🤖 machine learning

Conveyance: A Versatile Framework for Learning in Structured Class Spaces

यह शोध पत्र \textsc{Conveyance} को प्रस्तुत करता है, जो एक बहुमुखी वर्गीकरण ढांचा (classification framework) और लॉस फंक्शन है जो पदानुक्रमित वर्गीकरण (hierarchical classification) और ऑर्डिनल रिग्रेशन (ordinal regression) जैसे संरचित स्थानों में मॉडल के प्रदर्शन को सुधारने के लिए वर्गों के बीच ग्राफ-जैसे संबंधों का लाभ उठाता है, जो जटिल संयुक्त वितरणों (joint distributions) या मैन्युअल ट्यूनिंग की आवश्यकता के बिना विशिष्ट बेसलाइनों से बेहतर या उनके बराबर प्रदर्शन करता है।

मूल लेखक: Yasser Taha, Grégoire Montavon, Nils Körber

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yasser Taha, Grégoire Montavon, Nils Körber

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 जानवरों को पहचानना सिखा रहे हैं। आप उसे एक बिल्ली की तस्वीर दिखाते हैं, और आप उसे बताते हैं, "यह एक बिल्ली है।"

मानक मशीन लर्निंग की दुनिया में, रोबोट का शिक्षक ("लॉस फंक्शन") आमतौर पर एक सख्त, 'सब-या-कुछ-नहीं' वाला जज होता है। यदि रोबोट "बिल्ली" का अनुमान लगाता है, तो उसे एक गोल्ड स्टार मिलता है। यदि वह "कुत्ता", "पक्षी", या यहाँ तक कि "बाघ" का अनुमान लगाता है, तो उसे एक लाल "X" मिलता है। इस मानक जज के लिए, "कुत्ता" का अनुमान लगाना उतना ही बुरा है जितना कि "बाघ" का। वह हर गलती को समान रूप से भयानक मानता है।

लेकिन वास्तविक दुनिया में, गलतियाँ समान नहीं होती हैं।

यदि रोबोट एक बिल्ली को बाघ समझ लेता है, तो यह एक "करीबी चूक" (near miss) है। वे दोनों बिल्लियाँ हैं, वे दिखने में समान हैं, और वे एक ही पड़ोस में रहते हैं। यह एक छोटी गलती है।
यदि रोबोट एक बिल्ली को ट्रक समझ लेता है, तो यह एक बहुत बड़ी, बेतुकी गलती है।

यह शोध पत्र एक नई शिक्षण पद्धति पेश करता है जिसे CONVEYANCE कहा जाता है। इसे एक "बुद्धिमान गुरु" (wise mentor) के रूप में सोचें जो दुनिया के "पड़ोस" को समझता है, जो रोबोट के शिक्षक को केवल एक सख्त जज से अपग्रेड करता है।

मुख्य विचार: "संभावित पड़ोस" का मानचित्र (The "Plausible Neighborhood" Map)

केवल "सही या गलत" कहने के बजाय, CONVEYANCE आपको रोबोट को एक सरल मानचित्र (जिसे बुलियन मैट्रिक्स कहा जाता है) देने की अनुमति देता है। यह मानचित्र रोबोट को बताता है: "यदि तुम एक बिल्ली देखते हो, तो यह ठीक है यदि तुम उसे बाघ या शेर समझ लो, क्योंकि वे पड़ोसी हैं। लेकिन यह ठीक नहीं है यदि तुम उसे ट्रक समझ लो।"

आपको इस मानचित्र को बनाने के लिए जटिल गणितीय सूत्र या संभाव्यता सिद्धांत लिखने की आवश्यकता नहीं है। आपको बस रेखाएँ खींचनी हैं जो उन चीजों को जोड़ती हैं जो एक साथ तर्कसंगली लगती हैं।

यह कैसे काम करता है: दो-चरणीय सुरक्षा जाल (The Two-Step Safety Net)

यह नई विधि एक विशेष "स्कोरकार्ड" (लॉस फंक्शन) का उपयोग करती है जो दो चीजों की एक साथ जाँच करता है, जैसे कि दो नियमों वाला एक सुरक्षा गार्ड:

नियम A (विशिष्ट जाँच): "क्या आपने बिल्कुल सही उत्तर चुना?" (यह मानक जाँच है)।
नियम B (पड़ोस की जाँच): "क्या आपने कम से कम सही पड़ोस से कुछ चुना?" (यह नया सुपरपावर है)।

यदि रोबोट "बिल्ली" की तस्वीर के लिए "बाघ" का अनुमान लगाता है, तो नियम A उसे एक छोटा दंड दे सकता है, लेकिन नियम B कहता है, "रुको! बाघ, बिल्ली के पड़ोस में है! यह एक अच्छा अनुमान है!" रोबط को "ट्रक" का अनुमान लगाने की तुलना में बहुत बेहतर स्कोर मिलेगा।

यह रोबोट को यह सीखने में मदद करता है कि दुनिया में एक संरचना होती है। यह "बिल्ली" और "ट्रक" को केवल दो यादृच्छिक (random), असंबंधित लेबल के रूप में देखने के बजाय, यह समझने लगता है कि "बिल्ली" और "बाघ" करीबी दोस्त हैं।

यह क्यों महत्वपूर्ण है: तीन वास्तविक दुनिया के उदाहरण

शोध पत्र ने इस "बुद्धिमान गुरु" दृष्टिकोण का परीक्षण तीन अलग-अलग प्रकार की समस्याओं पर किया जहाँ मानक तरीके आमतौर पर संघर्ष करते हैं:

1. "शोरयुक्त लेबल" की समस्या (Label Asymmetry)

परिदृश्य: कल्पना कीजिए कि एक छात्र परीक्षा दे रहा है जहाँ शिक्षक ने गलती से कुछ प्रश्नों के लिए गलत उत्तर कुंजी लिख दी है। शायद शिक्षक 60% बार सोचता है कि "बिल्लियाँ" वास्तव में "कुत्ते" हैं।
पुराना तरीका: रोबोट भ्रमित हो जाता है। वह गलत उत्तरों को याद करने की कोशिश करता है क्योंकि शिक्षक उन्हें सबसे ज़ोर से चिल्लाकर बता रहा है।
CONVEYANCE: रोबोट मानचित्र को देखता है। वह जानता है, "शिक्षक कहता है 'कुत्ता', लेकिन मैं जानता हूँ कि 'कुत्ता', 'बिल्ली' का पड़ोसी है। मैं शर्त लगा सकता हूँ कि शिक्षक ने गलती की है और यह वास्तव में एक बिल्ली है।" वह शोर (noise) को अनदेखा करता है और सच्चाई सीखता है।

2. "आयु अनुमान" की समस्या (Ordinal Regression)

परिदृश्य: किसी की उम्र का अनुमान लगाना। यदि आप अनुमान लगाते हैं कि कोई 30 साल का है और वह 31 का है, तो यह एक छोटी सी गलती है। यदि आप अनुमान लगाते हैं कि वह 60 का है, तो यह एक बहुत बड़ी गलती है।
पुराना तरीका: मानक तरीके "31" और "60" को केवल दो अलग-अलग गलत उत्तरों के रूप में मानते हैं। उन्हें इस बात की परवाह नहीं होती कि 31, 30 के करीब है।
CONVEYANCE: मानचित्र रोबोट को बताता है, "यदि उत्तर 30 है, तो 29, 30 और 31 सभी स्वीकार्य 'पड़ोस' अनुमान हैं।" यह रोबोट को निरंतर और सुचारू होने के लिए प्रशिक्षित करता है, न कि उम्र के बीच अचानक कूदने के लिए।

3. "वंश वृक्ष" की समस्या (Hierarchical Classification)

परिदृश्य: पक्षियों की पहचान करना। "वारब्लर" (Warblers) की कई प्रजातियाँ होती हैं। यदि रोबोट एक विशिष्ट वारब्लर देखता है जिसे उसने पहले कभी नहीं देखा है, लेकिन वह जानता है कि वह "वारब्लर" परिवार से संबंधित है, तो उसे "वारब्लर" का अनुमान लगाना चाहिए।
पुराना तरीका: रोबोट सटीक प्रजाति का नाम बताने में फंस सकता है और पूरी तरह से विफल हो सकता है यदि उसने उस विशिष्ट पक्षी को नहीं देखा है।
CONVEYANCE: मानचित्र सभी वारब्लर्स को एक साथ समूहबद्ध करता है। भले ही रोबोट को सटीक प्रजाति का पता न हो, वह जानता है कि "वारब्लर" परिवार सही पड़ोस है। यह उसे नए, अनदेखे पक्षियों के प्रति बेहतर सामान्यीकरण (generalization) करने में मदद करता है।

मुख्य निष्कर्ष (The Big Takeaway)

लेखकों का दावा है कि CONVEYANCE एक "एक-से-सभी के लिए" (one-size-fits-all) उपकरण है। आपको हर विशिष्ट समस्या के लिए एक नया, जटिल रोबोट बनाने की आवश्यकता नहीं है। आपको बस इसे एक सरल मानचित्र देना है कि कौन सी चीजें किससे संबंधित हैं।

यह तेज़ है: यह मानक तरीकों की तरह ही तेज़ी से चलता है।
यह लचीला है: यह शोर वाले डेटा, आयु अनुमान और वंश वृक्षों के लिए काम करता है।
यह स्मार्ट है: यह समझता है कि वास्तविक दुनिया में, कुछ गलतियाँ माफ करने योग्य होती हैं, और कुछ नहीं।

संक्षेप में, CONVEYANCE दुनिया को यादृच्छिक, असंबंधित वस्तुओं की एक सूची के रूप में देखने के बजाय, इसे एक जुड़े हुए मानचित्र के रूप में देखना शुरू करता है, जिससे AI अधिक स्मार्ट, अधिक मजबूत और कम भ्रमित होने वाला बनता है।

तकनीकी सारांश: कन्वेयन्स (Conveyance)

समस्या विवरण (Problem Statement)

डीप लर्निंग आर्किटेक्चर में तीव्र प्रगति के बावजूद, मानक प्रशिक्षण उद्देश्य, विशेष रूप से क्रॉस-एन्ट्रॉपी (CE), काफी हद तक "संरचना-अज्ञेय" (structure-agnostic) बने हुए हैं। ये लॉस फंक्शन केवल लेबल मिलान के आधार पर स्केलर दंड (scalar penalties) निर्धारित करते हैं, जिससे सभी गलत वर्गीकरणों को एक समान माना जाता है। यह धारणा दो महत्वपूर्ण स्थितियों में विफल रहती है:

लेबल विषमता (Label Asymmetry): ऐसी स्थितियाँ जहाँ देखे गए लेबलों और वास्तविक वर्गों के बीच का संबंध संरचनात्मक रूप से गैर-समान होता है, जैसे कि एनोटेशन बायस (annotation bias), मेडिकल इमेजिंग में अंडरडायग्नोसिस, या मल्टीपल इंस्टेंस लर्निंग (MIL) जहाँ पॉजिटिव बैग्स में नेगेटिव इंस्टेंस होते हैं।
सिमेंटिक और ऑर्डिनल निरंतरता (Semantic and Ordinal Continuity): ऐसे डोमेन जहाँ श्रेणियाँ एक निरंतरता (continuum) का प्रतिनिधित्व करती हैं (जैसे, आयु, रोग के चरण, टैक्सोनोमिक पदानुक्रम)। इन मामलों में, एक "नियर-मिस" (near-miss) त्रुटि एक रैंडम त्रुटि की तुलना में सिमेंटिक रूप से कम महंगी होती है, फिर भी मानक CE उन्हें समान रूप से दंडित करता है, जिससे ओवरफिटिंग और खंडित लेटेंट स्पेस (fragmented latent spaces) की समस्या होती है।

मौजूदा समाधान अक्सर इन मुद्दों को अलग-अलग रूप में संबोधित करते हैं। सॉफ्ट-लेबल विधियाँ सममित (symmetric), पूर्व-निर्धारित वितरणों पर निर्भर करती हैं जो विषम या ग्राफ-संरचित संबंधों को कैप्चर नहीं कर सकतीं। स्ट्रक्चर्ड आउटपुट SVM और एनर्जी-बेस्ड मॉडल सिद्धांततः मार्जिन तो प्रदान करते हैं, लेकिन उन्हें घातीय रूप से बड़े आउटपुट स्पेस पर नॉन-डिफरेंशिएबल इन्फरेंस की आवश्यकता होती है। कंट्रास्टिव लॉस को बड़े बैचों और संवेदनशील पेयर माइनिंग की आवश्यकता होती है। कोई भी मौजूदा फ्रेमवर्क क्रॉस-एन्ट्रॉपी के समान संरचनात्मक अभिव्यक्ति, विभेदक शक्ति (discriminative power) और कम्प्यूटेशनल सरलता को संयोजित नहीं करता है।

कार्यप्रणाली: कन्वेयन्स (Methodology: Conveyance)

लेखक CONVEYANCE प्रस्तावित करते हैं, जो एक संरचित क्लास स्पेस के लिए डिज़ाइन किया गया वर्गीकरण फ्रेमवर्क है। इसमें दो प्राथमिक घटक शामिल हैं:

1. ज्ञान एनकोडिंग (द मैट्रिक्स $Q$ )

जटिल जॉइंट डिस्ट्रीब्यूशन या यूटिलिटी मैट्रिसेस को परिभाषित करने के बजाय, उपयोगकर्ता एक बुलियन मैट्रिक्स $Q \in \{0, 1\}^{C \times C}$ निर्दिष्ट करता है।

$Q_{ct} = 1$ इंगित करता है कि यह संभव है कि लेबल $t$ वाला एक इंस्टेंस वास्तव में क्लास $c$ (या इसके विपरीत) से संबंधित हो।
यह मैट्रिक्स समस्या-विशिष्ट ज्ञान, जैसे कि फॉल्स-पॉजिटिव जोखिम, टैक्सोनोमिक पदानुक्रम, या ऑर्डिनल नेबरहुड्स को एनकोड करता है।
$Q$ से, दिए गए लेबल $t$ के लिए संभावित वर्गों का एक सेट $S = \{c \in \mathcal{C} : Q_{ct} = 1\}$ प्राप्त किया जाता है।

2. कन्वेयन्स लॉस फंक्शन (The Conveyance Loss Function)

लॉस फंक्शन दो अलग-अलग क्लास पार्टीशनों पर दो अलग-अलग मार्जिन को अधिकतम करके $Q$ को संचालित करता है:
$\ell(p, t) = \log \left( 1 + \alpha \cdot \frac{1 - p_t}{p_t} + \beta \cdot \frac{1 - p_S}{p_S} \right)$
जहाँ:

$p_t$ लक्ष्य वर्ग (target class) की प्रायिकता है।
$p_S = \sum_{s \in S} p_s$ संभावित सेट $S$ की कुल प्रायिकता है।
$\alpha$ और $\beta$ हाइपरपैरामीटर हैं।

तंत्र (Mechanism):

पहला पद ( $\alpha$ ) गैर-लक्ष्यों की तुलना में लक्ष्य वर्ग को प्रायिकता आवंटित करने के लिए पुरस्कृत करता है (मानक ऑड्स)।
दूसरा पद ( $\beta$ ) अकल्पनीय सेट $N = \mathcal{C} \setminus S$ की तुलना में संभावित सेट $S$ को प्रायिकता आवंटित करने के लिए पुरस्कृत करता है।
$\alpha$ और $\beta$ (जैसे, $\alpha=0.1, \beta=10$ ) को ट्यून करके, मॉडल संभावित सेट $S$ पर द्रव्यमान (mass) केंद्रित करने को प्राथमिकता देता है, और विशिष्ट लक्ष्य $t$ का उपयोग एक 'टाई-ब्रेकर' के रूपв में करता है।

सैद्धांतिक गुण (Theoretical Properties):

मोनोटोनिसिटी (Monotonicity): लॉस तब घटता है जब प्रायिकता द्रव्यमान को $p_t$ और $p_S$ दोनों को बढ़ाने के लिए पुनर्वितरित किया जाता है।
आंशिक अभिसन्नता (Partial Convexity): यह नॉन-प्लॉसिबल क्लासेस के लॉजिट्स ( $z_n$ के लिए $n \in N$ ) के संबंध में उत्तल (convex) है जब प्लॉसिबल लॉजिट्स स्थिर रखे जाते हैं।
दक्षता (Efficiency): लॉस को लॉजिट्स पर Log-Sum-Exp (LSE) ऑपरेशन्स का उपयोग करके पुनर्गठित किया जा सकता है, जो संख्यात्मक स्थिरता सुनिश्चित करता है और इसका कम्प्यूटेशनल खर्च मानक क्रॉस-एन्ट्रॉपी ( $O(B \cdot C)$ ) के समान है।

मुख्य योगदान (Key Contributions)

एक एकीकृत फ्रेमवर्क: CONVEYANCE एक एकल ऑब्जेक्टिव फंक्शन प्रदान करता है जो बिना किसी आर्किटेक्चरल बदलाव या जेनेरेटिव मॉडल के लेबल विषमता, ऑर्डिनल रिग्रेशन और पदानुक्रमित वर्गीकरण को संभालता है।
सुगम ज्ञान एनकोडिंग: बुलियन मैट्रिक्स $Q$ का उपयोग करने से अभ्यासकर्ता पूर्ण प्रायिकता वितरणों की तुलना में समस्या-विशिष्ट ज्ञान (ग्राफ, पदानुक्रम) को अधिक आसानी से एनकोड कर सकते हैं, जबकि यह फिक्स्ड पैरामेट्रिक परिवारों की तुलना में अधिक अभिव्यंजक है।

सैद्धांतिक गारंटी: पेपर मॉनोटोनिसिटी और पार्शियल कॉन्वेक्सिटी को स्थापित करता है, जो स्थिर अनुकूलन (stable optimization) के लिए सैद्धांतिक आधार प्रदान करता है।

बहुमुखी प्रतिभा (Versatility): यह विधि मानक क्रॉस-एन्ट्रॉपी को एक सीमा मामले ( $\beta=0$ ) के रूप में रिकवर करती है, लेकिन संरचित स्थानों के लिए काफी अधिक लचीलापन प्रदान करती है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन डोमेन में CONVEYANCE का मूल्यांकन किया, जिसने क्रॉस-एन्ट्रॉपी की कम्प्यूटेशनल लागत बनाए रखते हुए लगातार विशेषज्ञ स्टेट-ऑफ-द-आर्ट (SOTA) बेसलाइनों की बराबरी की या उनसे बेहतर प्रदर्शन किया।

1. लेबल विषमता (एनोटेशन बायस और MIL)

सिंथेटिक नॉइज़: कॉलम, ब्लॉक और एसिमेट्रिक नॉइज़ के साथ CIFAR-10 और CIFAR-100 पर, CONVEYANCE ने जेनेरेटिव "मास्किंग" फ्रेमवर्क [17] और मानक CE को पछाड़ दिया। विशेष रूप से, एसिमेट्रिक नॉइज़ के साथ CIFAR-100 पर, इसने क्लीन-डेटा CE बेसलाइन से +3.56 प्रतिशत अंक अधिक प्रदर्शन किया, जो बताता है कि स्ट्रक्चरल प्रायर एक निहित रेगुलराइज़र के रूप में कार्य करता है।
मल्टीपल इंस्टेंस लर्निंग (MIL): पांच टैबुलर MIL बेंचमार्क और Camelyon-16 होल-स्लाइड इमेज बेंचमार्क पर, CONVEYANCE ने SOTA सटीकता और AUC प्राप्त किया। Camelyon-16 पर, इसने अगले सर्वश्रेष्ठ मेथड (CAMIL) की तुलना में AUC में 1.8 अंकों का सुधार किया, जबकि इसमें कोई समस्या-विशिष्ट आर्किटेक्चरल स्पेशलाइजेशन (जैसे फीचर डिस्टिलेशन या प्रोटोटाइप क्लस्टरिंग) का उपयोग नहीं किया गया था।

2. ऑर्डिनल रिग्रेशन (आयु अनुमान)

CACD2000, CLAP2016, और UTKFace पर मूल्यांकन किया गया।
CONVEYANCE ने सॉफ्ट-प्रायर विधियों (Soft Labels, DLDL) और ऑर्डिनल-विशिष्ट आर्किटेक्चर (ORCNN) की तुलना में सभी डेटासेट्स पर सर्वश्रेष्ठ मीन एब्सोल्यूट एरर (MAE) प्राप्त किया।
शोर वाले CLAP2016 डेटासेट पर, इसने सबसे मजबूत बेसलाइन (DLDL) की तुलना में MAE को 0.17 से कम किया।
गुणात्मक विश्लेषण ने दिखाया कि CE के विपरीत, जो लेटेंट स्पेस को खंडित करता है, CONVEYANCE एम्बेडिंग्स को उम्र बढ़ने की सिमेंटिक प्रगति को दर्शाने वाले एक सुचारू, निरंतर मैनिफोल्ड (manifold) में व्यवस्थित करता है।

3. पदानुक्रमित वर्गीकरण (जीनस जनरलाइजेशन हेतु ज़ीरो-शॉट)

CUB-200-2011 (बर्ड स्पीशीज़) पर मूल्यांकन किया गया।
एक ज़ीरो-शॉट सेटिंग में जहाँ विशिष्ट वंश (genera) के प्रजातियों को प्रशिक्षण के दौरान हटा दिया गया था, CONVEYANCE ने उच्चतम OOD जीनस सटीकता (85.1%) प्राप्त की, जिसने CE+SupCon (84.1%) और CE+Triplet (80.9%) को पीछे छोड़ दिया।
पद्धति ने सफलतापूर्वक कॉनजेनेरिक प्रजातियों को लॉजिट स्पेस में सुसंगत क्लस्टर में व्यवस्थित किया, जो अनसीन क्लासेस तक टैक्सोनोमिक संरचना के प्रभावी हस्तांतरण को प्रदर्शित करता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि CONVEYANCE एक एकीकृत, डिफरेंशिएबल, और आर्किटेक्चर-अज्ञेय विकल्प प्रदान करता है, जो स्ट्रक्चर्ड आउटपुट फ्रेमवर्क्स (जैसे SSVMs) के लिए आवश्यक जटिल इन्फरेंस की तुलना में सरल है। इसका प्राथमिक महत्व उन कार्यों के लिए सुपरवाइज्ड लर्निंग में डोमेन स्ट्रक्चर को शामिल करने की बाधा को कम करना है जहाँ क्लास टोपोलॉजी ज्ञात है लेकिन उसे जेनेरेटिव मॉडलिंग के माध्यम से व्यक्त करना कठिन है।

लेखक इस बात पर जोर देते हैं कि CONVEYANCE न्यूनतम हाइपरपैरामीटर ट्यूनिंग (अक्सर $\alpha=0.1, \beta=10$ के एक डिफॉल्ट कॉन्फ़िगरेशन के साथ) और क्रॉस-एन्टोपी पर कम्प्यूटेशनल जटिलता में वृद्धि के बिना ये परिणाम प्राप्त करता है।

स्वीकार की गई सीमाएं (Limitations Acknowledged):

पद्धति इनपुट मैट्रिक्स $Q$ की शुद्धता पर निर्भर करती; गलत या अपूर्ण मास्क स्प्यूरियस असाइनमेंट को सुदृढ़ कर सकते हैं।
हाइपरपैरामीटर $\alpha$ क्लासेज की संख्या के साथ स्केल होता है, जिसके लिए बड़े-वोकैबुलरी डेटासेट्स (जैसे ImageNet) के लिए पुनर्मूल्यांकन की आवश्यकता होती है।
फाइन-ग्रेन्ड या बड़े पैमाने के डेटासेट्स के लिए सार्थक $Q$ का निर्माण करने के लिए संरचित डोमेन ज्ञान या ऑन्टोलॉजी की आवश्यकता होती है जो हमेशा उपलब्ध नहीं हो सकती है।

पेपर भविष्य के कार्य के रूप में $Q$ को सहायक संकेतों (जैसे एनोटेटर डिसएग्रीमेंट, अनसर्टेन्टी एस्टीमेट्स) से स्वचालित रूप से प्राप्त करने और सैंपल-लेवल ट्रांजिशन मास्क तक फ्रेमवर्क का विस्तार करने की कल्पना के साथ समाप्त होता है।