💻 computer science

Learning Compositional Symbolic Task Rules from Demonstrations with Inductive Logic Programming

यह शोध पत्र 'लर्निंग फ्रॉम डिमॉन्स्ट्रेशन' (प्रदर्शन से सीखना) के लिए एक विखंडित इंडक्टिव लॉजिक प्रोग्रामिंग दृष्टिकोण प्रस्तावित करता है जो कई अमूर्त स्तरों में व्याख्या योग्य, पुन: प्रयोज्य प्रतीकात्मक कार्य नियमों का अनुमान लगाता है, जो एक सिंथेटिक ब्लॉक-असेंबली वातावरण में जटिल, अनदेखे परिदृश्यों के प्रति मजबूत सामान्यीकरण प्रदर्शित करता है।

मूल लेखक: Oleh Borys, Karla Stepanova

प्रकाशित 2026-05-27

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Oleh Borys, Karla Stepanova

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 रोबोट को ब्लॉक्स से एक टावर बनाना सिखा रहे हैं। आज के अधिकांश रोबोट तोते की तरह हैं: आप उन्हें एक वीडियो दिखाते हैं जिसमें आप एक लाल ब्लॉक रखते हैं, फिर एक नीला, और वे उन्हीं सटीक गतिविधियों की नकल करने की कोशिश करते हैं। लेकिन यदि आप उन्हें एक हरा ब्लॉक देते हैं या उनसे एक लंबा टावर बनाने के लिए कहते हैं, तो वे भ्रमित हो जाते हैं क्योंकि उन्होंने केवल हलचल (movements) को याद किया है, नियमों को नहीं।

यह शोध पत्र एक अलग दृष्टिकोण प्रस्तावित करता है। रोबोट को यह सिखाने के बजाय कि उसके हाथ को कैसे हिलाना है, लेखक उसे यह सिखाते हैं कि खेल के नियम क्या हैं, जिसे इंडक्टिव लॉजिक प्रोग्रामिंग (ILP) कहा जाता है। इसे इस तरह समझें जैसे आप रोबोट को कार्य का "लहजा (accent)" नहीं, बल्कि उसका "व्याकरण (grammar)" सिखा रहे हैं।

यहाँ बताया गया है कि उनका सिस्टम कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. "लेगो मास्टर" की उपमा

कल्पना कीजिए कि आप एक बच्चे को एक विशिष्ट प्रकार का टावर बनाना सिखाना चाहते हैं।

पुराना तरीका (मानक शिक्षण): आप बच्चे का हाथ पकड़ते हैं और ब्लॉक्स को स्टैक करने के लिए उसकी उंगलियों को हिलाते हैं। वह मांसपेशियों की स्मृति (muscle memory) सीखता है। यदि आप ब्लॉक्स बदल देते हैं, तो वह विफल हो सकता है।
इस शोध पत्र का तरीका (ILP): आप बच्चे को पास बिठाते हैं और नियम समझाते हैं: "लाल ब्लॉक्स नीचे जाएंगे, नीले बीच में, और हरे ऊपर। आप केवल केंद्र के स्थान के बगल में ही टावर बना सकते हैं।" एक बार जब बच्चा इन नियमों को समझ लेता है, तो वह किसी भी ब्लॉक के साथ, किसी भी स्थान पर, टावर बना सकता है, जब तक कि वह तर्क (logic) का पालन करता है।

2. एक बड़े कार्य को छोटे पहेलियों में तोड़ना

लेखकों ने महसूस किया कि एक साथ सभी नियमों को सिखाने की कोशिश करना एक विशाल जिग्सॉ पहेली को एक ही बार में देखने जैसा है—यह बहुत अधिक भारी (overwhelming) हो जाता है।

इसके बजाय, वे कार्य को तीन छोटे, आसान पहेलियों (अमूर्तता के स्तरों) में तोड़ देते हैं:

स्तर 1 (सामग्री): सबसे पहले, रोबोट सीखता है कि कौन सी सामग्री कहाँ जाएगी। "पत्थर नीचे जाएगा, ईंट बीच में।" वह यह नियम उदाहरणों से सीखता है।
स्तर 2 (संरचना): इसके बाद, रोबोट अभी सीखे गए नियम का उपयोग यह समझने के लिए करता है कि वास्तव में एक "टावर" क्या है। वह सीखता है कि एक टावर वास्तव में ब्लॉक्स की एक सूची है जो एक के ऊपर एक रखे गए हैं।
स्तर 3 (स्थान): अंत में, रोबोट सीखता है कि वह कहाँ निर्माण करने के लिए स्वतंत्र है। "आप केंद्र के बगल में बना सकते हैं, लेकिन विकर्ण (diagonal) पर नहीं।"

3. "चीट शीट" का प्रभाव

यही सबसे चतुर हिस्सा है: एक बार जब रोबोट स्तर 1 (सामग्री) के लिए नियम सीख लेता है, तो वह उस नियम को लिख लेता है और उसे अपनी "चीट शीट" (पृष्ठभूमि ज्ञान) में जोड़ देता है। जब वह स्तर 2 पर जाता है, तो उसे सामग्री के बारे में फिर से सीखने की आवश्यकता नहीं होती; वह बस चीट शीट का उपयोग करता है।

यह एक छात्र के गणित सीखने जैसा है: पहले, वे जोड़ (addition) सीखते हैं। फिर, जब वे गुणा (multiplication) सीखते हैं, तो वे जोड़ को एक आधार के रूप में उपयोग करते हैं। उन्हें हर बार गुणा की समस्या हल करने के लिए "2 + 2" क्या है, यह फिर से सीखने की आवश्यकता नहीं होती। यह सीखने की प्रक्रिया को तेज़ बनाता है और अंतिम परिणाम को बहुत अधिक स्मार्ट बनाता है।

4. परिणाम: सामान्यीकरण (Generalization)

शोधकर्ताओं ने ब्लॉक्स के साथ एक कंप्यूटर सिमुलेशन में इसका परीक्षण किया।

प्रशिक्षण: उन्होंने रोबोट को ऊंचाई 2 और 3 के टावर बनाना सिखाया।
परीक्षण: फिर उन्होंने रोबोट को एक कठिन चुनौती दी: लकड़ी के एक नए प्रकार के ब्लॉक का उपयोग करके ऊंचाई 4 का टावर बनाएं जिसे उसने पहले कभी नहीं देखा था, और एक नए स्थान पर जो प्रशिक्षण के दौरान अवरुद्ध (blocked off) था।

क्योंकि रोब सहित केवल गतिविधियों की नकल करने के बजाय तर्क (नियम) सीखा था, इसलिए वह सफल रहा। उसने समझ लिया, "ओह, नियम कहता है कि 'लकड़ी ऊपर जाएगी,' और नियम कहता है कि 'मैं केंद्र के बगल में बना सकता हूँ,' इसलिए मैं यह नया टावर बना सकता हूँ।"

5. यह क्यों महत्वपूर्ण है (और इसकी सीमाएं)

अच्छी खबर:

मानव-पठनीय (Human-Readable): रोबोट जो नियम सीखता है वे सरल "If-Then" वाक्यों की तरह दिखते हैं (जैसे, "यदि ब्लॉक पत्थर है, तो स्तर 1 पर रखें")। मनुष्य उन्हें पढ़ सकते हैं और समझ सकते हैं कि रोबोट ने निर्णय क्यों लिया।
कुशल (Efficient): इसे सीखने के लिए कम उदाहरणों की आवश्यकता होती है क्योंकि यह जो पहले से जानता है उसी पर निर्माण करता है।

चुनौती:

मैनुअल सेटअप: अभी भी, मनुष्यों को बहुत अधिक मेहनत करनी पड़ती है। एक इंसान को यह बताना होगा कि रोबोट किन नियमों को खोजे और ब्लॉक्स का वर्णन कैसे करे। रोबोट अभी पूरी तरह से स्वायत्त (autonomous) नहीं है; इसे मंच तैयार करने के लिए एक इंसान की आवश्यकता होती है।
सरल दुनिया: यह ब्लॉक्स को छाँटने या खिलौनों को जोड़ने जैसे स्पष्ट कार्यों के लिए बहुत अच्छा काम करता है। यह उन अस्त-व्यस्त, वास्तविक दुनिया की चीजों के लिए संघर्ष करता है जहाँ चीजें स्पष्ट रूप से परिभाषित नहीं होती हैं (जैसे, एक गीली, फिसलन भरी मेज)।

सारांश

यह शोध पत्र रोबोट को कार्य के पीछे के तर्क को खोजने में मदद करके उन्हें सिखाने का एक तरीका प्रस्तुत करता है, न कि केवल क्रियाओं को याद करने के माध्यम से। कार्य को छोटे, तार्किक चरणों में तोड़कर और रोबोट को एक चरण से सीखी गई बातों का उपयोग अगले चरण में मदद के लिए करने देकर, रोबोट उन नई, कठिन स्थितियों को संभालने में बहुत बेहतर हो जाता है जिन्हें उसने पहले नहीं देखा है। यह रोबोट को उसके पैर हिलाकर नृत्य सिखाने बनाम उसे लय और कदम सिखाने के बीच का अंतर है ताकि वह किसी भी गाने पर नाच सके।

तकनीकी सारांश: प्रदर्शनों से संरचनात्मक प्रतीकात्मक कार्य नियमों को सीखना (इंडक्टिव लॉजिक प्रोग्रामिंग के माध्यम से)

समस्या का निरूपण
यह शोध पत्र मानक 'डेमोंस्ट्रेशन से लर्निंग' (Learning from Demonstration - LfD) की एक सीमा को संबोधित करता है, जहाँ रोबोट अक्सर केवल यह सीखते हैं कि कार्य को कैसे निष्पादित किया जाए (निम्न-स्तरीय क्रिया पुनरुत्पादन) बिना यह समझे कि मूल रूप से कार्य क्या है (उच्च-स्तरीय प्रतीकात्मक कार्य संरचना)। लेखक तर्क देते हैं कि बढ़ती स्वायत्तता के लिए, कार्य प्रतिनिधित्व (task representations) निरीक्षण योग्य, पुन: प्रयोज्य और मानव-व्याख्या योग्य होने चाहिए। मुख्य समस्या एक विविक्त हेरफेर डोमेन (जैसे, ब्लॉक असेंबली) में देखे गए निष्पादनों से स्पष्ट कार्य ज्ञान को पुनः प्राप्त करना है। सिस्टम को विभिन्न अमूर्तन (ontological) स्तरों पर प्रदर्शित व्यवहार की व्याख्या करने के लिए प्रतीकात्मक नियमों को निष्कर्षित (infer) करना चाहिए, जो सांख्यिकीय पैटर्न मिलान से आगे बढ़कर तर्क-युक्त नियम उत्पन्न कर सके।

कार्यप्रणाली
प्रस्तावित ढांचा इंडक्टिव लॉजिक प्रोग्रामिंग (ILP), विशेष रूप से अत्याधुनिक सॉल्वर Popper का उपयोग करके प्रतीकात्मक कार्य नियमों को प्रेरित करता है। यह कार्यप्रणाली एक विखंडित, पदानुक्रमित शिक्षण दृष्टिकोण द्वारा विशेषता प्राप्त करती है:

कार्य विखंडन (Task Decomposition): एक अखंड कार्य कार्यक्रम सीखने के बजाय, जटिल कार्य को विभिन्न अमूर्तन स्तरों पर सरल, कार्य-प्रासंगिक शिक्षण लक्ष्यों ( $\Psi_{learn} = [\tau_1, \dots, \tau_K]$ ) के एक क्रमबद्ध अनुक्रम में तोड़ा जाता है।
पुनरावृत्ति नियम प्रेरण (Iterative Rule Induction): प्रत्येक लक्ष्य प्रेडिकेट $\tau$ $τ$ के लिए, सिस्टम:
- एक बैकग्राउंड प्रोग्राम $B$ (जिसमें ऑब्जेक्ट ऑन्टोलॉजी और एनवायरनमेंट डेफिनिशन शामिल हैं) का उपयोग करके प्रदर्शनों को अमूर्त अवस्थाओं (abstract states) में ग्राउंड करता है।
- सकारात्मक ( $E^+$ ) और नकारात्मक ( $E^-$ ) उदाहरण निकालता है।
- वर्तमान बैकग्राउंड नॉलेज के तहत डेटा की व्याख्या करने के लिए एक परिकल्पना $H_\tau$ (डिफ़िनेट क्लॉज़ का एक सेट) प्रेरित करने के लिए Popper का उपयोग करता है।
ज्ञान का पुन: उपयोग (Knowledge Reuse): महत्वपूर्ण रूप से, एक लक्ष्य सीखने के बाद, प्रेरित नियमों ( $H_\tau$ ) को बैकग्राउंड नॉलेज में वापस जोड़ दिया जाता है ( $B \leftarrow B \cup H_\tau$ )। यह बाद के उच्च-स्तरीय लक्ष्यों को पहले से सीखे गए अमूर्तन (जैसे, "मटेरियल-टू-लेवल" मैपिंग का उपयोग करके "टावर" की अवधारणा को परिभाषित करना) को पुन: उपयोग करने की अनुमति देता है।
निष्पादन (Execution): परीक्षण के समय, एक प्रोलॉग (Prolog) आधारित प्लानर सभी सीखे गए नियमों के संघ ( $H = \bigcup H_\tau$ ) का उपयोग करके सर्च स्पेस को सीमित करता है, संभावित क्रिया अनुक्रमों को सूचीबद्ध करता है और उन अनुक्रमों को हटा देता है जो सीखे गए प्रतीकात्मक बाधाओं का उल्लंघन करते हैं, ताकि एक वैध पिक-एंड-प्लेस प्लान बनाया जा सके।

मुख्य योगदान

कार्य-स्तर के LfD के लिए ILP-आधारित ढांचा: यह शोध पत्र विभिन्न अमूर्तन स्तरों पर प्रथम-क्रम तर्क (first-order logic) संरचनात्मक नियमों को सीखने और पुन: उपयोग करने वाला एक नवीन ढांचा प्रस्तुत करता है, जो उन दृष्टिकोणों के विपरीत है जो लेटेंट न्यूरल रिप्रजेंटेशन या स्टोकेस्टिक ग्राउंडिंग पर निर्भर करते हैं जो केवल आंशिक व्याख्यात्मकता प्रदान करते हैं।
सिंथेटिक ब्लॉक-असेंबली में मूल्यांकन: लेखकों ने एक सिंथेटिक डोमेन में गुणात्मक और मात्रात्मक दोनों मूल्यांकन प्रदान किए हैं। वे प्रदर्शित करते हैं कि सीखे गए नियम व्याख्या योग्य हैं, योजना (planning) का समर्थन करते हैं, और अनदेखे ऑब्जेक्ट्स (जैसे, नए मटेरियल) और अनदेखी प्लेसमेंट लोकेशन वाले कठिन, होल्ड-आउट कार्यों पर सामान्यीकरण (generalize) करते हैं।

प्रायोगिक परिणाम
सिस्टम का मूल्यांकन एक 3x3 ग्रिड वर्ल्ड में किया गया जहाँ एक रोबोट अलग-अलग सामग्रियों (पत्थर, ईंट, कांच, लकड़ी) के ब्लॉकों का उपयोग करके विभिन्न ऊंचाइयों (2-4 ब्लॉक) के टावर बनाता है।

सामान्यीकरण (Generalization): सिस्टम ने प्रशिक्षण में देखे गए टावरों की तुलना में ऊंचे टावर (ऊंचाई 4) और अलग प्लेसमेंट साइटों की आवश्यकता वाले टेस्ट टास्क पर सफलतापूर्वक सामान्यीकरण किया।
डेटा दक्षता: सभी लक्ष्यों के लिए 100% लक्ष्य संतुष्टि और तार्किक नियम मिलान प्राप्त करने के लिए, सिस्टम को औसतन 243 प्रदर्शनों की आवश्यकता थी (target_z के लिए 40, tower_from के लिए 166, और tower_site के लिए 37)। जब प्रदर्शनों को अधिकतम बाधा घनत्व (constraint density) के लिए मैन्युअल रूप से चुना गया, तो यह आवश्यकता घटकर कुल 77 प्रदर्शन रह गई।
व्याख्यात्मकता (Interpretability): सीखे गए नियम संक्षिप्त और मानव-पठनीय थे। उदाहरण के लिए, सिस्टम ने विशिष्ट निर्देशांकों (coordinates) को याद करने के बजाय टावर संरचनाओं के लिए रिकर्सिव परिभाषाएं और मटेरियल प्लेसमेंट के लिए संरचनात्मक नियम (जैसे, "पत्थर के ब्लॉक z1 स्तर को असाइन किए गए हैं") सीखे।
प्रदर्शन: नियम प्रेरित करने और योजना बनाने में एक मानक CPU पर प्रति कार्य केवल कुछ सेकंड लगे।

महत्व और दावे
शोध पत्र यह दावा करता है कि वह प्रारंभिक प्रमाण प्रदान करता है कि जटिल कार्यों को सरल शिक्षण उद्देश्यों में विभाजित करना ILP को कार्य-स्तर के LfD के लिए एक व्यवहार्य दृष्टिकोण बनाता है। लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण उन न्यूरो-सिंबोलिक तरीकों की तुलना में मजबूत सामान्यीकरण और व्याख्यात्मकता प्रदान करता है जो जटिल प्रेडिकेट मूल्यांकन के लिए विजन-लैंग्वेज मॉडल्स (VLMs) पर निर्भर करते हैं, जो अविश्वसनीय हो सकते हैं।

शोध पत्र अपने दायरे के संबंध में एक विनम्र स्वर बनाए रखता है:

यह प्रतीकात्मक कोर और सिंथेटिक मूल्यांकन पर ध्यान केंद्रित करता है, यह स्वीकार करते हुए कि वास्तविक दुनिया के एकीकरण के लिए धारणा मॉड्यूल (perception modules) और संभाव्य तर्क (probabilistic reasoning) पर भविष्य के कार्य की आवश्यकता है।
यह स्पष्ट रूप से सीमाओं को नोट करता है, जिसमें सिस्टम की स्वायत्तता की कमी (लक्ष्य प्रेडिकेट्स, बायस और एनकोडिंग के लिए मैन्युअल विशिष्टता की आवश्यकता) और फर्स्ट-ऑर्डर लॉजिक परिकल्पनाओं को खोजने की कॉम्बिनेटोरियल प्रकृति शामिल है, जो यदि बैकग्राउंड नॉलेज बहुत विस्तृत है तो स्केलेबिलिटी संबंधी समस्याएं पैदा कर सकती है।
भविष्य के कार्य के रूप में स्वचालित प्रेडिकेट आविष्कार (automated predicate invention), बायस जनरेशन, और शोर वाले वास्तविक दुनिया के इनपुट को संभालने के लिए संभाव्य तर्क (जैसे, Scallop) के एकीकरण का प्रस्ताव दिया गया है।