🤖 machine learning

PMF-CL: Pareto-Minimal-Forgetting Continual Learner for Conflicting Tasks

यह शोध पत्र PMF-CL प्रस्तुत करता है, जो एक मौलिक निरंतर शिक्षण (continual learning) ढांचा है जो स्मृति-कुशल पुनरावृत्ति अपडेट के माध्यम से विस्मरण को न्यूनतम करने वाले पारेटो-इष्टतम समाधानों को व्युत्पन्न करके परस्पर विरोधी कार्यों में होने वाले विनाशकारी विस्मरण (catastrophic forgetting) को संबोधित करता है।

मूल लेखक: Srijith Nair (Kevin), Atilla Eryilmaz (Kevin), Jia (Kevin), Liu

प्रकाशित 2026-05-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Srijith Nair (Kevin), Atilla Eryilmaz (Kevin), Jia (Kevin), Liu

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 शेफ हैं जो हर दिन एक नई रेसिपी सीखने की कोशिश कर रहे हैं। अधिकांश सीखने के तरीकों के साथ समस्या कैटास्ट्रोफिक फॉरगेटिंग (Catastrophic Forgetting) की है: जैसे ही आप एक परफेक्ट सुफ्ले (soufflé) बनाना सीखते हैं, आपका दिमाग किसी तरह आपकी दादी की लासग्ना (lasagna) की रेसिपी को मिटा देता है। आप नई चीज़ में तो माहिर हो जाते हैं लेकिन जो कुछ भी आपने पहले सीखा था, उसमें बहुत खराब हो जाते हैं।

यह शोध पत्र, जिसका शीर्षक PMF-CL है, एक नया तरीका प्रस्तावित करता है जिससे कंप्यूटर (और इस प्रकार AI मॉडल भी) पुराने कार्यों को भूले बिना नए कार्यों को सीख सकते हैं, भले ही नए कार्य पूरी तरह से अलग या पुराने कार्यों के विपरीत ही क्यों न हों।

यहाँ उनके विचार का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. समस्या: "कॉमन मिनिमाइज़र" (Common Minimizer) का मिथक

पिछले शोधों ने अक्सर यह माना था कि सभी कार्य (रेसिपी) एक "परफेक्ट कॉमन ग्राउंड" साझा करते हैं। उन्होंने कल्पना की थी कि यदि आप बस उस एक बिंदु को खोज लें जहाँ सभी रेसिपी आपस में मिलती हैं, तो आप हर चीज़ में परफेक्ट हो जाएंगे।

वास्तविकता: वास्तविक दुनिया में, कार्य अक्सर एक-दूसरे के विरोधी होते हैं। स्टेक (steak) पकाने का सबसे उत्तम तरीका एक नाजुक सलाद को खराब कर सकता है। ऐसा कोई एक "परफेक्ट स्पॉट" नहीं है जो सभी को संतुष्ट कर सके।
शोध पत्र का अंतर्दृष्टि (Insight): एक ऐसे एकल परफेक्ट स्पॉट की तलाश करने के बजाय जो अस्तित्व में ही नहीं है, हमें सबसे अच्छा संभव समझौता (best possible compromise) खोजना चाहिए। गणित में, इसे पारेटो-ऑप्टिमल सॉल्यूशन (Pareto-optimal solution) कहा जाता है। इसे एक बातचीत की मेज की तरह समझें: आप एक ऐसा सौदा चाहते हैं जहाँ आप स्टेक को बेहतर बनाने के लिए सलाद को खराब नहीं कर सकते, और इसके विपरीत भी नहीं। आप एक "फेयर ट्रेड-ऑफ" (उचित समझौता) खोज रहे हैं।

2. समाधान: "पारेटो-मिनिमल-फॉरगेटिंग" शेफ

लेखकों ने PMF-CL नामक एक फ्रेमवर्क बनाया है।

लक्ष्य: एक नया कार्य सीखते समय, AI केवल नई चीज़ को रटता नहीं है। यह पुराने कार्यों के "आकार" को देखता है और एक ऐसी नई स्थिति खोजता है जो पुराने कार्यों को जितना संभव हो उतना कम नुकसान पहुँचाती है, जबकि वह नया कार्य भी सीख रहा होता है।
उपमा: कल्पना कीजिए कि आप एक कमरे में फर्नीचर व्यवस्थित कर रहे हैं। आप एक नया, बड़ा सोफा अंदर लाना चाहते हैं (नया कार्य)।
- पुराने तरीके: आप शायद सोफे को बस अंदर धकेल देंगे, जिससे लैंप गिर जाएगा (पुराने कार्य को भूल जाना)।
- PMF-CL: आप कमरे को सावधानी से मापते हैं। आप महसूस करते हैं कि लैंप को हटाए बिना सोफा पूरी तरह से फिट नहीं हो सकता। इसलिए, आप लैंप को बस इतना ही हिलाते हैं कि सोफा फिट हो जाए, लेकिन इतना भी नहीं कि लैंप टूट जाए। आप वह सटीक स्थान ढूंढते हैं जहाँ लैंप सुरक्षित है, और सोफा भी फिट बैठता है।

3. गुप्त नुस्खा: "मिनिमल सफिशिएंट इंफॉर्मेशन" (The Snapshot)

यह सब बिना हर पिछले कार्य के हर एक विवरण को याद रखे (जिसके लिए बहुत अधिक मेमोरी की आवश्यकता होगी) करने के लिए, यह शोध पत्र मिनिमल सफिशिएंट इंफॉर्मेशन (MSI) की अवधारणा पेश करता है।

उपमा: कल्पना कीजिए कि आप एक जटिल पेंटिंग को याद रखना चाहते हैं। आपको छवि के हर एक पिक्सेल को स्टोर करने की आवश्यकता नहीं है। आपको बस उस पेंटिंग के आकार और रंगों का वर्णन करने वाले ब्लूप्रिंट (blueprint) या गणितीय सूत्र (mathematical formula) को स्टोर करने की आवश्यकता है।
यह कैसे काम करता है: कई सामान्य प्रकार की गणितीय समस्याओं (जैसे लीनियर रिग्रेशन या लॉजिस्टिक रिग्रेशन) के लिए, लेखकों ने सिद्ध किया कि आपको पूरे डेटासेट की आवश्यकता नहीं है। आपको केवल डेटा का एक छोटा सा "स्नैपशॉट" (विशेष रूप से, "सिंगुलर वैल्यूज़" और "वेक्टर्स", जो डेटा की मूल संरचना के लिए फैंसी गणितीय शब्द हैं) की आवश्यकता है।
लाभ: यह AI को पिछले कार्यों का सार (essence) एक निश्चित, छोटी मेमोरी का उपयोग करके याद रखने की अनुमति देता है, चाहे उसने कितने भी कार्य सीखे हों। यह लासग्ना की हर फोटो रखने के बजाय लासग्ना की रेसिपी को याद रखने जैसा है।

4. "बंपी" (Bumpy) रास्तों को संभालना (Quadratic Upper Bounds)

सभी कार्य सरल सीधी रेखाओं जैसे नहीं होते। कुछ ऊबड़-खाबड़ और जटिल होते हैं।

ट्रिक: लेखकों ने महसूस किया कि जटिल कार्यों (जैसे छवियों को वर्गीकृत करना) के लिए भी, आप ऊबड़-खाबड़ इलाके के ऊपर एक चिकना, सरल "सीलिंग" (quadratic upper bound) बना सकते हैं।
परिणाम: सीधे कठिन, ऊबड़-खाबड़ रास्ते पर चलने के बजाय, AI उस चिकने 'सीलिंग' के माध्यम से नेविगेट करता है। यह गारंटी देता कि AI बहुत अधिक नहीं भूलेगा, भले ही गणित एक अनुमान (approximation) हो। यह एक पथरीली पहाड़ी के ऊपर बने चिकने रैंप पर चलने जैसा है; आप शायद ठीक पत्थर पर नहीं होंगे, लेकिन आप सुरक्षित हैं और आगे बढ़ रहे हैं।

5. परिणाम: उन्होंने क्या पाया

शोध पत्र ने सिंथेटिक डेटा (सिम्युलेटेड गणितीय समस्याओं) पर परीक्षण किया और पाया:

कोई भूलना नहीं (No Forgetting): विधि ने सफलतापूर्वक सभी कार्यों के लिए "फेयर ट्रेड-ऑफ" (पारेटो ऑप्टिमल) खोज लिया।
मेमोरी दक्षता (Memory Efficiency): आवश्यक मेमोरी की मात्रा कम और स्थिर रहती है। जैसे-जैसे आप अधिक कार्य सीखते हैं, यह बढ़ती नहीं है। यह मॉडल के आकार के साथ स्केल करती है, न कि कार्यों की संख्या के साथ।
गति (Speed): मानक गणितीय समस्याओं के लिए यह बहुत तेज़ है, हालांकि यह अत्यंत जटिल, उच्च-आयामी (high-dimensional) समस्याओं के लिए धीमी हो सकती है क्योंकि इसे उस परफेक्ट समझौते को खोजने के लिए कुछ भारी गणितीय गणनाएं (जैसे मैट्रिसेस को तोड़ना) करनी पड़ती हैं।

सारांश

यह शोध पत्र तर्क देता है कि AI को भूलने से रोकने के लिए, हमें एक "परफेक्ट" समाधान खोजने की कोशिश नहीं करनी चाहिए जो सभी को संतुष्ट करे (क्योंकि ऐसा अस्तित्व में नहीं है)। इसके बजाय, हमें एक स्मार्ट बातचीत रणनीति का उपयोग करना चाहिए ताकि सर्वश्रेष्ठ संभव समझौता पाया जा सके। पिछले कार्यों के कच्चे डेटा के बजाय केवल उनके "ब्लूप्रिंट" को स्टोर करके, AI बिना मेमोरी खत्म हुए या अपना अतीत भूले, हमेशा के लिए सीख सकता है।

तकनीकी सारांश: PMF-CL: संघर्षरत कार्यों के लिए पारेटो-मिनिमल-फॉरगेटिंग कॉन्टिनुअल लर्नर (Pareto-Minimal-Forgetting Continual Learner)

1. समस्या विवरण (Problem Statement)

कॉन्टिनुअल लर्निंग (CL) का लक्ष्य मॉडलों को कार्यों के एक क्रम पर प्रशिक्षित करना है ताकि वे "कैटास्ट्रस्ट्रोफिक फॉरगेटिंग" (catastrophic forgetting) से बच सकें, जहाँ नए कार्यों को सीखते समय पिछले सीखे गए कार्यों पर प्रदर्शन गिर जाता है। हालाँकि मौजूदा दृष्टिकोण (रीप्ले-आधारित, रेगुलाइजेशन-आधारित, और ग्रेडिएंट-प्रोजेक्शन विधियाँ) इसे कम करने का प्रयास करते हैं, वे अक्सर ह्यूरिस्टिक्स (heuristics) या कड़े अनुमानों पर निर्भर करते हैं।

हाल के सैद्धांतिक कार्यों में एक महत्वपूर्ण सीमा, जैसे कि पेंग एट अल (2023) द्वारा प्रस्तावित 'आइडियल कॉन्टिनुअल लर्नर' (ICL) में, यह धारणा है कि सभी कार्य एक साझा वैश्विक मिनिमाइज़र (common global minimizer) साझा करते हैं। इस आदर्श परिदृश्य में, टास्क-लॉस डोमेन में पारेटो फ्रंट (Pareto front) एक एकल बिंदु पर सिमट जाता है, जिससे शून्य फॉरगेटिंग संभव होती है। हालाँकि, संघर्षरत कार्यों (conflicting tasks) वाले व्यावहारिक परिदृशनों में, ऐसा साझा मिनिमाइज़र शायद ही कभी मौजूद होता है। जब कार्यों के मिनिमा भिन्न होते हैं, तो CL समस्या एक ट्रेड-ऑफ (trade-off) समस्या बन जाती है जहाँ कुछ हद तक फॉरगेटिंग अपरिहार्य है। चुनौती एक सिद्धांतवादी तरीके से उस इष्टतम ट्रेड-ऑफ बिंदु को निर्धारित करने की है जो पारेटो अर्थ में फॉरगेटिंग को न्यूनतम करता है, बिना साझा वैश्विक न्यूनतम की धारणा पर निर्भर हुए।

2. कार्यप्रणाली: PMF-CL फ्रेमवर्क (Methodology: PMF-CL Framework)

लेखक PMF-CL (पारेटो-मिनिमल-फॉरगेटिंग कॉन्टिनुअल लर्नर) प्रस्तावित करते हैं, जो CL को एक अनुक्रमिक मल्टी-टास्क लर्निंग (MTL) समस्या के रूप में पुनर्गठित करता है।

मुख्य वैचारिक बदलाव (Core Conceptual Shift)

एक साझा मिनिमाइज़र मानने के बजाय, PMF-CL अब तक सामना किए गए कार्यों के लिए पारेटो-इष्टतम समाधान (Pareto-optimal solution) की तलाश करता है। एक समाधान पारेटो-इष्टतम है यदि कोई अन्य समाधान किसी अन्य कार्य के लॉस को खराब किए बिना एक कार्य के लॉस में सुधार नहीं कर सकता है। यह ढांचा इस धारणा पर कार्य करता है कि एक आदर्श CL एल्गोरिदम वही समाधान खोजेगा जो एक संयुक्त MTL अनुकूलन (optimization) द्वारा प्राप्त किया जाएगा, लेकिन एक वृद्धिशील (incremental), अनुक्रमिक तरीके से।

मिनिमल सफिशिएंट इंफॉर्मेशन (Minimal Sufficient Information - MSI)

इस कार्यप्रणाली का एक केंद्रीय योगदान एक कार्य के लॉस फंक्शन को चरित्रित करने के लिए आवश्यक मिनिमल सफिशिएंट इंफॉर्मेशन (MSI) का व्युत्पत्ति है। लेखक तर्क देते हैं कि पारेटो-मिनिमल फॉरगेटिंग प्राप्त करने के लिए, एक लर्नर को पिछले कार्यों के पूरे डेटासेट को संग्रहीत करने की आवश्यकता नहीं है, बल्कि सूचना के सबसे छोटे सेट ( $I_t$ ) की आवश्यकता है जो लॉस फंक्शन $L_t(\theta)$ को पूरी तरह से चरित्रित करता है।

एल्गोरिदम व्युत्पत्ति (Algorithmic Derivation)

पेपर दो प्रकार की समस्याओं के लिए विशिष्ट पुनरावृत्ति (iterative) एल्गोरिदम व्युत्पन्न करता है:

लीनियर और बेसिस-फंक्शन रिग्रेशन (Linear and Basis-Function Regression):
- मीन स्क्वेर्ड एरर (MSE) के साथ लीनियर रिग्रेशन के लिए, लॉस फंक्शन द्विघाती (quadratic) होता है। लेखक दिखाते हैं कि कार्य $t$ के लिए MSI, डेटा मैट्रिक्स $X_t$ के इकोनॉमी सिंगुलर वैल्यू डीकंपोजिशन (eSVD) घटकों से बना है: राइट सिंगुलर वेक्टर्स ( $V_t$ ), सिंगुलर वैल्यूज ( $\Sigma_t$ ), और एक ट्रांसफॉर्म्ड टारगेट वेक्टर ( $\hat{y}_t$ )।
- एल्गोरिदम एक संचित कर्वेचर मैट्रिक्स $A_k$ और एक टारगेट वेक्टर $\nu_k$ को बनाए रखता है। एक नया कार्य प्राप्त होने पर, यह एक इनक्रीमेंटल पैरामीटर अपडेट $\Delta \theta_k$ की गणना करने के लिए एक लीनियर सिस्टम को हल करता है।
- मेमोरी कॉम्प्लेक्सिटी: इसका मेमोरी फुटप्रिंट स्थिर और $O(d^2)$ पर सीमित है, जहाँ $d$ पैरामीटर्स की संख्या है, जो कार्यों की संख्या $T$ के बावजूद अपरिवर्तित रहता है। यह कच्चे टास्क घटकों को संग्रहीत करने के बजाय एक इटरेटिव अपडेट का उपयोग करके प्राप्त किया जाता है।
क्वाड्रेटिक अपर बाउंडेड (QUB) लॉस फंक्शन्स:
- सामान्य लॉस फंक्शन (जैसे लॉजिस्टिक रिग्रेशन, मल्टी-क्लास क्लासिफिकेशन) के लिए, जो एक क्वाड्रेटिक अपर बाउंड (QUB) धारणा को संतुष्ट करते हैं, वास्तविक लॉस को एक हेसियन अपर बाउंड ( $H_t$ ) और कार्य-विशिष्ट मिनिमाइज़र ( $\theta^{\min}_t$ ) द्वारा परिभाषित एक द्विघाती फंक्शन द्वारा सीमित किया जाता है।
- एल्गोरिदम QUB सरोगेट लॉस को MTL के उद्देश्य के रूप में मानता है। यह संचित हेसियन अपर बाउंड्स को शामिल करने वाले एक लीनियर सिस्टम को हल करके पैरामीटर्स को इटरेटिव रूप से अपडेट करता है।
- फॉरगेटिंग बाउंड: जबकि समाधान सरोगेट QUB लॉस के लिए पारेटो-इष्टतम है, यह वास्तविक लॉस फंक्शन के फॉरगेटिंग पर एक प्रमाणित ऊपरी सीमा (upper bound) प्रदान करता है।
- मेमोरी कॉम्प्लेक्सिटी: लीनियर केस के समान, मेमोरी की आवश्यकता स्थिर $O(d^2)$ (या $K$ क्लासेस के साथ मल्टी-क्लास के लिए $O(Kd + d^2)$ ) है, जो कार्यों की संख्या से स्वतंत्र है।

फेडरेटेड एक्सटेंशन (Federated Extension)

फ्रेमवर्क को फेडरेटेड कॉन्टिनुअल लर्निंग (FCL) के लिए विस्तारित किया गया है, जहाँ क्लाइंट कच्चा डेटा साझा किए बिना सहयोगात्मक रूप से एक मॉडल सीखते हैं। क्लाइंट अपना स्थानीय MSI (हेसियन बाउंड्स और मिनिमाइज़र्स) एक केंद्रीय सर्वर को अपलोड करते हैं, जो ग्लोबल पारेटो-इष्टतम अपडेट की गणना करने के लिए उन्हें एकत्रित करता है।

3. मुख्य योगदान (Key Contributions)

मौलिक ढांचा (Foundational Framework): यह पेपर संघर्षरत कार्यों के लिए एक साझा वैश्विक मिनिमाइज़र के बिना, मल्टी-टास्क लर्निंग के दृष्टिकोण से CL की एक प्रथम-सिद्धांत समझ स्थापित करता है।
पारेटो-मिनिमल-फॉरगेटिंग: यह एक मेटा-एल्गोरिदम (PMF-CL) पेश करता है जो गारंटी देता है कि सीखा गया समाधान अब तक देखे गए कार्यों के पारेटो फ्रंट पर स्थित है, जो पारेटो अर्थ में फॉरगेटिंग को न्यूनतम करता है।
MTL के साथ स्पष्ट संबंध: यह प्रदर्शित करता है कि CL को अनुक्रमिक रूप से एक MTL समाधान खोजने में बदला जा सकता है, जो साझा-मिनिमा धारणा को शिथिल करके पिछले कार्यों (जैसे पेंग एट अल, 2023) से भिन्न है।
मेमोरी दक्षता: लीनियर और QUB समस्याओं के लिए सटीक इटरेटिव एल्गोरिदम का व्युत्पत्ति जो $O(d^2)$ के स्थिर मेमोरी फुटप्रिंट के साथ प्रमाणित रूप से न्यूनतम फॉरगेटिंग प्राप्त करता है, जो कार्यों की संख्या $T$ के साथ नहीं बढ़ता है।
सैद्धांतिक लक्षण वर्णन (Theoretical Characterization): पेपर लीनियर रिग्रेशन में सटीक फॉरगेटिंग और QUB समस्याओं में फॉरगेटिंग के लिए ऊपरी सीमाएँ प्रदान करता है, जो टास्क-लॉस डोमेन में पारेटो फ्रंट की ज्यामिति को स्पष्ट करता है।

4. परिणाम और मूल्यांकन (Results and Evaluation)

पेपर लीनियर रिग्रेशन कार्यों पर सिंथेटिक प्रयोगों के माध्यम से अपने सैद्धांतिक दावों को सत्यापित करता है:

प्रदर्शन: PMF-CL, नैइव SGD, एक्सपीरियंस रिप्ले (ER), डार्क एक्सपीरियंस रिप्ले (DER), और सिनैप्टिक इंटेलिजेंस (SI) सहित बेसलाइन्स की तुलना में लगातार कम मीन स्क्वेर्ड एरर (MSE) प्राप्त करता है।
अभिसरण (Convergence): बेसलाइन्स के विपरीत जो सब-ऑप्टिमल कॉन्फ़िगरेशन पर रुक जाते हैं, PMF-CL वैश्विक पारेटो-इष्टतम पैरामीटर सेट (सभी डेटा पर संयुक्त प्रशिक्षण से प्राप्त सैद्धांतिक इष्टतम) की ओर अभिसरित होता है।
फॉरगेटिंग: विधि कोई 'रेसेन्सी बायस' (recency bias) नहीं दिखाती है और कार्य अनुक्रम में समान प्रदर्शन बनाए रखती है, जो कैटास्ट्रोफिक फॉरगेटिंग को प्रभावी ढंग से कम करती है।
दक्षता: हालांकि सैद्धांतिक समय जटिलता में SVD ऑपरेशन शामिल हैं (जो बहुत उच्च आयामों के लिए महंगे हो सकते हैं), मेमोरी फुटप्रिंट रिप्ले-आधारित विधियों के प्रतिस्पर्धी या उनसे बेहतर है, क्योंकि यह नियत और कार्यों की संख्या से स्वतंत्र है।

5. महत्व और सीमाएं (Significance and Limitations)

महत्व:
यह पेपर तर्क देता है कि क्षेत्र में संघर्षरत कार्यों के लिए अनुक्रमिक लर्निंग में इष्टतम ट्रेड-ऑफ कैसे प्राप्त किया जाए, इसकी मौलिक समझ की कमी रही है। "फॉरगेटिंग से बचने" (जो अक्सर असंभव है) के बजाय "पारेटो अर्थ में फॉरगेटिंग को न्यूनतम करने" की ओर दृष्टिकोण बदलकर, PMF-CL एक सिद्धांतवादी दृष्टिकोण प्रदान करता है। यह एक ठोस, मेमोरी-कुशल समाधान प्रदान करता है, जो लीनियर और QUB जैसी समस्याओं के लिए सैद्धांतिक इष्टतमता और व्यावहारिक कार्यान्वयन के बीच के अंतर को पाटता है।

सीमाएं:
लेखक स्पष्ट रूप से नोट करते हैं कि उनका वर्तमान ढांचा द्विघाती या द्विघाती अपर-बाउंडेड लॉस स्ट्रक्चर वाली समस्याओं तक सीमित है। इन सिद्धांतवादी, मेमोरी-कुशल एल्गोरिदम को सामान्य डीप न्यूरल नेटवर्क तक विस्तारित करना जो QUB गुण को संतुष्ट नहीं करते हैं, एक खुला प्रश्न बना हुआ है। इसके अतिरिक्त, हालांकि मेमोरी कॉम्प्लेक्सिटी इष्टतम ( $O(d^2)$ ) है, अत्यधिक उच्च-आयामी मॉडलों के लिए सटीक SVD ऑपरेशंस की कम्प्यूटेशनल लागत निषेधात्मक हो सकती है, जो भविष्य के काम में अनुमानित (approximate) SVD विधियों की आवश्यकता का सुझाव देती है।

निष्कर्ष:
PMF-CL कॉन्टिनुअल लर्निंग को एक ह्यूरिस्टिक पद्धति से एक सिद्धांतवादी, ऑप्टिमाइज़ेशन-आधारित दृष्टिकोण की ओर ले जाने वाला बदलाव है। यह आवश्यक जानकारी को परिभाषित करता है जिसे इष्टतम ट्रेड-ऑफ के लिए बनाए रखना आवश्यक है और ऐसे एल्गोरिदम प्रदान करता है जो इन ट्रेड-ऑफ को बाउंडेड, टास्क-स्वतंत्र मेमोरी के साथ प्राप्त करते हैं, जो संघर्षरत कार्यों के लिए एक मजबूत समाधान पेश करते हैं।