💻 computer science

Why Latent Actions Fail, and How to Prevent It

यह शोध पत्र विश्लेषणात्मक रूप से प्रदर्शित करता है कि मानक लेटेंट एक्शन मॉडल विफल हो जाते हैं क्योंकि वे अनजाने में बाह्य पृष्ठभूमि परिवर्तनों को एनकोड करते हैं, और यह सिद्ध करता है कि अंतर्जात घटकों पर ध्यान केंद्रित करना या एक्शन-सुपरविजन जैसे सहायक उद्देश्यों का उपयोग करना प्रभावी रूप से इस हस्तक्षेप को कम करता है।

मूल लेखक: Jung Min Lee, Taehyun Cho, Li Zhao, Jungwoo Lee

प्रकाशित 2026-05-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jung Min Lee, Taehyun Cho, Li Zhao, Jungwoo Lee

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

एक बड़ी तस्वीर: एक रोबोट को "देखना" सिखाना

कल्पना कीजिए कि आप एक रोबोट को हजारों वीडियो दिखाकर यह सिखाना चाहते हैं कि खाना कैसे बनाया जाता है। हालांकि, आपके पास कोई लेबल नहीं है जो रोबोट को यह बता सके कि व्यक्ति क्या कर रहा है (जैसे, "काटना" या "हिलाना")। आपके पास बस कच्चा वीडियो है।

इसे हल करने के लिए, वैज्ञानिक लेटेंट एक्शन मॉडल्स (Latent Action Models - LAMs) का उपयोग करते हैं। एक LAM को एक ऐसे छात्र के रूप में सोचें जो केवल दो वीडियो फ्रेमों के बीच के अंतर को देखकर "एक्शन" का अनुमान लगाने की कोशिश कर रहा है। यदि वीडियो में एक हाथ चम्मच को कटोरे से बर्तन की ओर ले जा रहा है, तो मॉडल को यह सीखना चाहिए कि यह गति "हिलाने" (stirring) के बराबर है।

समस्या: "भटका हुआ छात्र"

पेपर का तर्क है कि जब ये मॉडल वास्तविक दुनिया के वीडियो ("इन-द-वाइल्ड") से सीखने की कोशिश करते हैं, तो वे अक्सर विफल हो जाते हैं। क्यों? क्योंकि वास्तविक वीडियो अस्त-व्यस्त होते हैं।

कल्पना कीजिए कि आप एक वीडियो देखकर जुगलरिंग (juggle) सीखना चाह रहे हैं।

अच्छी चीजें (Endogenous): जुगलर के गेंदों को हिलाते हुए हाथ। यह वह एक्शन है जिसे आप सीखना चाहते हैं।
बुरी चीजें (Exogenous): पीछे भीड़ का शोर मचाना, कैमरे का हिलना, या किसी पक्षी का उड़कर निकल जाना। यह "शोर" (noise) है।

पेपर दिखाता है कि मानक LAMs भटके हुए छात्रों की तरह हैं। जुगलर के हाथों पर ध्यान केंद्रित करने के बजाय, वे गलती से बैकग्राउंड के शोर को याद कर लेते हैं। यदि वीडियो में कैमरा हिलता है, तो मॉडल सोचता है, "आह, 'हिलना' ही एक्शन है!" वह गलत चीज़ सीख लेता है।

ऐसा क्यों होता है? ("फ्यूचर लीक")

लेखक इसे फ्यूचर लीकेज (Future Leakage) नामक एक चतुर ट्रिक के माध्यम से समझाते हैं।

कल्पना कीजिए कि मॉडल वर्तमान फ्रेम और एक अनुमानित "एक्शन" के आधार पर वीडियो के अगले फ्रेम की भविष्यवाणी करने की कोशिश कर रहा है।

शॉर्टकट: यह भविष्यवाणी करना कठिन है कि बैकग्राउंड बिल्कुल कैसे बदलेगा। लेकिन यदि आपके पास अगले फ्रेम तक पहुंच है, तो बैकग्राउंड को कॉपी करना आसान है।
गलती: मॉडल को एहसास होता है, "हे, अगर मैं अपने 'एक्शन' के अनुमान के अंदर बैकग्राउंड की जानकारी छिपा दूँ, तो मैं बस अगले फ्रेम में उसे कॉपी कर सकता हूँ और एक परफेक्ट स्कोर प्राप्त कर सकता हूँ!"

इसलिए, मॉडल अपने "एक्शन" लेबल में बैकग्राउंड (जैसे कैमरा एंगल या भीड़) के बारे में जानकारी भरना शुरू कर देता है क्योंकि यह टेस्ट में नकल करने में उसकी मदद करता है। यह वास्तविक रोबोटिक मूवमेंट को सीखना बंद कर देता है और कैमरा मूवमेंट को सीखना शुरू कर देता है।

समाधान: छात्र को ठीक करने के दो तरीके

पेपर दो मुख्य तरीके प्रस्तावित करता है ताकि मॉडल को नकल करने से रोका जा सके और उसे वास्तविक एक्शन पर ध्यान केंद्रित करने के लिए मजबूर किया जा सके।

1. "मल्टी-व्यू" ट्रिक (क्रॉस-एक्सोजेनस रिकंस्ट्रक्शन)

कल्पना कीजिए कि आप एक ही समय में दो अलग-अलग कैमरों से जुगलर को देख रहे हैं।

कैमरा A जुगलर को लाल बैकग्राउंड के साथ देखता है।
कैमरा B जुगलर को नीले बैकग्राउंड के साथ देखता है।
एक्शन: जुगलर एक गेंद फेंकता है। यह एक्शन दोनों वीडियो में समान है।

पेपर सुझाव देता है कि मॉडल को दोनों वीडियो देखने के लिए प्रशिक्षित किया जाए। यदि मॉडल लाल बैकग्राउंड के आधार पर एक्शन का अनुमान लगाने की कोशिश करता है, तो वह नीले बैकग्राउंड को देखते समय विफल हो जाएगा। दोनों दृश्यों के बीच जो चीज स्थिर रहती है, वह है जुगलर के हाथ की गति।

मॉडल को विभिन्न दृश्यों (या विभिन्न बैकग्राउंड) के बीच "कॉमन डैनोमिनेटर" खोजने के लिए मजबूर करके, यह बैकग्राउंड के शोर को अनदेखा करना सीख जाता है और केवल एक्शन पर ध्यान केंद्रित करता है।

2. "टीचर का आंसर की" (एक्सोजेनस-रोबस्ट सुपरविजन)

कभी-कभी, आपके पास दो कैमरे नहीं होते, लेकिन आपके पास थोड़ी सी मदद हो सकती है। शायद आप गति के प्रकार (जैसे, "ऑप्टिकल फ्लो" या कुछ लेबल किए गए एक्शन) को जानते हैं लेकिन पूरी कहानी नहीं।

पेपर सुझाव देता है कि मॉडल को एक ऐसा "टारगेट" दिया जाए जो बैकग्राउंड से मुक्त (immune) हो।

यदि आप मॉडल से पूछते है कि "बैकग्राउंड कितना बदला," तो वह विफल हो जाएगा।
यदि आप उससे पूछते हैं कि "हाथ कितना हिला," तो वह सफल होगा, क्योंकि हाथ की गति लाल या नीले बैकग्राउंड के बावजूद समान रहती है।

मॉडल को इन "बैकग्राउंड-प्रूफ" लक्ष्यों की भविष्यवाणी करने के लिए प्रशिक्षित करके, आप मॉडल को वास्तविक भौतिक गति के साथ अपने "एक्शन" अनुमानों को संरेखित करने के लिए मजबूर करते हैं, जिससे शोर को अनदेखा किया जा सके।

प्रमाण: यह सिद्धांत और व्यवहार दोनों में काम करता है

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने दो चीजें कीं:

गणित: उन्होंने समस्या का एक सरलीकृत, गणितीय संस्करण बनाया (जैसे कि एक रोबोट का कार्टून संस्करण) और सिद्ध किया कि इन सुधारों के बिना, मॉडल बैकग्राउंड को सीख ही लेगा। उन्होंने यह भी सिद्ध किया कि ऊपर दिए गए दो सुधार गणितीय रूप से मॉडल को बैकग्राउंड को अनदेखा करने के लिए मजबूर करते हैं।
प्रयोग: उन्होंने इसे सरल गणितीय मॉडल और जटिल, वास्तविक दुनिया जैसे AI मॉडल (न्यूरल नेटवर्क का उपयोग करके) दोनों पर परीक्षण किया।
- परिणाम: जब उन्होंने "मल्टी-व्यू" ट्रिक या "टीचर का आंसर की" का उपयोग किया, तो मॉडल ने बैकग्राउंड के शोर को सीखना बंद कर दिया। वे वास्तविक एक्शन को पहचानने में बहुत बेहतर हो गए, भले ही वीडियो विचलनों (distractions) से भरे हों।

सारांश

समस्या: वीडियो से एक्शन सीखने की कोशिश करने वाले AI मॉडल बैकग्राउंड के शोर (कैमरा शेक, चलती भीड़) से विचलित हो जाते हैं और गलत चीजें सीख लेते हैं।
कारण: मॉडल नकल करने के लिए बैकग्राउंड विवरणों को अपने "एक्शन" अनुमानों के अंदर छिपाकर धोखाधड़ी करते हैं।
समाधान: मॉडल को विभिन्न बैकग्राउंड के बीच समान रहने वाली चीजों को खोजने (मल्टी-व्यू) या उन चीजों की भविष्यवाणी करने के लिए मजबूर करें जो बैकग्राउंड के साथ नहीं बदलतीं (रोबस्ट टारगेट्स)।
परिणाम: मॉडल नकल करना बंद कर देते हैं, शोर को अनदेखा करते हैं, और वास्तव में रोबोट की गतिविधियों को सीखते हैं।

तकनीकी सारांश: लेटेंट एक्शन क्यों विफल होते हैं, और उन्हें कैसे रोका जाए

समस्या विवरण (Problem Statement)

लेटेंट एक्शन मॉडल्स (LAMs) अनलेबल वीडियो से एक्शन-प्रासंगिक रिप्रजेंटेशन (representations) सीखने का लक्ष्य रखते हैं, जो फ्रेम-दर-फ्रेम परिवर्तनों को कंप्रेस करके वास्तविक दुनिया की रोबोटिक्स में एक्शन-लेबल वाले डेटासेट की कमी का समाधान प्रदान करते हैं। हालांकि, "इन-द-वाइल्ड" (in-the-wild) वीडियो में, ऑब्जर्वेशन में न केवल एजेंट की एंडोजेनस (endogenous) अवस्था होती है, बल्कि एक्सोजेनस (exogenous) अवस्थाएं भी होती हैं (जैसे, बैकग्राउंड क्लटर, कैमरा मोशन, लाइटिंग परिवर्तन)। ये एक्सोजेनस कारक उन फ्रेम ट्रांजिशन को पेश करते हैं जो एजेंट के कार्यों से संबंधित नहीं होते हैं।

पूर्व के कार्यों ने देखा है कि मानक रिकंस्ट्रक्शन ऑब्जेक्टिव्स के साथ प्रशिक्षित LAMs ऐसे वातावरण में वास्तविक एक्शन के साथ संरेखित होने में विफल रहते हैं। एक्शन डायनेमिक्स सीखने के बजाय, लेटेंट एक्शन स्प्यूरियसली (spuriously) एक्सोजेनस नॉइज़ को एनकोड करते हैं। हालांकि अनुभवजन्य उपचार (empirical remedies) मौजूद हैं (जैसे, ऑक्सिलरी सुपरविजन, मल्टी-व्यू डेटा), लेकिन इस बात का कोई एकीकृत सैद्धांतिक विश्लेषण नहीं था कि एक्सोजेनस नॉइज़ की उपस्थिति में मानक ऑब्जेक्टिव्स क्यों विफल होते हैं या विशिष्ट ऑक्सिलरी ऑब्जेक्टिव्स इस विफलता को क्यों कम करते हैं।

कार्यप्रणाली (Methodology)

लेखक लेटेंट एक्शन लर्निंग का विश्लेषण करने के लिए एक्सोजेनस ब्लॉक मार्कोव डिसीजन प्रोसेस (Ex-BMDP) पर आधारित एक एकीकृत सैद्धांतिक ढांचे का प्रस्ताव करते हैं।

1. सैद्धांतिक ढांचा: Ex-BMDP

लेखक एक्सोजेनस नॉइज़ को स्पष्ट रूप से मॉडल करने के लिए मानक ब्लॉक MDP (BMDP) का विस्तार करते हैं। इस फॉर्मूलेशन में:

लेटेंट स्टेट $x$ को एक एंडोजेनस स्टेट $s$ (जो एजेंट द्वारा नियंत्रित है) और एक एक्सोजेनस स्टेट $\xi$ (जो एजेंट के कार्यों से स्वतंत्र है) में विभाजित किया जाता है।
ट्रांजिशन फंक्शन्स और इनिशियल डिस्ट्रीब्यूशन्स को अलग किया गया है: $T(x'|x, a) = T_s(s'|s, a)T_\xi(\xi'|\xi)$ ।
ऑब्जर्वेशन एक डिटर्मिनिस्टिक एमिशन मैप $o = h(s, \xi)$ के माध्यम से जनरेट किए जाते हैं, जिसमें एक विजन एनकोडर $f$ शामिल है।

2. लीनियर LAM विश्लेषण

सैद्धांतिक सुगमता सुनिश्चित करने के लिए, लेखक पहले एक लीनियर LAM सेटिंग का विश्लेषण करते हैं जहाँ:

ऑब्जर्वेशन ट्रांजिशन एडिटिव (additive) हैं: $o' = o + \phi_\xi(a) + \epsilon$ , जहाँ $\phi_\xi(a)$ एक्शन का प्रभाव है और $\epsilon$ स्टेट परिवर्तनों ( $\xi \to \xi'$ ) से उत्पन्न होने वाला एक्सोजेनस नॉइज़ है।
इनवर्स डायनेमिक्स मॉडल ( $\psi_{IDM}$ ) और फॉरवर्ड डायनेमिक्स मॉडल ( $\psi_{FDM}$ ) लीनियर मैप्स हैं।
मानक ऑब्जेक्टिव रिकंस्ट्रक्शन एरर को मिनिमाइज करना है: $L_{LAM} = \mathbb{E}[\|o' - \hat{o}'\|_2^2]$ ।

3. ऑक्सिलरी ऑब्जेक्टिव्स (Auxiliary Objectives)

लेखक दो परिवारों के मौजूदा ऑक्सिलरी ऑब्जेक्टिव्स को Ex-BMDP ढांचे के भीतर पुनर्गठित करते हैं:

क्रॉस-एक्सोजेनस रिकंस्ट्रक्शन ( $L_{X-exo}$ ): यह समान एंडोजेनस स्टेट साझा करने वाले विभिन्न एक्सोजेनस स्टेट्स ( $\xi, \tilde{\xi}$ ) से युग्मित ऑब्जर्वेशन का उपयोग कंसिस्टेंसी लागू करने के लिए करता है।
एक्सोजेनस-रोबस्ट टारगेट प्रेडिक्शन ( $L_{\xi-robust}$ ): यह लेटेंट एक्शन को एक टारगेट $y$ (जैसे, ग्राउंड-ट्रुथ एक्शन्स या ऑप्टिकल फ्लो) के साथ सुपरवाइज करता है जो एक्सोजेनस विविधताओं के प्रति रोबस्ट है (अर्थात, $y$ एक्सोजेनस बदलावों के बावजूद समान रहता है)।

मुख्य योगदान (Key Contributions)

1. "फ्यूचर लीकेज" (Future Leakage) की पहचान

लेखक सिद्ध करते हैं कि एक्सोजेनस नॉइज़ की उपस्थिति में मानक रिकंस्ट्रक्शन ऑब्जेक्टिव $L_{LAM}$ को मिनिमाइज करने से फ्यूचर लीकेज होता है।

मैकेनिज्म: चूंकि फॉरवर्ड मॉडल $\psi_{FDM}$ को भविष्य के ऑब्जर्वेशन $o'$ को रिकंस्ट्रक्ट करना होता है (जिसमें भविष्य का एक्सोजेनस स्टेट $\xi'$ शामिल है), और $\xi'$ इनपुट के रूप में उपलब्ध नहीं है, इसलिए लेटेंट एक्शन $z$ को $\xi'$ के बारे में जानकारी एनकोड करने के लिए मजबूर किया जाता है।
परिणाम: प्रपोजिशन 4.2 दिखाता है कि $L_{LAM}$ का कोई भी ग्लोबल मिनिमाइज़र $\xi'$ से स्वतंत्र लेटेंट एक्शन स्वीकार नहीं करता है। फलस्वरूप, $z$ भविष्य के फ्रेम से एक्सोजेनस जानकारी को सोख लेता है, जिससे वास्तविक एक्शन डायनेमिक्स को एनकोड करने की क्षमता कम हो जाती है।

2. विजन एनकोडर सेंसिटिविटी की भूमिका

विश्लेषण प्रकट करता है कि लेटेंट स्पेस में एक्सोजेनस नॉइज़ की ऊर्जा विजन एनकोडर की एक्सोजेनस परिवर्तनों के प्रति संवेदनशीलता (sensitivity) द्वारा नियंत्रित होती है।

नॉइज़ एनर्जी, एक्सोजेनस स्टेट स्विचिंग की फ्रीक्वेंसी और एमिशन फंक्शन $h$ की $\xi$ के प्रति संवेदनशीलता के समानुपाती है।
अनुभवजन्य परिणाम दिखाते हैं कि DINOv2 जैसे एनकोडर, जो ऑब्जेक्ट-सेंट्रिक हैं और बैकग्राउंड वेरिएशंस के प्रति रोबस्ट हैं, कच्चे पिक्सेल इनपुट की तुलना में इस संवेदनशीलता को काफी कम कर देते हैं, जिससे बेहतर एक्शन एलाइनमेंट मिलता है।

3. ऑक्सिलरी ऑब्जेक्टिव्स का सैद्धांतिक औचित्य

यह पेपर प्रमाण प्रदान करता है कि कैसे ऑक्सिलरी ऑब्जेक्टिव्स एक्सोजेनस स्टेट्स के बीच कंसिस्टेंसी लागू करके एक्सोजेनस इंटरफेरेंस को कम करते हैं:

क्रॉस-एक्सोजेनस रिकंस्ट्रक्शन: लीनियर धारणाओं के तहत, $L_{X-exo}$ को मिनिमाइज करना कैनोनिकल कोरिलेशन एनालिसिस (CCA) के समान है। यह उन ट्रांजिशन कंपोनेंट्स को दबा देता है जो विशिष्ट एक्सोजेनस स्टेट्स के साथ बदलते हैं, जबकि उन कंपोनेंट्स को सुरक्षित रखता है जो उनके बीच बने रहते हैं (अर्थात, एक्शन-ड्रिवन परिवर्तन)।
एक्सोजेनस-रोबस्ट प्रेडिक्शन: प्रपोजिशन 4.8 दर्शाता है कि एक ऐसा टारगेट $y$ प्रेडिक्ट करना जो एक्सोजेनस स्टेट्स के प्रति $\eta$ -रोबस्ट है, विभिन्न एक्सोजेनस स्टेट्स के बीच लेटेंट एक्शन्स के मिसमैच पर एक स्पष्ट बाउंड प्रदान करता है। इस लॉस को मिनिमाइज करना लेटेंट एक्शन को बैकग्राउंड के बावजूद सुसंगत होने के लिए मजबूर करता है।

प्रायोगिक परिणाम (Experimental Results)

लीनियर LAM प्रयोग

नियंत्रित एक्सोजेनस स्विचिंग प्रोबेबिलिटी ( $p_{switch}$ ) के साथ सिंथेटिक डेटा का उपयोग करते हुए:

फ्यूचर लीकेज वैलिडेशन: प्रयोगों ने पुष्टि की कि लेटेंट एक्शन भविष्य के एक्सोजेनस स्टेट्स को एनकोड करते हैं। जब इन्फरेंस के दौरान अगले फ्रेम के एक्सोजेनस स्टेट को स्वैप किया गया, तो रिकंस्ट्रक्शन आउटपुट स्वैप्ड फ्रेम से मेल खाने के लिए शिफ्ट हो गया, जो "शॉर्टकट" व्यवहार की पुष्टि करता है।
नॉइज़ सेंसिटिविटी: जैसे-जैसे एक्सोजेनस परिवर्तनों के प्रति ऑब्जर्वेशन की संवेदनशीलता ( $\alpha$ ) बढ़ी, एक्शन प्रेडिक्शन के लिए नॉर्मलाइज्ड मीन स्क्वेर्ड एरर (NMSE) खराब हो गया, जो एनकोडर सेंसिटिविटी और विफलता के बीच सैद्धांतिक लिंक को प्रमाणित करता है।
ऑक्सिलरी प्रभावकारिता: स्टैंडर्ड लॉस के साथ $L_{X-exo}$ या $L_{\xi-robust}$ जोड़ने से एक्शन एलाइनमेंट में लगातार सुधार हुआ और एक्सोजेनस स्टेट्स के बीच लेटेंट एक्शन्स का वेरिएंस कम हुआ।

नॉनलीनर (प्रैक्टिकल) LAM प्रयोग

सामान्यीकरण (generalizability) का परीक्षण करने के लिए, लेखकों ने मल्टीप्लिकेटिव एक्सोजेनस नॉइज़ (जो लीनियर धारणाओं का उल्लंघन करता है) वाले ग्रिड-वर्ल्ड डेटासेट पर एक नॉनलीनर LAM (VQ-VAE के साथ CNN/UNet) को प्रशिक्षित किया:

वैनिला LAM: जैसे-जैसे नॉइज़ की तीव्रता बढ़ी, मॉडल ने एक्सोजेनस क्षेत्रों को एनकोड किया, जिससे हाई कंसिस्टेंसी लॉस और लो एक्सोजेनस रीजन MSE (इसका मतलब है कि इसने नॉइज़ को प्रेडिक्ट किया) हुआ।
ऑगमेंटेड LAM: $L_{X-exo}$ या $L_{\xi-robust}$ के साथ प्रशिक्षित मॉडल्स ने सभी नॉइज़ लेवल्स पर हाई एक्सोजेनस रीजन MSE (नॉइज़ को अनदेखा करना) और लो कंसिस्टेंसी लॉस बनाए रखा।
निष्कर्ष: एक्सोजेनस लीकेज के संबंध में सैद्धांतिक अंतर्दृष्टि और कंसिस्टेंसी-एनफोर्सिंग ऑब्जेक्टिव्स के लाभ, भले ही लीनियरिटी और एडिटिव धारणाओं का उल्लंघन हो, प्रभावी रूप से काम करते हैं।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि यह एक्सोजेनस नॉइज़ की उपस्थिति में लेटेंट एक्शन लर्निंग की विफलताओं का एक एकीकृत सैद्धांतिक विश्लेषण प्रदान करता है। इसका प्राथमिक महत्व निम्नलिखित है:

विफलता मोड की व्याख्या: यह केवल अनुभवजन्य रूप से घटना को देखने के बजाय, "फ्यूचर लीकेज" को उस तंत्र के रूप में औपचारिक रूप से पहचानता है जिसके द्वारा मानक रिकंस्ट्रक्शन ऑब्जेक्टिव्स एक्शन लर्निंग को खराब करते हैं।
उपचारों का एकीकरण: यह प्रदर्शित करता है कि विविध ऑक्सिलरी ऑब्जेक्टिव्स (मल्टी-व्यू, एक्शन सुपरविजन, ऑप्टिकल फ्लो) एक सामान्य सैद्धांतिक तंत्र साझा करते हैं: वे एक्सोजेनस स्टेट्स के बीच लेटेंट एक्शन्स की कंसिस्टेंसी को लागू करते हैं।
डिजाइन मार्गदर्शन: यह एक्सोजेनस कारकों के प्रति विजन एनकोडर की संवेदनशीलता के महत्वपूर्ण महत्व को रेखांकित करता है, जो यह सुझाव देता है कि प्रभावी LAMs के लिए रोबस्ट फीचर एक्सट्रैक्टर्स एक पूर्व शर्त हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि उनके सैद्धांतिक प्रमाण लीनियर धारणाओं पर निर्भर करते हैं, नॉनलीनर मॉडल्स पर उनका अनुभवजन्य सत्यापन बताता है कि ये सिद्धांत व्यावहारिक, वास्तविक दुनिया के लेटेंट एक्शन लर्निंग परिदृश्यों में भी लागू होते हैं।