🤖 AI

Structure Abstraction and Generalization in a Hippocampal-Entorhinal Inspired World Model

यह शोध पत्र एक मस्तिष्क-प्रेरित पदानुक्रमित मॉडल प्रस्तावित करता है जो अमूर्त संबंधपरक संरचनाओं को समवर्ती रूप से निकालने और भविष्य कहने वाले दृश्य विश्व मॉडलों का निर्माण करने के लिए हिप्पोकैम्पल-एंटोरहिनल सर्किट (hippocampal-entorhinal circuit) की नकल करता है, जिससे स्व-पर्यवेक्षित शिक्षण (self-supervised learning) के माध्यम से सुदृढ़ संरचनात्मक सामान्यीकरण और ज्ञान हस्तांतरण सक्षम होता है।

मूल लेखक: Tianqiu Zhang, Muyang Lyu, Xiao Liu, Si Wu

प्रकाशित 2026-05-18

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tianqiu Zhang, Muyang Lyu, Xiao Liu, Si Wu

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 आपका मस्तिष्क एक सुपर-स्मार्ट लाइब्रेरियन की तरह है जो न केवल किताबों को याद करता है, बल्कि कहानियाँ लिखने के नियमों को भी समझता है। यह शोध पत्र एक कंप्यूटर मॉडल पेश करता है जो यह नकल करने की कोशिश करता है कि मानव मस्तिष्क का एक विशिष्ट हिस्सा (हिप्पोकैम्पस और एनटोरिनल कॉर्टेक्स) ठीक इसी तरह कैसे काम करता है: यह क्या हो रहा है, उसे कैसे हो रहा है से अलग करता है।

यहाँ सरल उपमाओं (analogies) का उपयोग करके इस शोध पत्र के विचारों का विवरण दिया गया है:

1. समस्या: "बहुत अधिक विवरण" का जाल

जब आप एक बिल्ली के कूदने का वीडियो देखते हैं, तो आपका मस्तिष्क उसके बाल, रंग, पृष्ठभूमि और आवाज़ को देखता है। लेकिन क्रिया (कूदना) को समझने के लिए, आपको विशिष्ट बिल्ली को अनदेखा करने और गति के पैटर्न पर ध्यान केंद्रित करने की आवश्यकता है।

अधिकांश वर्तमान AI मॉडल हर वीडियो के हर पिक्सेल को याद करने की कोशिश करते हैं। यदि वे सीखते हैं कि एक लाल गेंद कैसे लुढ़कती है, तो उन्हें यह समझने में संघर्ष करना पड़ता है कि एक नीली गेंद कैसे लुढ़कती है क्योंकि वे रंग पर अटक गए थे। उन्होंने "लुढ़कने" के अमूर्त नियम को नहीं सीखा है।

2. समाधान: मस्तिष्क की दो-भाग वाली प्रणाली

लेखकों ने एक मॉडल बनाया है जो मस्तिष्क के दो हिस्सों से प्रेरित है:

HPC (हिप्पोकैम्पस): इसे एक फोटो एल्बम के रूप में सोचें। यह विशिष्ट विवरणों को याद रखता है: लाल गेंद, धूप वाला पार्क, बिल्ली की मूंछें। यह किसी विशिष्ट घटना की "एपिसोडिक मेमोरी" को रखता है।
MEC (एनटोरिनल कॉर्टेक्स): इसे एक मैप मेकर (मानचित्र बनाने वाला) के रूप में सोचें। इसे लाल गेंद या बिल्ली की परवाह नहीं है। इसे केवल गति की ज्यामिति (geometry) की परवाह है। यह गति का एक नक्शा बनाता है कि "चीजें कैसे चलती हैं।" यह जानता है कि "लुढ़कना" एक नक्शे पर एक विशिष्ट पथ है, चाहे वह किसी भी वस्तु के माध्यम से हो।

3. मॉडल कैसे काम करता है: "घोस्ट ड्राइवर" (भूतिया चालक) की उपमा

मॉडल दो मुख्य चरणों में सीखता है, जो एक ड्राइवर और एक नेविगेटर की तरह कार्य करता है:

चरण 1: इन्वर्स मॉडल (जासूस)
मॉडल एक वीडियो देखता है और पूछता है: "किस अदृश्य बल ने इस वस्तु को हिलाया?" यह दो फ्रेम देखता है और उस "वेग" या "धक्के" का पता लगाता है जिसने परिवर्तन किया। यह वस्तु के रंग और बनावट को हटा देता है, केवल शुद्ध गति निर्देश को रखता है।
- उपमा: कल्पना कीजिए कि आप एक कार को पास से गुजरते हुए देख रहे हैं। जासूस कार के पेंट को अनदेखा करता है और बस लिख देता है: "बाएं मुड़ा, गति बढ़ी।"
चरण 2: वर्ल्ड मॉडल (नेविगेटर)
यहीं मस्तिष्क के हिस्से आते हैं।
- MEC (मैप मेकर) उस "बाएं मुड़ो, गति बढ़ाओ" निर्देश को लेता है और एक मानसिक मानचित्र पर एक बिंदु को स्थानांतरित करता है। यह "कंटीन्यूअस अट्रैक्टर डायनेमिक्स" नामक एक विशेष गणितीय ट्रिक का उपयोग करता है (इसे एक कटोरे में लुढ़कती हुई कंचा की तरह समझें) ताकि यह भविष्यवाणी की जा सके कि अगला बिंदु कहाँ होना चाहिए। यह गति का एक स्थिर, पुन: प्रयोज्य मानचित्र बनाता है।
- HPC (फोटो एल्बम) मानचित्र पर उस नई स्थिति को लेता है और पूछता है: "ठीक है, यदि बिंदु यहाँ है, तो लाल गेंद अब कैसी दिखती है?" यह विवरणों को भर देता है।

4. जादू का खेल: "घोस्ट ड्राइविंग"

इस शोध पत्र का सबसे शानदार हिस्सा सामान्यीकरण (Generalization) है। क्योंकि मॉडल ने "मैप" (गति के नियम) को "फोटो" (विवरण) से अलग कर लिया है, इसलिए यह कुछ अद्भुत कर सकता है:

परिदृश्य: मॉडल ने सीखा कि एक पीला सेब कैसे घूमता है।
परीक्षण: शोधकर्ताओं ने उससे एक ऐसे लाल सेब के लिए वही रोटेशन नियम लागू करने को कहा जिसे उसने पहले कभी नहीं देखा था।
परिणाम: मॉडल ने सफलतापूर्वक लाल सेब को पीले वाले की तरह ही घुमाने में सफलता प्राप्त की, भले ही उसने पहले कभी लाल सेब को घूमते हुए नहीं देखा था। उसने पीले सेब से "घोस्ट ड्राइवर" (गति का नियम) लिया और उसे लाल सेब पर लागू कर दिया।

यह बिल्कुल वैसा ही है जैसे एक समतल सड़क पर साइकिल चलाना सीखना और फिर तुरंत यह जानना कि ढलान वाली सड़क पर साइकिल कैसे चलाई जाती है, क्योंकि आपने पेडल मारने के भौतिकी (physics) को समझा है, न कि केवल विशिष्ट सड़क को।

5. उन्होंने क्या सिद्ध किया

संरचना बनाम सामग्री: उन्होंने दिखाया कि उनके मॉडल का "मैप मेकर" हिस्सा (MEC) वस्तु के रंग या बनावट से भ्रमित हुए बिना गति के शुद्ध नियमों (जैसे रोटेशन या स्केलिंग) को सीख गया।
मजबूती (Robustness): जब उन्होंने मॉडल को फ्रेम के लंबे अनुक्रम (जैसे एक फिल्म) की भविष्यवाणी करने के लिए छोड़ा, तो यह समय के साथ धुंधला होता जाता है (जैसे "टेलीफोन" का खेल)। हालाँकि, उन्होंने एक "विजुअल फीडबैक" लूप जोड़ा। यदि मॉडल भटकने लगता है, तो वह वास्तविक वीडियो की जांच करता है, अपने मानचित्र को ठीक करता है, और आगे बढ़ता रहता है।
वास्तविक दुनिया बनाम नकली दुनिया: मॉडल को वास्तविक मानवीय वीडियो (लोग वस्तुओं को हिला रहे हैं) पर प्रशिक्षित किया गया था। जब उन्होंने इसका परीक्षण 3D कंप्यूटर सिमुलेशन (रोबोट ब्लॉक हिला रहे हैं) पर किया, तो यह आश्चर्यजनक रूप से अच्छा काम करता है, जिससे सिद्ध होता है कि इसने विशिष्ट वीडियो पैटर्न के बजाय सामान्य नियम सीखे हैं।

सारांश

यह शोध पत्र एक ऐसा कंप्यूटर मॉडल प्रस्तुत करता है जो वीडियो देखने के लिए कहानी (विशिष्ट वस्तु) को स्क्रिप्ट (गति के नियम) से अलग करके सीखता है। स्मृति (HPC) और स्थानिक मानचित्रण (MEC) के बीच मस्तिष्क के अलगाव की नकल करके, मॉडल यह सीख सकता है कि चीजें कैसे चलती हैं और फिर उन गति नियमों को पूरी तरह से नई वस्तुओं और वातावरणों पर लागू कर सकता है, जिससे वह "कॉमन सेंस" के उस स्तर को प्राप्त करता है जिसके लिए पिछले AI मॉडल संघर्ष करते रहे हैं।

तकनीकी सारांश: एक हिप्पोकैम्पल-एंटोराइनल प्रेरित वर्ल्ड मॉडल में संरचनात्मक अमूर्तीकरण और सामान्यीकरण

समस्या विवरण

मनुष्यों में विविध संदर्भों में अनुभवों को संरचित निरूपणों (structured representations) में अमूर्त करने की क्षमता होती है, जो पैटर्न अनुमान और ज्ञान हस्तांतरण की सुविधा प्रदान करती है। जबकि जैविक हिप्पोकैम्पल-एंटोराइनल (HPC-MEC) सर्किट निरंतर, उच्च-आयामी गतिकी से अमूर्त संरचनाओं को निकालने के लिए जाना जाता है, निरंतर उच्च-आयामी वास्तविक दुनिया के दृश्यों से सीधे अमूर्त संरचनाओं को निकालने के तंत्र अभी भी पूरी तरह से समझ में नहीं आए हैं। मौजूदा संज्ञानात्मक मानचित्र (cognitive map) मॉडल अक्सर स्केलिंग में संघर्ष करते हैं, क्योंकि वे यह प्रदर्शित करने में विफल रहते हैं कि पूर्व पर्यवेक्षण (prior supervision) के बिना उच्च-आयामी, वास्तविक दुनिया के दृश्य दृश्यों से अमूर्त संरचनाएं कैसे निकाली जा सकती हैं। इसके अलावा, वर्तमान वर्ल्ड मॉडल अक्सर ट्रांजिशन डायनेमिक्स (transition dynamics) को संवेदी सामग्री (sensory content) के साथ उलझा देते हैं, जिससे विभिन्न वस्तुओं और वातावरणों में संरचनात्मक पैटर्न को सामान्यीकृत करने की क्षमता सीमित हो जाती है।

यह कार्य दो मौलिक प्रश्नों को संबोधित करता है:

एक मॉडल बिना पूर्व पर्यवेक्षण के ठोस संवेदी सामग्री के निरूपण और अनुक्रमों से अमूर्त संरचनाओं को एक साथ कैसे सीख सकता है?
इन निकाली गई संरचनाओं का उपयोग विविध वस्तुओं और वातावरणों में मजबूत संरचनात्मक सामान्यीकरण (structural generalization) को सुगम बनाने के लिए कैसे किया जा सकता है?

कार्यप्रणाली

लेखक एक पदानुलीय, मस्तिष्क-प्रेरित वर्ल्ड मॉडल प्रस्तावित करते हैं जो HPC-MEC सर्किट के कार्यात्मक विभाजन की नकल करता है। आर्किटेक्चर में दो प्राथमिक घटक शामिल हैं: संरचनात्मक निष्कर्षण के लिए एक इनवर्स मॉडल (inverse model) और भविष्य कहने वाले वर्ल्ड मॉडलिंग के लिए एक HPC-MEC कपलिंग मॉडल।

1. आर्किटेक्चर अवलोकन

मॉडल कच्चे वीडियो अनुक्रमों पर एक प्री-ट्रेंड मल्टी-स्केल VQ-VAE का उपयोग करके ऑब्जर्वेशन एम्बेडिंग्स ( $s$ ) निकालने के लिए कार्य करता है। मुख्य प्रसंस्करण दो अलग-अलग लेटेंट स्पेस में होता है:

हिप्पोकैम्पस (HPC): सामग्री-समृद्ध, एपिसोडिक जानकारी को एनकोड करता है। यह विशिष्ट संवेदी विवरणों और संदर्भ को कैप्चर करता है।
मेडियल एंटोराइनल कॉर्टेक्स (MEC): अमूर्त संबंधपरक संरचनाओं (abstract relational structures) को एनकोड करता है। इसे वेग-संचालित पथ एकीकरण (velocity-driven path integration) करने के लिए कंटीन्यूअस अट्रैक्टर न्यूरल नेटवर्क (CANN) डायनेमिक्स का उपयोग करके लागू किया गया है।

2. HPC-MEC कपलिंग मॉडल

मॉडल दो सूचना प्रवाहों का उपयोग करता है:

विजुअल इन्फरेंस फ्लो (Visual Inference Flow): इनपुट फ्रेम को HPC एम्बेडिंग्स ( $p$ ) में एनकोड किया जाता है और फिर उन्हें लो-डायमेंशनल MEC एम्बेडिंग्स ( $g$ ) में संकुचित किया जाता है। यह प्रवाह वर्तमान स्थिति को कैप्चर करता है।
जेनरेशन फ्लो (Generation Flow): मॉडल MEC एम्बेडिंग्स पर लेटेंट ट्रांजिशन लागू करके भविष्य की अवस्थाओं की भविष्यवाणी करता है। MEC डायनेमिक्स को एक CANN के रूप में मॉडल किया गया है, जहाँ नेटवर्क गतिविधि का एक स्थिर "बंप" (bump) बनाए रखता है। एक लेटेंट ट्रांजिशन ( $z_t$ $z_{t}$ ) एक वेग ऑपरेटर के रूप में कार्य करता है, जो अगली अवस्था ( $g_{t+1}$ $g_{t + 1}$ ) उत्पन्न करने के लिए नेटवर्क के मेट्रिक अक्षों के साथ इस बंप को स्थानांतरित करता है।
- अपडेट नियम को इस प्रकार परिभाषित किया गया है: $g_{t+1} = g_t \oplus f_{forward}(z_t, g_t)$ , जहाँ $\oplus$ एक फेज शिफ्ट ऑपरेटर है।
विजुअल फीडबैक: ऑटोरिग्रेसिव पाथ इंटीग्रेशन में निहित त्रुटि संचय (error accumulation) को कम करने के लिए, मॉडल विजुअल फीडबैक को शामिल करता है। जब नए ऑब्जर्वेशन उपलब्ध होते हैं, तो ऑब्जर्वेशन से निकाला गया MEC एम्बेडिंग अगले प्रेडिक्शन स्टेप से पहले जनरेट की गई अवस्था को ठीक करता है।

3. लेटेंट ट्रांजिशन इन्फरेंस के लिए इनवर्स मॉडल

डायरेक्टली हाई-डायमेंशनल ऑब्जर्वेशन से मैप करने के बजाय, इनवर्स मॉडल क्रमिक MEC एम्बेडिंग्स ( $g_t$ और $g_{t+1}$ ) के बीच के अंतर से लेटेंट ट्रांजिशन ( $z_t$ ) को इन्फर करता है।

$z_t = f_{inverse}(g_{t+1} \ominus g_t)$
अमूर्त MEC स्पेस में अंतर पर कार्य करके, मॉडल लो-डायमेंशनल ट्रांजिशन डायनेमिक्स को अलग करता है, जो HPC में एनकोड किए गए रेडंडेंट विजुअल फीचर्स को बाहर करता है। यह प्रभावी रूप से "वस्तु कैसे चलती है" (संरचना) को "वस्तु क्या है" (सामग्री) से अलग करता है।

4. प्रशिक्षण प्रतिमान (Training Paradigm)

मॉडल को केवल ऑब्जर्वेशन सीक्वेंस का उपयोग करके स्व-पर्यवेक्षित (self-supervised) तरीके से प्रशिक्षित किया जाता है, जिसमें स्पष्ट एक्शन लेबल की आवश्यकता नहीं होती है। प्रशिक्षण तीन चरणों में आगे बढ़ता है:

चरण 1: विजुअल इन्फरेंस फ्लो और डिकोडिंग प्रक्रिया को ऑब्जर्वेशन एम्बेडिंग्स को पुनर्गठित करने के लिए प्रशिक्षित करना, जो एलाइनमेंट और रेगुलराइजेशन लॉस के माध्यम से संवेदी इनपुट और स्वयं-गति (self-motion) संकेतों के बीच निरंतरता को लागू करता है।
चरण 2: लेटेंट ट्रांजिशन को इन्फर करने के लिए इनवर्स मॉडल और अगले MEC एम्बेडिंग की भविष्यवाणी करने के लिए ट्रांजिशन डायनेमिक्स को प्रशिक्षित करना।
चरण 3: पाथ इंटीग्रेशन का उपयोग करके ऑटोरिग्रेसिव जेनरेशन करने के लिए पूरे सिस्टम को संयुक्त रूप से फाइन-ट्यून करना, जो केवल प्रारंभिक अवस्था और इन्फर्ड लेटेंट ट्रांजिशन के अनुक्रमों पर निर्भर करता है।

प्रमुख योगदान

स्व-पर्यवेक्षित HPC-MEC वर्ल्ड मॉडल: लेखक एक ऐसा ढांचा पेश करते हैं जो बिना किसी स्पष्ट डायनेमिक्स प्रायर के, कच्चे वीडियो अनुक्रमों से संयुक्त रूप से अमूर्त संरचनाओं को इन्फर करता है और एक वर्ल्ड मॉडल सीखता है।
संरचनात्मक अमूर्तीकरण का विश्लेषण: प्रिमिटिव ट्रांसफॉर्मेशन डायनेमिक्स (रोटेशन, ट्रांसलेशन, स्केलिंग) को एक बेंचमार्क के रूप में उपयोग करते हुए, यह पेपर प्रदर्शित करता है कि मॉडल सफलतापूर्वक उपस्थिति (appearance) को डायनेमिक्स से अलग करता है। यह आवधिकता (periodicity) और इन-क्लास स्ट्रक्चर शेयरिंग प्रदर्शित करता है, जहाँ MEC एम्बेडिंग्स विभिन्न ऑब्जेक्ट इंस्टेंस के बीच साझा रोटेशनल फीचर्स को कैप्चर करते हैं, जबकि HPC एम्बेडिंग्स ऑब्जेक्ट-विशिष्ट पहचान को बनाए रखते हैं।
संरचनात्मक सामान्यीकरण (Structural Generalization): मॉडल समान ट्रांजिशन डायनेमिक्स से साझा संरचनाओं को निकालने और उन्हें विभिन्न वातावरणों और ऑब्जेक्ट श्रेणियों में लचीले ढंग से पुन: उपयोग करने की क्षमता प्रदर्शित करता है (जीरो-शॉट ट्रांसफर)। यह MEC में एनकोड की गई अमूर्त संरचनाओं को HPC में संग्रहीत सामग्री विवरणों के साथ एकीकृत करके प्राप्त किया जाता है।

परिणाम

मॉडल का मूल्यांकन प्रशिक्षण के लिए Something-Something v2 (SSv2) डेटासेट पर और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डेटासेट्स, जिसमें 3D ऑब्जेक्ट ट्रांजिशन्स (COIL-100, MIRO, OmniObject3D) और सिम्युलेटेड रोबोटिक वातावरण (Franka Kitchen, Block Pushing) शामिल हैं, पर किया गया।

प्रेडिक्शन प्रदर्शन: मॉडल मजबूत वन-स्टेप और ऑटोरिग्रेसिव भविष्यवाणियां प्राप्त करता है। ऑटोरिग्रेसिव कार्यों में, विजुअल फीडबैक को शामिल करने से संचित पाथ इंटीग्रेशन त्रुटियों को ठीक करके जेनरेशन की गुणवत्ता में काफी सुधार होता है।
संरचनात्मक अमूर्तीकरण: मात्रात्मक विश्लेषण दिखाता है कि MEC एम्बेडिंग्स ( $g$ ), HPC एम्बेडिंग्स ( $p$ ) की तुलना में साझा डायनेमिक्स के आधार पर इन-क्लास साझा संरचनाओं को कैप्चर करने में अधिक प्रभावी हैं। MEC एम्बेडिंग्स पर प्रशिक्षित डिकोडर, HPC एम्बेडिंग्स पर प्रशिक्षित डिकोडर की तुलना में साझा डायनेमिक्स के आधार पर ऑब्जेक्ट कैटेगरी को वर्गीकृत करने में उच्च सटीकता प्राप्त करता है।
ट्रांजिशन डिकोडिंग: मॉडल से प्राप्त लेटेंट ट्रांजिशन ( $z$ ), HPC या MEC स्पेस में स्टेट ट्रांजिशन की तुलना में ट्रांजिशन प्रकारों (रोटेशन, ट्रांसलेशन, स्केलिंग) को डिकोड करने में उच्चतम सटीकता (90.64%) प्राप्त करते हैं, जो इंगित करता है कि $z$ अत्यधिक अर्थपूर्ण, कंटेंट-फ्री संरचनाओं को कैप्चर करता है।
सामान्यीकरण: मॉडल एक स्रोत ऑब्जेक्ट (जैसे पीला सेब) से लेटेंट ट्रांजिशन को लक्ष्य ऑब्जेक्ट (जैसे लाल सेब) या अलग दृश्य में सफलतापूर्वक स्थानांतरित करता है, जो लक्ष्य की सामग्री को सुरक्षित रखते हुए स्रोत के डायनेमिक्स के साथ संरेखित अनुक्रम उत्पन्न करता है। यह OOD सेटिंग्स में बेसलाइन्स (LAPA, Moto, AdaWorld) को पछाड़ देता है, विशेष रूप से फ्रैंका किचन जैसे प्राकृतिक वातावरण में, जहाँ बेसलाइन अक्सर विफल हो जाते हैं या स्थिर भविष्यवाणियों में गिर जाते हैं।
एब्लेशन अध्ययन (Ablation Studies): पदानुलीय पृथक्करण (एककीकृत लेटेंट स्पेस) या CANN डायनेमिक्स (मानक MLP द्वारा प्रतिस्थापित) को हटाने से प्रदर्शन में काफी गिरावट आती है, जो पुष्टि करता है कि विलगित (disentangled) आर्किटेक्चर और CANN-आधारित पाथ इंटीग्रेशन शुद्ध डायनेमिक्स को अलग करने और सामान्यीकरण को सक्षम करने के लिए महत्वपूर्ण हैं।

महत्व और दावे

यह कार्य इस बात की समझ के लिए एक नया कम्प्यूटेशनल ढांचा प्रदान करता है कि कैसे मस्तिष्क-प्रेरित, स्व-पर्यवेक्षित लर्निंग के माध्यम से वर्ल्ड मॉडल का निर्माण पुन: प्रयोज्य अमूर्त ज्ञान के अधिग्रहण को सुगम बनाता है। HPC और MEC के कार्यात्मक पृथक्करण की नकल करके, मॉडल प्रदर्शित करता है कि वास्तविक दुनिया के वीडियो अनुक्रमों से प्रभावी रूप से अमूर्त संरचनाएं निकाली जा सकती हैं, जबकि अर्थपूर्ण पदानुक्रमित लेटेंट स्पेस को बनाए रखा जा सकता है।

लेखक दावा करते हैं कि उनका दृष्टिकोण संरचनात्मक सामान्यीकरण के लिए एक तंत्र प्रदान करता है, जिससे सिस्टम निकाले गए संरचनात्मक निरूपणों को नवीन संदर्भों के साथ लचीले ढंग से बांध (bind) सकता है। यह क्षमता एम्बॉडीड AI (embodied AI) में मजबूत ट्रांसफर लर्निंग की ओर एक मार्ग सुझाती है, जहाँ एजेंट सीमित डेटा से सामान्यीकरण योग्य डायनेमिक्स सीख सकते हैं और उन्हें अनदेखी वस्तुओं और वातावरणों पर लागू कर सकते हैं। यह कार्य संज्ञानात्मक मानचित्रों के सैद्धांतिक न्यूरोसाइंस मॉडल और वीडियो प्रेडिक्शन एवं लेटेंट एक्शन एक्सट्रैक्शन के व्यावहारिक डीप लर्निंग अनुप्रयोगों के बीच के अंतर को पाटता है।