles) की एक आबादी को बनाए रखता है।

प्रोपोगेशन (Propagation): कणों को DA-MCMC कर्नेल का उपयोग करके प्रोपगेट किया जाता है।
री-वेटिंग (Re-weighting): भार (weights) को मध्यवर्ती लक्ष्यों के अनुपात के आधार पर अपडेट किया जाता है, जहाँ सरोगेट लाइकलीहुड का उपयोग किया जाता है जहाँ वास्तविक लाइकलीहुड की गणना नहीं की जाती है।
रीसैंपलिंग (Resampling): जब सापेक्ष प्रभावी सैंपल साइज (rESS) एक थ्रेशोल्ड से नीचे गिर जाता है, तो कणों को रीसैंपल किया जाता है।
मार्जनल लाइकलीहुड: फ्रेमवर्क सरोगेट-ऑगमेंटेड पोस्टीरियर के लिए एक निष्पक्ष (unbiased) एस्टीमेटर प्रदान करता है, जिसका उपयोग मॉडल चयन के लिए किया जा सकता है।

मुख्य योगदान

एल्गोरिद्मिक फ्रेमवर्क: बेयियन फाइलोजेनेटिक्स के लिए विशेष रूप से तैयार किया गया, महंगे लाइकलीहुड मूल्यांकनों की आवृत्ति को कम करने के लिए डिलेड एक्सेप्टेंस तंत्र के साथ SMC का एकीकरण।
फीचर इंजीनियरिंग: ट्री मूव्स (eSPR, stNNI, आदि) को चरित्रित करने के लिए फीचर इंजीनियरिंग के माध्यम से 35 टोपोलॉजिकल और ब्रांच-लेंथ फीचर्स का विकास।
सरोगेट मॉडलिंग: बिना प्री-सिलेक्शन के नॉन-लीनियर संबंधों और उच्च-आयामी फीचर्स के प्रति मजबूती प्रदर्शित करने के लिए लॉग-लाइकलीहुड परिवर्तन की भविष्यवाणी करने हेतु रैंडम फॉरेस्ट का अनुप्रयोग।
पैरामीटर सिलेक्शन स्ट्रैटेजी: ट्रेनिंग चरण के दौरान टाइप II एरर को नियंत्रित करने के लिए ट्यूनिंग पैरामीटर $\delta$ चुनने के लिए एक डेटा-ड्रिवन प्रक्रिया।
सॉफ्टवेयर इम्प्लीमेंटेशन: प्रस्तावित विधि को लागू करने वाला एक पायथन पैकेज (DAphyloSMC) का विकास।

परिणाम
लेखक सिम्युलेटेड और वास्तविक दुनिया के डेटासेट पर विधि को मान्य करते हैं:

सिमुलेशन अध्ययन:
- मॉडल चयन: DA-SMC ने मार्जनल लाइकलीहुड का अनुमान लगाकर उम्मीदवारों (JC69, K2P, GTR) के बीच वास्तविक डेटा-जेनरेटिंग मॉडल (K2P) की सही पहचान की, जो अंडरफिटिंग और ओवर-पैरामीट्राइजेशन दोनों को प्रभावी ढंग से दंडित (penalize) करता है।
- पैरामीटर संवेदनशीलता: यह पाया गया कि एक निश्चित कुल बजट के तहत कणों की संख्या ( $K$ ) बढ़ाने की तुलना में इटरेशन की संख्या ( $R$ ) बढ़ाना अभिसरण (convergence) के लिए अधिक महत्वपूर्ण है।
- दक्षता: DA-SMC ने स्टैंडर्ड एनेल्ड SMC (ASMC) की तुलना में पर्याप्त समय बचत हासिल की, और टैक्सा (taxa) की संख्या बढ़ने के साथ यह स्पीडअप और भी स्पष्ट होता गया। लाइकलीहुड इवैल्यूएशन स्टेप का पैरेललाइजेशन ने प्रदर्शन को और तेज कर दिया।
- सटीकता: विधि ने वास्तविक लाइकलीहुड मूल्यांकनों की संख्या को काफी कम करते हुए ट्री टोपोलॉजी (रोबिन्सन-फौल्ड्स और पार्टीशन मेट्रिक्स द्वारा मापा गया) के मजबूत अनुमान को बनाए रखा।
वास्तविक डेटा विश्लेषण:
- तीन डेटासेट्स (Primates, M336, M1809) पर लागू किया गया और समान कम्प्यूटेशनल बजट के तहत MrBayes के विरुद्ध तुलना की गई।
- DA-SMC ने ट्री डिस्टेंस मेट्रिक्स (RF और PM) के मामले में लगातार MrBayes से बेहतर प्रदर्शन किया और उच्च लॉग-लाइकलीहुड और मार्जनल लाइकलीहुड अनुमान प्राप्त किए।
- M1809 डेटासेट के लिए, विधि ने सटीकता से समझौता किए बिना 46.64% प्रस्तावों के लिए सटीक लाइकलीहुड गणनाओं को बायपास किया, जिससे महत्वपूर्ण कम्प्यूटेशनल दक्षता प्रदर्शित हुई।

महत्व और दावे
लेखक का दावा है कि प्रस्तावित DA-SMC दृष्टिकोण बड़े पैमाने के बेयसियन फाइलोजेनेटिक इन्फरेंस में कम्प्यूटेशनल बाधा के लिए एक व्यावहारिक समाधान प्रदान करता है। खराब प्रस्तावों को प्रक्रिया के दौरान जल्दी से फ़िल्टर करने के लिए मशीन लर्निंग का लाभ उठाकर, यह विधि लाइकलीहुड मूल्यांकन से जुड़े कम्प्यूटेशनल बोझ को काफी कम कर देता है। लेखक का कहना है कि उनका दृष्टिकोण:

खोज को तेज करता है: ट्री स्पेस को एक्सप्लोर करने के लिए आवश्यक लाइकलीहुड मूल्यांकनों की संख्या को काफी कम करता है।
सटीकता बनाए रखता है: पोस्टीरियर इन्फरेंस और मॉडल चयन क्षमताओं की गुणवत्ता को सुरक्षित रखता है, और अक्सर समान कम्प्यूटेशनल बजट के भीतर मानक MCMC (MrBayes) से बेहतर प्रदर्शन करता है।
सैद्धांतिक गारंटी प्रदान करता है: विशिष्ट स्थितियों के तहत (परफेक्ट सरोगेट के साथ), विधि सटीक पोस्टीरियर को रिकवर करती है। लेखक SMC एस्टीमेटर की कंसिस्टेंसी और एसिम्प्टोटिक नॉर्मलिटी और सरोगेट-ऑगमेंटेड वितरण के लिए मार्जनल लाइकलीहुड एस्टीमेटर की अनबायस्डनेस के लिए सैद्धांतिक प्रमाण प्रदान करते हैं।
लचीलापन प्रदान करता है: यह ढांचा मॉड्यूलर है, जिससे भविष्य में अन्य मशीन लर्निंग मॉडल्स या डीप लर्निंग आर्किटेक्चर के एकीकरण की संभावना बनी रहती है, और यह SMC में निहित पैरेललाइजेशन का समर्थन करता है।

लेखक अपनी सीमाओं के संबंध में विनम्र रहते हैं, यह स्वीकार करते हुए कि सरोगेट मॉडल की अशुद्धियाँ गलत स्वीकृतियों (Type I errors) या गलत अस्वीकारियों (Type II errors) की ओर ले जा सकती हैं, जिन्हें ट्यूनिंग पैरामीटर $\delta$ के माध्यम से प्रबंधित किया जाता है। उन्होंने उल्लेख किया कि वर्तमान कार्यान्वयन हैंड-क्राफ्टेड फीचर्स पर निर्भर करता है, जबकि भविष्य के कार्य अधिक परिष्कृत ट्री रिप्रेजेंटेशन की खोज कर सकते हैं।