🤖 machine learning

Learning fMRI activations dictionaries across individual geometries via optimal transport

यह शोध पत्र fMRI डेटा के लिए एक नवीन डिक्शनरी लर्निंग फ्रेमवर्क प्रस्तावित करता है जो फ्यूज्ड ग्रोमोव-वासरस्टीन दूरी (Fused Gromov-Wasserstein distance) और एमोर्टाइज्ड न्यूरल ऑप्टिमाइजेशन का लाभ उठाता है ताकि टेम्पलेट-आधारित प्रोजेक्शन पर निर्भर किए बिना व्यक्तिगत मस्तिष्क ज्यामिति परिवर्तनशीलता को कैप्चर किया जा सके, जिससे डाउनस्ट्रीम विश्लेषण के लिए विषय-विशिष्ट जानकारी सुरक्षित रहती है।

मूल लेखक: Sonia Mazelet, Rémi Flamary, Bertrand Thirion

प्रकाशित 2026-05-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sonia Mazelet, Rémi Flamary, Bertrand Thirion

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: मस्तिष्क के "फिंगरप्रिंट" का मानचित्रण

कल्पना कीजिए कि आप मस्तिष्क की गतिविधियों की एक डिक्शनरी (शब्दकोश) बनाने की कोशिश कर रहे हैं। आप उन बुनियादी "बिल्डिंग ब्लॉक्स" (परमाणुओं) को खोजना चाहते हैं जो हमारे मस्तिष्क के काम करने के तरीके को बनाते हैं, जैसे कि जब हम डर महसूस करते हैं, हाथ हिलाते हैं, या गणित की कोई समस्या हल करते हैं।

समस्या:
हर इंसान का मस्तिष्क अलग आकार का होता है। कुछ अखरोट की तरह झुर्रियों वाले होते हैं, कुछ चिकने होते हैं; कुछ बड़े होते हैं, तो कुछ छोटे।

पुराना तरीका: मस्तिष्क की तुलना करने के लिए, वैज्ञानिक पहले सभी के मस्तिष्क को एक ही मानक "कुकी कटर" टेम्पलेट पर चपटा (flatten) कर देते थे। यह एक हाथ से बुने हुए अनोखे स्वेटर को एक ऐसी मशीन में डालने जैसा है जो उसे एक आदर्श, सपाट वर्ग में कुचल देती है ताकि हर कोई एक जैसा दिखे।
नुकसान: जब आप स्वेटर को कुचलते हैं, तो आप मूल बुनकर के काम की अनूठी बनावट और आकार को खो देते हैं। आप व्यक्ति के मस्तिष्क के "व्यक्तिगत फिंगरप्रिंट" को खो देते हैं।

नया समाधान (AGDL):
लेखकों ने अमोर्टाइज्ड ग्राफ डिक्शनरी लर्निंग (AGDL) नामक एक नई विधि प्रस्तावित की है। हर मस्तिष्क को एक कुकी कटर में कुचलने के बजाय, वे हर मस्तिष्क को अपना एक अनूठा, 3D परिदृश्य (landscape) मानते हैं। वे प्रत्येक व्यक्ति के मस्तिष्क के अनूठे आकार का सम्मान करते हुए मस्तिष्क की गतिविधि के बिल्डिंग ब्लॉक्स खोजना चाहते हैं।

यह कैसे काम करता है: "यूनिवर्सल ट्रांसलेटर"

दो अलग-अलग मस्तिष्क मानचित्रों की तुलना करने के लिए बिना उन्हें कुचले, शोधकर्ता ऑप्टिमल ट्रांसपोर्ट (Optimal Transport) नामक एक गणितीय उपकरण का उपयोग करते हैं।

उपमा (Analogy):
कल्पना कीजिए कि आपके पास दो अलग-अलग शहर हैं।

शहर A में चौड़ी सड़कों वाला एक ग्रिड लेआउट है।
शहर B में नदी के किनारे वाली घुमावदार, संकरी गलियां हैं।
आप शहर A से शहर B में फर्नीचर (मस्तिष्क की गतिविधि) ले जाना चाहते हैं।

यदि आप केवल "गली 1" को "गली 1" से मिलाने की कोशिश करेंगे, तो यह काम नहीं करेगा क्योंकि गलियों का आकार अलग-अलग है। आपको एक यूनिवर्सल ट्रांसलेटर की आवश्यकता होगी जो यह पता लगा सके कि शहर A के एक विशिष्ट घर से शहर B के सबसे अच्छे मिलान वाले घर तक फर्नीचर ले जाने का सबसे कुशल तरीका क्या है, भले ही सड़कें दिखने में पूरी तरह से अलग हों।

इस पेपर में, वह "यूनिवर्सल ट्रांसलेटर" एक न्यूरल नेटवर्क है जिसे इन मिलानों की तुरंत भविष्यवाणी करने के लिए प्रशिक्षित किया गया है।

तीन बड़ी नवाचार (Innovations)

1. स्पीड ट्रिक (Amortized Optimization)

दो जटिल मस्तिष्क मानचित्रों के बीच सटीक मिलान की गणना करना एक विशाल जिग्सॉ पहेली (jigsaw puzzle) को हल करने जैसा है जहाँ हर टुकड़ा अपना आकार बदलता है। हजारों लोगों के लिए ऐसा करने में एक सुपरकंप्यूटर को वर्षों लग जाएंगे।

समाधान: शोधकर्ताओं ने एक "स्मार्ट असिस्टेंट" (एक न्यूरल नेटवर्क) को प्रशिक्षित किया जो पहेली को देखकर लगभग तुरंत समाधान का अनुमान लगा लेता है। हर बार गणित की समस्या को शून्य से हल करने के बजाय, असिस्टेंट बस कहता है, "मैंने यह पहले देखा है; यह रहा सबसे अच्छा मिलान।" यह प्रक्रिया को इतने बड़े डेटासेट को संभालने के लिए पर्याप्त तेज़ बनाता है।

2. आकार बनाम सामग्री के लिए "डायल" ( $\alpha$ पैरामीटर)

मस्तिष्कों की तुलना करते समय, आपको यह तय करना होता है कि क्या अधिक महत्वपूर्ण है:

फीचर अलाइनमेंट (Feature Alignment): "क्या यह स्थान तब चमकता है जब मैं डर महसूस करता हूँ?" (सामग्री/Content)
स्ट्रक्चरल अलाइनमेंट (Structural Alignment): "क्या यह स्थान मस्तिष्क के उसी भौतिक मोड़ (fold) में है?" (आकार/Shape)

शोधकर्ताओं ने एक "डायल" ( $\alpha$ पैरामीटर) बनाया है जो आपको संतुलन को एडजस्ट करने की अनुमति देता है।

डायल को 0 पर घुमाने पर: आप केवल सामग्री (गतिविधि) की परवाह करते हैं, आकार को अनदेखा करते हैं।
डायल को 1 पर घुमाने पर: आप आकार और संरचना की गहराई से परवाह करते हैं।
जादू: उन्होंने केवल एक सेटिंग के लिए एक डिक्शनरी नहीं बनाई। उन्होंने एक ऐसी डिक्शनरी बनाई जो इस आधार पर बदलती है कि आप डायल को कहाँ घुमाते हैं। आप तुरंत देख सकते हैं कि यदि आप आकार पर ध्यान केंद्रित करते हैं, तो मस्तिष्क कैसा दिखता है, या यदि आप गतिविधि पर ध्यान केंद्रित करते हैं, तो कैसा दिखता है, और इसके लिए आपको पूरे सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता नहीं है।

3. "नेटिव" आकार से सीखना

मस्तिष्कों को एक मानक टेम्पलेट पर थोपने के बजाय, यह विधि सीधे मस्तिष्क के "नेटिव" (वास्तविक, व्यक्तिगत) आकारों से डिक्शनरी सीखती है।

परिणाम: डिक्शनरी के परमाणु (atoms) सार्वभौमिक लेगो ब्रिक्स (Lego bricks) के सेट की तरह हैं। भले ही हर व्यक्ति का मस्तिष्क (जो घर वे बनाते हैं) अलग आकार का हो, लेकिन ब्रिक्स (डिक्शनरी) अभी भी गतिविधि का वर्णन करने के लिए पूरी तरह से फिट हो सकते हैं, जिससे प्रत्येक व्यक्ति के अनूठे "फिंगरप्रिंट" को सुरक्षित रखा जा सके।

उन्होंने क्या पाया?

शोधकर्ताओं ने इसका परीक्षण 1,200 लोगों (HCP डेटासेट) पर किया जो जुआ खेलने, हाथ हिलाने या कहानियाँ सुनने जैसे विभिन्न कार्यों में शामिल थे।

यह काम करता है: इस पद्धति ने सफलतापूर्वक एक ऐसी डिक्शनरी बनाई जो विभिन्न कार्यों के लिए मस्तिष्क की गतिविधि का वर्णन कर सकती है।
यह व्यक्तित्व को पकड़ता है: जब उन्होंने मस्तिष्क की गतिविधि के आधार पर यह अनुमान लगाने की कोशिश की कि स्कैन में कौन सा व्यक्ति था, तो उनकी विधि पुराने "कुकी कटर" तरीके की तुलना में बहुत बेहतर थी। यह साबित करता है कि मस्तिष्क के अनूठे आकार को बनाए रखने से व्यक्ति की पहचान करने में मदद मिलती है।
"स्वीट स्पॉट" (Sweet Spot): उन्होंने पाया कि सबसे अच्छे परिणाम तब मिले जब उन्होंने आकार और गतिविधि दोनों की परवाह करने का मिश्रण किया। यदि आप केवल एक या दूसरे की परवाह करते, तो परिणाम उतने अच्छे नहीं होते।
स्मार्टर मॉडल: उन्होंने डिक्शनरी बनाने के दो तरीके आजमाए: एक सरल रैखिक (linear) मॉडल और एक अधिक जटिल (MLP) मॉडल। जटिल मॉडल ने बेहतर काम किया, जिससे पता चलता है कि मस्तिष्क की गतिविधि बहुत जटिल है और इसे सरल नियमों से नहीं समझा जा सकता; इसे पकड़ने के लिए एक लचीले और अभिव्यंजक मॉडल की आवश्यकता होती है।

सारांश

यह पेपर मस्तिष्क की गतिविधि का अध्ययन करने का एक तरीका पेश करता है जो इस तथ्य का सम्मान करता है कि हर मस्तिष्क का आकार अलग होता है। मस्तिष्क मानचित्रों को तेजी से मिलाने के लिए एक "स्मार्ट असिस्टेंट" का उपयोग करके और आकार बनाम सामग्री को संतुलित करने के लिए एक लचीले "डायल" का उपयोग करके, उन्होंने एक ऐसी डिक्शनरी बनाई जो हमारे द्वारा किए जाने वाले सार्वभौमिक कार्यों (जैसे हाथ हिलाना) और हमारे मस्तिष्क के अनूठे, व्यक्तिगत फिंगरप्रिंट दोनों को कैप्चर करती है।

तकनीकी सारांश: अनुकूलतम परिवहन (Optimal Transport) के माध्यम से व्यक्तिगत ज्यामितिओं के माध्यम से fMRI सक्रियण शब्दकोशों को सीखना

समस्या विवरण

फंक्शनल मैग्नेटिक रेजोनेंस इमेजिंग (fMRI) डेटा उच्च-आयामी (high-dimensional), शोर युक्त (noisy) और स्वाभाविक रूप से विषय-विशिष्ट (subject-specific) होता है। मल्टी-सब्जेक्ट fMRI विश्लेषण में एक केंद्रीय चुनौती व्यक्तिगत मस्तिष्क संरचना और कार्यात्मक संगठन में व्यापक परिवर्तनशीलता है। मानक दृष्टिकोण इस समस्या को सभी विषयों को एक सामान्य शारीरिक टेम्पलेट (जैसे, fsaverage) पर प्रोजेक्ट करके हल करते हैं। हालांकि यह व्यावहारिक है, लेकिन यह पंजीकरण प्रक्रिया व्यक्तिगत संरचनात्मक जानकारी को त्याग देती है, अपूर्ण पत्राचार (correspondences) पर निर्भर करती है, और व्यक्तिगत मस्तिष्क संगठन को विकृत कर सकती है।

मौजूदा डिक्शनरी लर्निंग विधियाँ यह मानती हैं कि सिग्नल एक सामान्य ज्यामिति (geometry) पर पंजीकृत हैं। ग्राफ डिक्शनरी लर्निंग (GDL), जो फ्यूज्ड ग्रोमो-वास्करस्टीन (FGW) दूरी का उपयोग करता है, अलग-अलग ज्यामिति वाले ग्राफों की तुलना करने के लिए एक ढांचा प्रदान करता है, लेकिन बड़े पैमाने के न्यूरोइमेजिंग डेटा के लिए इसका अनुप्रयोग वर्तमान में अव्यावहारिक है। FGW अनुकूलन समस्या को हल करने की कम्प्यूटेशनल लागत नोड्स की संख्या के साथ क्यूबिक (या लॉस वेरिएंट के आधार पर क्वार्टिक) रूप से बढ़ती है, जिससे पिछले GDL अनुप्रयोग केवल दर्जनों नोड्स वाले छोटे ग्राफों तक ही सीमित रह गए, जबकि fMRI ग्राफों में आमतौर पर हजारों नोड्स होते हैं।

कार्यप्रणाली (Methodology)

लेखक एमोर्टाइज्ड ग्राफ डिक्शनरी लर्निंग (AGDL) का प्रस्ताव करते हैं, जो एक अभिनव ढांचा है जिसे विषयों को एक सामान्य टेम्पलेट पर प्रोजेक्ट किए बिना, सीधे व्यक्तिगत विषय की ज्यामिति से व्याख्या योग्य डिक्शनरी प्रतिनिधित्व सीखने के लिए डिज़ाइन किया गया है। यह विधि तीन मुख्य घटकों को एकीकृत करती है:

1. FGW सन्निकटन के लिए एमोर्टाइज्ड ऑप्टिमाइजेशन

सटीक FGW दूरी गणना की अत्यधिक कम्प्यूटेशनल लागत को दूर करने के लिए, लेखक एमोर्टाइज्ड ऑप्टिमाइजेशन का उपयोग करते हैं। वे अनसुपरवाइज्ड लर्निंग ऑफ ऑप्टिमल ट्रांसपोर्ट (ULOT) आर्किटेक्चर पर आधारित एक पूर्व-प्रशिक्षित न्यूरल नेटवर्क का उपयोग करते हैं।

प्रशिक्षण (Training): ULOT मॉडल को डेटासेट से लिए गए ग्राफ के जोड़ों पर प्रशिक्षित किया जाता है ताकि वह अनुकूलतम परिवहन योजना $P^\alpha_\theta(G_1, G_2)$ की भविष्यवाणी कर सके जो FGW लॉस को कम करती है। प्रशिक्षण में मार्जिनल बाधाओं को प्रोत्साहित करने के लिए ग्राउंड ट्रुथ पत्राचार की आवश्यकता के बिना 'फ्यूज्ड अनबैलेंस्ड ग्रोमो-वास्करस्टीन' (FUGW) लॉस का उपयोग एक रिलैक्सेशन के रूप में किया जाता है।
अनुमान (Inference): प्रशिक्षित होने के बाद, मॉडल $O(n_1 n_2)$ जटिलता के साथ एक साधारण फॉरवर्ड पास के माध्यम से परिवहन योजनाओं की भविष्यवाणी करता है, जो बड़े ग्राफों (लगभग 1000 नोड्स) के लिए FGW-आधारित विधियों के अनुप्रयोग को सक्षम बनाता है।

2. फिक्स्ड एटम ज्योमेट्री के साथ डिक्शनरी लर्निंग

यह विधि एक डिक्शनरी के एटम्स $(F^D_k, C^D_k)$ सीखती है जहाँ संरचनात्मक घटक $C$ (जो ग्राफ ज्यामिति का प्रतिनिधित्व करता है) एक सामान्य ज्यामिति (जैसे, fsaverage टेम्पलेट) के लिए स्थिर (fixed) है ताकि व्याख्यात्मकता और तुलनात्मकता सुनिश्चित की जा सके। फीचर घटक $F^D_k$ को सीखा जाता है।

पुनर्निर्माण (Reconstruction): प्रत्येक विषय के ग्राफ $G_i$ को डिक्शनरी एटम्स के रैखिक संयोजन के रूप में पुनर्निर्मित किया जाता है: $(\sum \omega_k F^D_k, \sum \omega_k C^D_k)$ ।
लॉस फंक्शन: पुनर्निर्माण त्रुटि (reconstruction error) विषय के मूल ग्राफ और पुनर्निर्मित ग्राफ के बीच FGW दूरी का उपयोग करके कंप्यूट की जाती है, जिसमें अनुमानित एमोर्टाइज्ड ULOT मॉडल द्वारा प्रेडिक्ट की गई ट्रांसपोर्ट प्लान का उपयोग किया जाता है। यह मॉडल एक सामान्य डिक्शनरी संरचना बनाए रखते हुए, ट्रांसपोर्ट प्लान के माध्यम से व्यक्तिगत ज्यामितीय परिवर्तनशीलता को ध्यान में रखने की अनुमति देता है।

3. $\alpha$ -कंडीशन्ड डिक्शनरी लर्निंग

FGW दूरी में एक ट्रेड-ऑफ पैरामीटर $\alpha \in [0, 1]$ शामिल है जो फीचर अलाइनमेंट (वॉसरस्टीन टर्म) और स्ट्रक्चरल अलाइनमेंट (ग्रोमो-वास्करस्टीन टर्म) के बीच संतुलन बनाता है। हर $\alpha$ के लिए डिक्शनरी को फिर से प्रशिक्षित करने के बजाय, लेखक ऐसे डिक्शनरी प्रस्तावित करते हैं जो स्पष्ट रूप से $\alpha$ पर निर्भर करते हैं:

रैखिक इंटरपोलेशन (Linear Interpolation): एक सरल मॉडल जहाँ डिक्शनरी एटम्स दो एंडपॉइंट एटम्स के बीच एक रैखिक इंटरपोलेशन हैं: $F^D = \alpha F^D_0 + (1-\alpha)F^D_1$ ।
MLP-आधारित मॉडल: एक अधिक अभिव्यंजक मॉडल जो एक मल्टी-लेयर परसेप्ट्रॉन (MLP) का उपयोग करता है जो $\alpha$ के सॉफ्ट-बिन्ड एनकोडिंग को इनपुट के रूप में लेता है ताकि डिक्शनरी एटम्स को आउटपुट किया जा सके। यह $\alpha$ के साथ डिक्शनरी को सुचारू रूप से विकसित होने की अनुमति देता है, जिससे डाउनस्ट्रीम पैरामीटर चयन के लिए कम्प्यूटेशनल ओवरहेड के बिना विभिन्न ज्यामितीय परिवर्तनशीलता के स्तरों को कैप्चर किया जा सके।

मुख्य योगदान

स्केलेबल FGW डिक्शनरी लर्निंग: यह पेपर AGDL पेश करता है, जो एमोर्टाइज्ड ऑप्टिमाइजेशन का लाभ उठाकर बड़े पैमाने के fMRI डेटा (हजारों नोड्स) पर FGW-आधारित डिक्शनरी लर्निंग लागू करने वाला पहला तरीका है।
नेटिव ज्योमेट्री लर्निंग: मानक पाइपलाइनों के विपरीत जो डेटा को एक सामान्य टेम्पलेट पर प्रोजेक्ट करती हैं, AGDL व्यक्तिगत विषय की ज्यामिति से सीधे प्रतिनिधित्व सीखता है, जिससे विषय-विशिष्ट संरचनात्मक जानकारी सुरक्षित रहती है।
पैरामीटर-डिपेंडेंट डिक्शनरीज: यह विधि एक ऐसी डिक्शनरी सीखने का तंत्र पेश करती है जो FGW ट्रेड-ऑफ पैरामीटर $\alpha$ पर आधारित है, जिससे पुन: प्रशिक्षण के बिना फीचर और स्ट्रक्चरल अलाइनमेंट के बीच विभिन्न संतुलनों की खोज संभव होती है।
HCP पर अनुभवजन्य सत्यापन: दृष्टिकोण को ह्यूमन कनेक्टोम प्रोजेक्ट (HCP) डेटासेट पर मान्य किया गया है, जो टास्क-आधारित और रेस्टिंग-स्टेट डेटा दोनों के लिए सार्थक प्रतिनिधित्व सीखने की इसकी क्षमता प्रदर्शित करता है।

प्रयोगात्मक परिणाम

HCP डेटासेट पर 1,200 विषयों और 7 संज्ञानात्मक कार्यों (cognitive tasks) को लेकर प्रयोग किए गए। डेटासेट में उनके नेटिव व्यक्तिगत ज्यामिति और सामान्य fsaverage ज्यामिति दोनों शामिल थे।

पुनर्निर्माण की गुणवत्ता (Reconstruction Quality): पुनर्निर्मित कंट्रास्ट मैप्स (जैसे, "story - math") के विज़ुअलाइज़ेशन ने दिखाया कि AGDL मुख्य सक्रियता पैटर्न को पकड़ता है और शोर को स्मूथ करता है, जो प्रभावी रूप से नेटिव और कॉमन ज्योमेट्री के बीच के अंतर को पाटता है।
कंट्रास्ट वर्गीकरण (Contrast Classification): सीखे गए एम्बेडिंग्स पर प्रशिक्षित एक SVM क्लासिफायर ने $\alpha = 0.22$ पर पीक सटीकता प्राप्त की। हालांकि बेसलाइन (कॉमन ज्योमेट्री) इस विशिष्ट कार्य में थोड़ा बेहतर प्रदर्शन करती है, लेखक इसे इस कारण से बेसलाइन द्वारा व्यक्तिगत ज्यामितिक "शोर" को रद्द करने का परिणाम बताते हैं। MLP-आधारित AGDL मॉडल ने लीनियर इंटरपोलेशन मॉडल की तुलना में बेहतर प्रदर्शन किया, जो सुझाव देता है कि उच्च अभिव्यक्ति (expressivity) की आवश्यकता है।
विषय वर्गीकरण (Subject Classification): विषयों को उनके एम्बेडिंग्स के आधार पर वर्गीकृत करने के अधिक चुनौतीपूर्ण कार्य में, AGDL ने कॉमन ज्योमेट्री बेसलाइन की तुलना में काफी बेहतर प्रदर्शन किया। सर्वश्रेष्ठ प्रदर्शन $\alpha = 0.78$ पर प्राप्त किया गया, जो इंगित करता है कि व्यक्तियों को अलग करने के लिए संरचनात्मक जानकारी को कैप्चर करना महत्वपूर्ण है। t-SNE विज़ुअलाइज़ेशन ने पुष्टि की कि AGDL एम्बेडिंग्स विषय की पहचान के आधार पर क्लस्टर करते हैं, जबकि बेसलाइन नहीं करती है।
एटम इवोल्यूशन (Atom Evolution): विभिन्न $\alpha$ मानों के माध्यम से डिक्शनरी एटम्स के विज़ुअलाइज़ेशन ने दिखाया कि $\alpha$ बढ़ाने (स्ट्रक्चरल अलाइनमेंट पर जोर देने) से विशिष्ट कंट्रास्ट के अनुरूप अधिक शार्प और स्थानीयकृत सक्रियताएँ प्राप्त होती हैं।

महत्व और दावे

पेपर का दावा है कि AGDL fMRI विश्लेषण में एक महत्वपूर्ण कदम है क्योंकि यह सभी विषयों को एक सामान्य ज्यामिति पर प्रोजेक्ट करने के मानक अभ्यास से आगे बढ़ता है। व्यक्तिगत ज्यामिति के माध्यम से अनुकूलतम परिवहन का उपयोग करके, यह विधि व्यक्तिगत ज्यामिति को संरक्षित करती है जो पंजीकरण (registration) में आमतौर पर खो जाती है।

लेखक इस कार्य को विषम ज्यामिति (heterogeneous geometry) डिक्शनरी लर्निंग के पहले प्रयास के रूप में प्रस्तुत करते हैं, और भविष्य के कार्यों के लिए संयुक्त हेमिस्फेरिक लर्निंग, फिक्स्ड ज्योमेट्री धारणा को हटाने, और लगभग वास्तविक समय प्रसंस्करण के लिए पूर्णतः एमोर्टाइज्ड रिकंस्ट्रक्शन कोफिशिएंट्स को लागू करने की योजना बनाई गई है।