📊 statistics

HYVINT: Intensity-Driven Hypergraph Generation with Variational Representations

यह शोधपत्र HYVINT को प्रस्तुत करता है, जो एक तीव्रता-संचालित हाइपरग्राफ जनरेटिव फ्रेमवर्क है जो सिंथेटिक और वास्तविक दुनिया के डेटासेट पर उच्च पीढ़ीगत निष्ठा (fidelity), विविधता और व्याख्यात्मकता प्राप्त करने के लिए बाइनरी इनसिडेंस (incidence) से लेटेंट इंटरेक्शन स्ट्रेंथ को जोड़ने वाले एक नवीन तंत्र और एक सुलभ वेरिएशनल एस्टिमेटर का उपयोग करता है।

मूल लेखक: Xinyi Hong, Shuntuo Xu, Zhou Yu

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Xinyi Hong, Shuntuo Xu, Zhou Yu

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 एक कंप्यूटर को नए सामाजिक समूह बनाना सिखाने की कोशिश कर रहे हैं, जैसे कि किसी विश्वविद्यालय के लिए नकली "स्टडी ग्रुप्स" या किसी रिसर्च लैब के लिए "कोलाबोरेशन टीम्स" बनाना। वास्तविक दुनिया में, ये केवल दोस्तों के साधारण जोड़े नहीं हैं; ये हाइपरग्राफ (hypergraphs) हैं।

एक सामान्य ग्राफ एक बिंदु को दूसरे बिंदु से जोड़ने वाली रेखा की तरह होता है (व्यक्ति A व्यक्ति B को जानता है)। एक हाइपरग्राफ एक ग्रुप चैट या एक कमेटी मीटिंग की तरह है: एक "हाइपरएज" (वह मीटिंग) एक साथ कई लोगों (एलिस, बॉब और चार्ली) को जोड़ सकता है।

समस्या यह है कि ये समूह बहुत अव्यवस्थित होते हैं। ये विरल (sparse) होते हैं (अधिकांश लोग अधिकांश अन्य लोगों को नहीं जानते), और यह समझना कठिन है कि कोई विशिष्ट समूह क्यों बना। मौजूदा AI मॉडल पैटर्न को देखकर संरचना का अनुमान लगाने की कोशिश करते हैं, लेकिन वे अक्सर एक 'ब्लैक बॉक्स' की तरह काम करते हैं—वे परिणाम तो दे देते हैं लेकिन यह नहीं बताते कि "क्यों" या "कैसे"।

यहाँ HYVINT आता है, जो शोधकर्ताओं शिनयी होंग, शुंतो एक्सू और झोउ यू द्वारा प्रस्तावित एक नई विधि है। यह कैसे काम करती है, इसे सरल उपमाओं (analogies) का उपयोग करके समझते हैं:

1. मुख्य विचार: एक मीटिंग की "तीव्रता" (Intensity)

अधिकांश AI मॉडल एक रेखा खींचते हैं और कहते हैं, "हाँ, ये लोग एक समूह में हैं" या "नहीं, वे नहीं हैं।" यह एक बाइनरी (हाँ/ना) प्रक्रिया है।

HYVINT एक अलग दृष्टिकोण अपनाता है। "क्या वे एक समूह में हैं?" पूछने के बजाय, यह पूछता है, "इन लोगों के बीच बातचीत कितनी मजबूत है?"

उपमा: हर संभावित समूह के लिए एक "वाइब मीटर" (vibe meter) की कल्पना करें।
- यदि एलिस, बॉब और चार्ली के बीच का "वाइब" (तीव्रता) शून्य है, तो वे कभी नहीं मिलते।
- यदि वाइब कम है, तो वे शायद कभी-कभार मिलते हैं।
- यदि वाइब उच्च है, तो उनकी एक साथ किसी समूह में होने की पूरी संभावना है।

HYVINT यह मानता है कि "एक समूह में होना" की बाइनरी सच्चाई वास्तव में इस अंतर्निहित अंतःक्रिया तीव्रता (interaction intensity) का परिणाम है। यह एक वास्तविक समूह बनाने के लिए "वाइब" को वास्तविक समूह में बदलने के लिए पॉइसन वितरण (Poisson distribution) नामक एक गणितीय उपकरण का उपयोग करता है (इसे सोचिए कि यह लोगों के बीच कितनी बार बातचीत होती है, इसके लिए एक पासे के रोल की तरह है)। यदि वाइब पर्याप्त मजबूत है, तो समूह बनता है। यदि नहीं, तो वह नहीं बनता।

2. तीन-चरणीय प्रक्रिया

पेपर में HYVINT को एक तीन-चरणों वाली फैक्ट्री के रूप में वर्णित किया गया है:

चरण 1: जासूस (नियम सीखना)
AI एक वास्तविक डेटासेट (जैसे वास्तविक ईमेल चेन या स्कूल कॉन्टैक्ट्स) को देखता है। यह हर व्यक्ति और हर संभावित समूह के लिए छिपे हुए "वाइब मीटर" को समझने की कोशिश करता है।

यह सीखता है: "एलिस बहुत सक्रिय है (उच्च ऊर्जा)," "'मैथ क्लब' एक लोकप्रिय समूह है (उच्च मांग)," और "एलिस और मैथ क्लब के बीच बेहतरीन केमिस्ट्री है (उच्च अनुकूलता)।"
यह वैरिएशनल इन्फरेंस (Variational Inference) नामक तकनीक का उपयोग करता है, जो एक स्मार्ट 'अनुमान और जाँच' (guess-and-check) प्रणाली की तरह है, ताकि उन सबसे संभावित छिपे हुए नंबरों को खोजा जा सके जो वास्तविक डेटा की व्याख्या करते हैं।

चरण 2: स्वप्नद्रष्टा (नए समूह बनाना)
एक बार जब AI वास्तविक दुनिया के नियम जान जाता है, तो उसे नए समूह गढ़ने होते हैं।

यह "लोगों" (एलिस, बॉब, आदि) और उनके गुणों को स्थिर (freeze) कर देता है।
इसके बाद, यह नए "ग्रुप वाइब्स" की कल्पना करने के लिए एक डिफ्यूजन मॉडल (Diffusion Model) (AI का एक प्रकार जो इमेज जेनरेट करने के लिए प्रसिद्ध है) का उपयोग करता है।
रूपक: कल्पना कीजिए कि AI शोर के एक बादल (रैंडम अराजकता) से शुरू करता है और धीरे-धीरे उसे चरण-दर-चरण साफ करता है, जब तक कि वह एक बिल्कुल नया, वास्तविक "ग्रुप वाइब" प्रकट न कर दे जो पहले कभी अस्तित्व में नहीं था लेकिन दुनिया के नियमों के अनुकूल है।

चरण 3: यथार्थवादी (इसे ठोस बनाना)
अब AI के पास नए "ग्रुप वाइब्स" की एक सूची है। यह उन्हें फिर से "वाइब मीटर" के माध्यम से चलाता है।

यदि नया वाइब पर्याप्त मजबूत है, तो यह एक बाइनरी "हाँ" (समूह मौजूद है) बनाता है।
यदि यह बहुत कमजोर है, तो यह एक "नहीं" बनाता है।
परिणाम एक बिल्कुल नया हाइपरग्राफ है जो वास्तविक वाले जैसा ही दिखता है और महसूस होता है, लेकिन यह पूरी तरह से निर्मित है।

3. यह बेहतर क्यों है?

पेपर का दावा है कि HYVINT तीन तरीकों से जीतता है:

यह "क्यों" की व्याख्या करता है: अन्य मॉडलों के विपरीत जो केवल कनेक्शन का अनुमान लगाते हैं, HYVINT स्पष्ट रूप से अंतःक्रिया की मजबूती को मॉडल करता है। यह जानने जैसा है कि एक समूह क्यों बना (उच्च ऊर्जा + अच्छी केमिस्ट्री) न कि केवल समूह को देखना।
यह "विरलता" (Sparse) की समस्या को संभालता है: वास्तविक समूह दुर्लभ होते हैं। अधिकांश लोग अधिकांश अन्य लोगों को नहीं जानते। क्योंकि HYVINT "तीव्रता" से शुरू होता है, यह स्वाभाविक रूप से इस तथ्य को संभालता है कि अधिकांश अंतःक्रियाएं शून्य होती हैं। छोटे वाइब्स शून्य समूहों में बदल जाते हैं, जो ठीक वैसा ही है जैसा वास्तविक दुनिया में होता है।
यह सटीक और विविध है: अपने परीक्षणों में (नकली डेटा और एनरॉन ईमेल एवं स्कूल कॉन्टैक्ट्स जैसे वास्तविक डेटा का उपयोग करके), HYVINT ने ऐसे समूह बनाए जो सांख्यिकीय रूप से वास्तविक समूहों के बहुत समान थे (उच्च निष्ठा/fidelity), लेकिन साथ ही उसने नए, अद्वितीय समूह भी बनाए जो केवल ट्रेनिंग डेटा की नकल नहीं करते थे (उच्च नवीनता/novelty)।

सारांश

HYVINT को एक सामाजिक वास्तुकार (social architect) के रूप में सोचें। मौजूदा इमारतों के ब्लूप्रिंट की नकल करने के बजाय, यह लोगों के बीच बातचीत के भौतिक विज्ञान (तीव्रता) को सीखता है। फिर यह उन भौतिक नियमों का उपयोग करके पूरी तरह से नए, वास्तविक सामाजिक ढांचे गढ़ता है जो वास्तविक दुनिया में अस्तित्व में हो सकते हैं। यह उस अदृश्य ऊर्जा पर ध्यान केंद्रित करके "रैंडम शोर" और "संरचित वास्तविकता" के बीच के अंतर को पाटता है जो लोगों को एक साथ लाता है।

तकनीकी सारांश: HYVINT – वेरिएशनल रिप्रजेंटेशन के साथ इंटेंसिटी-ड्रिवन हाइपरग्राफ जनरेशन

समस्या विवरण (Problem Statement)

हाइपरग्राफ्स सामाजिक नेटवर्क, रिकमेंडेशन सिस्टम और मॉलिक्यूलर मॉडलिंग जैसे डोमेन में पॉलीएडिक (उच्च-क्रम) इंटरैक्शन को मॉडल करने के लिए एक सिद्धांतवादी ढांचा प्रदान करते हैं। हालांकि, हाइपरग्राफ जनरेशन एक महत्वपूर्ण चुनौती बनी हुई है क्योंकि इसमें इंसिडेंस स्ट्रक्चर (incidence structures) की अंतर्निहित विविक्तता (discreteness), अत्यधिक विरलता (sparsity) और संरचनात्मक विषमता (structural heterogeneity) होती है। मौजूदा जनरेटिव दृष्टिकोणों में कई सीमाएं हैं:

एडवर्सरियल और ऑप्टिमाइजेशन-आधारित विधियां (जैसे GANs) अक्सर निहित न्यूरल पैरामीट्राइजेशन पर निर्भर करती हैं, जिससे ऑप्टिमाइजेशन अस्थिरता और पारदर्शी जनरेटिव मैकेनिक्स का अभाव होता है।
डीप प्रोबेबिलिस्टिक और लेटेंट स्पेस मॉडल (जैसे डिफ्यूजन मॉडल) आमतौर पर डिस्क्रीट कनेक्शन को निरंतर यूक्लिडियन एम्बेडिंग्स में मैप करते हैं। वे अक्सर लीनियर जनरेटर या निरंतर लिंक फंक्शन (जैसे सिग्मॉइड) का उपयोग करके इंसिडेंस को स्कोर करते हैं, जो सीधे तौर पर स्पर्सिटी और उच्च-क्रम संरचनाओं को मॉडल करने के बजाय उन्हें परोक्ष रूप से प्रेरित करता है।
LLM-संचालित दृष्टिकोण सिमेंटिक व्याख्यात्मकता (interpretability) तो प्रदान करते हैं, लेकिन अक्सर बड़े पैमाने पर सटीक टोपोलॉजिकल बाधाओं (topological constraints) को संतुष्ट करने में संघर्ष करते हैं।

मुख्य कठिनाई इस बात को मॉडल करने में है कि बाइनरी नोड-हाइपरएज इंसिडेंस के बनने का तंत्र (mechanism) क्या है, न कि केवल स्टेटिक इंसिडेंस स्ट्रक्चर को फिट करना।

कार्यप्रणाली (Methodology): HYVINT फ्रेमवर्क

लेखक HYVINT (इंटेंसिटी-ड्रिवन हाइपरग्राफ जनरेशन विद वेरिएशनल रिप्रजेंटेशंस) प्रस्तावित करते हैं, जो अंतर्निहित लेटेंट इंटरैक्शन इंटेंसिटीज पर ध्यान केंद्रित करके जनरेशन को फिर से परिभाषित करता है। यह प्रक्रिया एक जनरेटिव चेन का अनुसरण करती है: $z \to \lambda \to x \to b$ ।

1. इंटेंसिटी-ड्रिवन इंसिडेंस फॉर्मेशन

सीधे अनकन्स्ट्रेंड स्कोर्स से बाइनरी इंसिडेंस डिकोड करने के बजाय, HYVINT एक लेटेंट काउंटिंग वेरिएबल $X = (x_{vie_j})$ का प्रस्ताव करता है जहाँ $x_{vie_j} \sim \text{Poisson}(\lambda_{vie_j})$ । प्रेक्षित बाइनरी इंसिडेंस $b_{vie_j}$ को इन काउंट्स को बाइनराइज़ करके प्राप्त किया जाता है:
$b_{vie_j} = \mathbb{I}[x_{vie_j} \ge 1]$
इससे एक प्राकृतिक लिंक फंक्शन प्राप्त होता है:
$p(b_{vie_j} = 1 \mid \lambda_{vie_j}) = 1 - \exp(-\lambda_{vie_j})$
स्पार्स रिजीम (छोटा $\lambda$ ) में, यह लीनेरिटी को एप्रोक्सिमेट करता है, जो स्वाभाविक रूप से स्पार्स इंसिडेंस को मॉडल करता है।

इंटेंसिटी $\lambda_{vie_j}$ को लेटेंट फैक्टर्स के मल्टीप्लिकेटिव डिकंपोजिशन के माध्यम से पैरामीटराइज किया जाता है:
$\lambda_{vie_j} = \alpha_{v_i} \rho_{e_j} \theta_{v_i}^\top \beta_{e_j}$
जहाँ:

$\alpha_{v_i}$ और $\rho_{e_j}$ नोड-साइड और हाइपरएज-साइड एक्टिविटी फैक्टर्स हैं।
$\theta_{v_i}$ और $\beta_{e_j}$ $K$ -डायमेंशनल एम्बेडिंग्स हैं जो लेटेंट कम्पैटिबिलिटी को दर्शाते हैं।
सभी पैरामीटर्स नॉन-नेगेटिव ( $\mathbb{R}_+$ ) होने के लिए बाधित हैं।

2. तीन-चरणीय जनरेशन प्रक्रिया

HYVINT तीन चरणों में कार्य करता है (एल्गोरिदम 1):

चरण 1: लेटेंट रिप्रजेंटेशन्स के लिए वेरिएशनल इन्फरेंस।
मॉडल प्रेक्षित इंसिडेंस मैट्रिक्स $B$ से लेटेंट वेरिएबल्स $Z = \{\alpha, \rho, \theta, \beta\}$ को सीखता है। चूंकि पोस्टीरियर $p(Z|B)$ इंट्रैक्टेबल है, लेखक गामा प्रायर्स के साथ मीन-फील्ड वेरिएशनल इन्फरेंस (VI) का उपयोग करते हैं।
- वे एक एविडेंस लोअर बाउंड (ELBO) को मैक्सिमाइज करते हैं।
- एक प्रमुख तकनीकी योगदान ऑक्जिलरी डिस्ट्रीब्यूशंस और जेन्सन्स इनइक्वलिटी (थ्योरम 2.5 और 2.6) का उपयोग करके इंट्रैक्टेबल टर्म $\mathbb{E}_q[\log(1 - e^{-\lambda})]$ के लिए ट्रैक्टेबल लोअर बाउंड्स का व्युत्पन्न (derivation) है।
- इससे नोड और हाइपरएज फैक्टर्स के पोस्टीरियर मीन एस्टीमेट्स प्राप्त होते हैं।
चरण 2: हाइपरएज रिप्रजेंटेशन्स का डिफ्यूजन-आधारित डिनोइजिंग।
नए हाइपरग्राफ बनाने के लिए, मॉडल सीखे गए नोड-साइड रिप्रजेंटेशन्स ( $\hat{\alpha}, \hat{\theta}$ ) को फिक्स करता है और हाइपरएज-साइड रिप्रजेंटेशन्स ( $\rho, \beta$ ) के वितरण को मॉडल करता है।
- एक डीनोइजिंग डिफ्यूजन प्रोबेबिलिस्टिक मॉडल (DDPM) को लेटेंट हाइपरएज पैरामीटर्स (जो लॉग-एक्सप मैपिंग के माध्यम से यूक्लिडियन स्पेस में रूपांतरित हैं) पर प्रशिक्षित किया जाता है।
- सीखे गए रिवर्स डिफ्यूजन प्रोसेस से नए हाइपरएज रिप्रजेंटेशन्स $\{z^*_j\}$ को सैंपल किया जाता है।
चरण 3: डिकोडिंग और सैंपलिंग।
सैंपल किए गए हाइपरएज रिप्रजेंटेशन्स को फिक्स्ड नोड रिप्रजेंटेशन्स के साथ जोड़कर नए इंटेंसिटीज $\lambda^*_{vie_j}$ की गणना की जाती है।
- बाइनरी इंसिडेंस को इंटेंसिटी लिंक का उपयोग करके बर्नौली सैंपलिंग के माध्यम से जेनरेट किया जाता है: $b^*_{vie_j} \sim \text{Bernoulli}(1 - \exp(-\lambda^*_{vie_j}))$ ।
- यह अंतिम जेनरेटेड हाइपरग्राफ बनाता है।

मुख्य योगदान (Key Contributions)

इंटेंसिटी-ड्रिवन मैकेनिज्म: यह पेपर एक ऐसा जनरेटिव मैकेनिज्म पेश करता है जो स्पष्ट रूप से बाइनरी इंसिडेंस को लेटेंट इंटरैक्शन स्ट्रेंथ से अलग करता है, जो स्टैंडर्ड कंटीन्यूअस लिंक फंक्शन्स की तुलना में पॉइसन-इंड्यूस्ड लिंक के माध्यम से स्पर्सिटी के लिए अधिक व्याख्यात्मक और मैकेनिकल दृष्टिकोण प्रदान करता है।
ट्रैक्टेबल वेरिएशनल एस्टीमेटर: लेखक स्ट्रक्चर-प्रिजर्विंग रिप्रजेंटेशन्स (एक्टिविटी और कम्पैटिबिलिटी) को सीखने के लिए एक लोअर-बाउंड वेरिएशनल एस्टीमेटर का व्युत्पन्न करते हैं, जो गामा प्रायर्स के तहत पॉइसन-लिंक लाइकलीहुड की इंट्रैक्टेबिलिटी को संभालता है।
सैद्धांतिक गारंटी: पेपर जनरेशन एरर बाउंड्स स्थापित करता है, जो कुल एरर को नोड-साइड एस्टीमेशन एरर, लेटेंट फैक्टर डिस्ट्रीब्यूशन एरर और डिफ्यूजन एप्रोक्सिमेशन एरर में विभाजित करता है। यह वेरिएशनल एस्टीमेशन घटक के लिए एसिम्प्टोटिक कन्वर्जेंस रेट्स को सिद्ध करता है।
अनुभवजन्य प्रदर्शन (Empirical Performance): सिंथेटिक और वास्तविक दुनिया के डेटासेट पर व्यापक प्रयोगों से पता चलता है कि HYVINT स्टेट-ऑफ-द-आर्ट बेसलाइन्स (Ber-Diff, Gau-Diff, NMF-Diff, DDE, HYGENE) की तुलना में उच्च नवीनता (novelity) और विविधता (diversity) बनाए रखते हुए बेहतर फिडेलिटी (प्रथम और द्वितीय-क्रम सांख्यिकी को रिकवर करना) प्राप्त करता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने HYVINT का मूल्यांकन किया:

सिंथेटिक डेटा: इसे पॉइसन और सिग्मॉइड दोनों लिंक मैकेनिज्म के तहत जेनरेट किया गया था ताकि मजबूती सुनिश्चित हो सके। HYVINT ने विभिन्न लेटेंट डायमेंशन ( $K$ ) और ग्राफ साइज ( $n, m$ ) के तहत मीन को-ऑकरेंस पैटर्न और कोवेरिएंस स्ट्रक्चर के लिए लगातार सबसे कम RMSE प्राप्त किया।
रियल-वर्ल्ड बेंचमार्क्स: तीन डेटासेट्स का उपयोग किया गया: email-Enron (कम्युनिकेशन), contact-primary-school (प्रॉक्सिमिटी), और NDC-substances (केमिकल कंपोजिशन)।
- फिडेलिटी: HYVINT ने डिग्री डिस्ट्रीब्यूशन, हाइपरएज साइज, स्पेक्ट्रल प्रॉपर्टीज (क्लिक एक्सपेंशन के आइजनवैल्यू) और सेंट्रैलिटी डिस्ट्रीब्यूशन (क्लोजनेस, हार्मोनिक, बिटवीननेस) को मैच करने में बेसलाइन्स को पछाड़ दिया।
- विविधता: जबकि कुछ बेसलाइन्स अधिक यूनिक हाइपरएज रेश्यो (UHR) प्रदान करते हैं, HYVINT ने उच्चतम पेयरवाइज जैकार्ड डिस्टेंस (PJD) हासिल किया, जो संरचनात्मक रूप से विविध जनरेशन का संकेत देता है।
- एब्लेशन स्टडीज: अध्ययन ने पुष्टि की कि वेरिएशनल इन्फरेंस स्टेज (अनिश्चितता को कैप्चर करना) डाउनस्ट्रीम डिफ्यूजन मॉडल के लिए पॉइंट-एस्टीमेट रिप्रजेंटेशन्स की तुलना में बेहतर है। इसने यह भी दिखाया कि HYVINT का प्रदर्शन विभिन्न गामा प्रायर स्केल्स के प्रति मजबूत है और इसके लाभ केवल DDPM आर्किटेक्चर तक सीमित नहीं हैं।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि HYVINT स्टेटिक स्ट्रक्चर फिटिंग के बजाय इंसिडेंस फॉर्मेशन के मैकेनिस्टिक मॉडलिंग पर ध्यान केंद्रित करके "फ्रंटियर चैलेंज" को संबोधित करता है।

व्याख्यात्मकता (Interpretability): इंटरेक्शन इंटेंसिटीज को स्पष्ट रूप से मॉडल करके, मॉडल के पैरामीटर्स (जैसे $\alpha_v$ ) सीधे व्याख्यात्मक संरचनात्मक गुणों (जैसे नोड डिग्री) से मैप होते हैं।
मजबूती (Robustness): इंटेंसिटी-ड्रिवन दृष्टिकोण एड-हॉक रेगुलराइजेशन या निरंतर सन्निकटन (continuous approximations) पर निर्भर हुए बिना स्वाभाविक रूप से स्पर्सिटी और विषमता को संभालता है।
स्केलेबिलिटी: फ्रेमवर्क लेटेंट डायमेंशन बढ़ने के साथ प्रदर्शन बनाए रखता है, जबकि प्रतिस्पर्धी विधियां (जैसे DDE) हाई-डायमेंशनल एम्बेडिंग्स को रेगुलराइज करने में कठिनाई के कारण खराब प्रदर्शन करती हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि मॉडल हार्ड कार्डिनैलिटी कंस्ट्रेंट्स को लागू नहीं करता है और विशिष्ट इंट्रा-एज एंटी-कोरिलेशन के साथ संघर्ष कर सकता है, फिर भी यह हाइपरग्राफ जनरेशन के लिए एक कठोर, इंटेंसिटी-ड्रिवन बैकबोन प्रदान करता है जो फिडेलिटी, नवीनता और विविधता के बीच संतुलन बनाता है। भविष्य के कार्य के लिए कंस्ट्रेंड डिकोडिंग, डिपेंडेंस-अवेयर मैकेनिज्म और टेम्पोरल हाइपरग्राफ के अनुकूलन का सुझाव दिया गया है।