🤖 machine learning

MAAT: Multi-phase Adapter-Aware Targeted Unlearning

यह शोध पत्र 5WBENCH प्रस्तुत करता है, जो एक संतुलित बेंचमार्क है जो यह प्रकट करता है कि मौजूदा मशीन अनलर्निंग विधियाँ मल्टी-हॉप रीजनिंग और ग्रेडिएंट डाइल्यूशन के कारण कारण संबंधी "क्यों" वाले प्रश्नों पर विफल रहती हैं, और MAAT का प्रस्ताव करता है, जो एक अभिनव तीन-चरणीय एडेप्टर-अवेयर फ्रेमवर्क है जो पहली बार ऐसे कारण संबंधी ज्ञान के लिए उच्च विस्मृति (forgetting) और प्रतिधारण (retention) प्राप्त करता है।

मूल लेखक: Suryash Yagnik, Shubham Gaur, Saksham Thakur, Vinija Jain, Aman Chadha, Amitava Das

प्रकाशित 2026-06-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Suryash Yagnik, Shubham Gaur, Saksham Thakur, Vinija Jain, Aman Chadha, Amitava Das

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 आपके पास एक विशाल, सुपर-स्मार्ट लाइब्रेरी (एक लार्ज लैंग्वेज मॉडल) है जो सब कुछ जानती है। कभी-कभी, आपको उस लाइब्रेरी से एक विशिष्ट पुस्तक को हटाना पड़ता है क्योंकि वह पुरानी, निजी या गलत है। इस प्रक्रिया को "मशीन अनलर्निंग" (Machine Unlearning) कहा जाता है।

हालाँकि, यह शोध पत्र तर्क देता है कि वर्तमान में हम यह परीक्षण करने का तरीका कि क्या लाइब्रेरी ने सफलतापूर्वक एक पुस्तक को हटा दिया है, दोषपूर्ण है। यहाँ MAAT और 5WBENCH की कहानी है, जिसे सरल रूप में समझाया गया है।

समस्या: "क्यों" प्रश्न का ब्लाइंड स्पॉट (अंध बिंदु)

कल्पना कीजिए कि आप एक लाइब्रेरियन का परीक्षण कर रहे हैं कि क्या वह एक विशिष्ट तथ्य भूल गया है।

वर्तमान परीक्षण: अधिकांश परीक्षण सरल प्रश्न पूछते हैं जैसे "राष्ट्रपति कौन है?" या "राजधानी क्या है?" इन्हें भूलना आसान है। यदि लाइब्रेरियन कहता है "मुझे नहीं पता," तो आप सोचते हैं कि उसने अच्छा काम किया।
लुप्त कड़ी: शोध पत्र बताता है कि ये परीक्षण लगभग कभी भी "क्यों" वाले प्रश्न (जैसे, "धूम्रपान से कैंसर क्यों होता है?") नहीं पूछते। "क्यों" वाले प्रश्न तर्क के ईंटों से बनी जटिल, बहु-मंजिला इमारतों की तरह होते हैं। उन्हें ढहाना कठिन होता है।

दोष: क्योंकि वर्तमान परीक्षण "क्यों" वाले प्रश्नों को अनदेखा करते हैं, इसलिए एक लाइब्रेरियन एक जटिल "क्यों" वाले तथ्य को भूलने में विफल हो सकता है लेकिन फिर भी एक परफेक्ट स्कोर प्राप्त कर सकता है क्योंकि उसने सभी सरल "कौन" और "क्या" वाले तथ्यों को भुला दिया है। यह एक छात्र की तरह है जो कठिन गणित की परीक्षा में फेल हो जाता है लेकिन स्पेलिंग टेस्ट में अव्वल आने के कारण 'A' ग्रेड प्राप्त कर लेता है।

समाधान भाग 1: 5WBENCH (नया परीक्षण)

लेखकों ने एक नया, निष्पक्ष परीक्षण बनाया है जिसे 5WBENCH कहा जाता है।

उपमा: इसे परीक्षण के लिए एक संतुलित आहार के रूप में सोचें। केवल सेब (सरल तथ्य) परोसने के बजाय, वे पाँच प्रकार के खाद्य पदार्थों की समान मात्रा के साथ एक प्लेट परोसते हैं: कौन (Who), क्या (What), कब (When), कहाँ (Where), और क्यों (Why)।
परिणाम: इस परीक्षण ने खुलासा किया कि मौजूदा तरीके "क्यों" वाले तथ्यों को भूलने में बहुत खराब हैं। या तो वे बहुत कम भूलते हैं (तथ्य बना रहता है) या वे बहुत अधिक भूल जाते हैं (वे लाइब्रेरियन की किसी भी प्रश्न का उत्तर देने की क्षमता को तोड़ देते हैं)।

समाधान भाग 2: MAAT (स्मार्ट इरेज़र/मिटाने वाला)

इसे ठीक करने के लिए, लेखकों ने MAAT (मल्टी-फेज एडैप्टर-अवेयर टार्गेटेड अनलर्निंग) बनाया है।

सेटअप:
कल्पना कीजिए कि लाइब्रेरी का ज्ञान दीवारों में नहीं लिखा है, बल्कि किताबों से चिपके हुए विशेष स्टिकी नोट्स (LoRA एडैप्टर्स) के एक सेट में है। आपको पूरी लाइब्रेरी को गिराने की आवश्यकता नहीं है; आपको बस इन नोट्स को संपादित करने की आवश्यकता है।

MAAT कैसे काम करता है (तीन चरण):

चरण 1: "इसे मत छुओ" वाला कवच (ग्रेडिएंट प्रोजेक्शन)
- समस्या: जब आप एक "क्यों" वाले तथ्य को मिटाने की कोशिश करते हैं, तो मिटाने वाला यंत्र गलती से उस "कब" वाले तथ्य को भी मिटा सकता है जिसे आप रखना चाहते थे।
- समाधान: MAAT एक कवच का उपयोग करता है। यह "मिटाने" के बल और "रखने" के बल की दिशा को देखता है। यदि वे एक-दूसरे से लड़ रहे हैं, तो यह मिटाने के बल को इस तरह कोण देता है कि वह केवल लक्ष्य पर ही लगे और उन चीजों के बगल से निकल जाए जिन्हें आप रखना चाहते हैं।
चरण 2: "स्कैल्पल" सर्जरी (SVD प्रूनिंग और टास्क नेगेशन)
- समस्या: "क्यों" वाले तथ्य लंबे और जटिल होते हैं। वे कई स्टिकी नोट्स पर फैले होते हैं, जिससे उन्हें ढूंढना और हटाना कठिन हो जाता है।
- समाधान: MAAT स्टिकी नोट्स पर "सर्जरी" करता है।
  - यह नोट्स के उन विशिष्ट हिस्सों की पहचान करता है जिनमें "बुरा" जानकारी होती है (SVD नामक एक गणितीय उपकरण का उपयोग करके)।
  - यह केवल उन्हीं विशिष्ट हिस्सों को काट देता है (प्रूनिंग/छंटाई)।
  - फिर, यह शेष "बुरे" हिस्सों को उल्टा (नेगेशन/नकारना) कर देता है ताकि वे एक-दूसरे को रद्द कर दें।
  - महत्वपूर्ण विवरण: यह उन नोट्स के हिस्सों को काटने में बहुत सावधान रहता है जो लाइब्रेरियन को अन्य प्रश्न पूछने में मदद करते हैं।
चरण 3: "पॉलिश" (हाइब्रिड रिपेयर)
- समस्या: काटने और उलटने के बाद, लाइब्रेरियन थोड़ा डगमगाया हुआ या विस्मृति का शिकार हो सकता है।
- समाधान: MAAT लाइब्रेरी को धीरे से वापस पॉलिश करता है। यह लाइब्रेरियन को उन चीजों को फिर से सिखाता है जिन्हें उसे याद रखना चाहिए, लेकिन इसमें एक विशेष नियम जोड़ता है: "उस चीज़ को दोबारा न सीखें जिसे आपने अभी मिटाया है।" यह एक छात्र को यह बताने जैसा है कि, "अपना इतिहास पढ़ो, लेकिन उस एक विशिष्ट तारीख को याद मत करना जिसे हमने अभी हटाया है।"

परिणाम: एक नया संतुलन

MAAT से पहले, आपको चुनना पड़ता था:

विकल्प A: बुरे तथ्य को भूल जाएँ, लेकिन लाइब्रेरी को तोड़ दें (लाइब्रेरियन बेकार हो जाता है)।
विकल्प B: लाइब्रेरी को काम करने योग्य रखें, लेकिन बुरे तथ्य को भूलने में विफल रहें।

MAAT की उपलब्धि:
नए 5WBENCH परीक्षण का उपयोग करते हुए, MAAT एक ही समय में दोनों कार्य करने वाला पहला तरीका है। यह जटिल "क्यों" वाले तथ्यों को सफलतापूर्वक भूल जाता है बिना लाइब्रेरियन की अन्य प्रश्न पूछने की क्षमता को तोड़े।

एक वाक्य में सारांश

यह शोध पत्र कहता है, "वर्तमान परीक्षण अनुचित हैं क्योंकि वे कठिन 'क्यों' वाले प्रश्नों को अनदेखा करते हैं, इसलिए हमने एक बेहतर परीक्षण (5WBENCH) और एक स्मार्ट इरेज़र (MAAT) बनाया है जो बाकी लाइब्रेरी को नष्ट किए बिना जटिल ज्ञान को हटा सकता है।"

तकनीकी सारांश: MAAT: मल्टी-फेज अडैप्टर-अवेयर टार्गेटेड अनलर्निंग (Multi-phase Adapter-Aware Targeted Unlearning)

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मौजूदा मशीन अनलर्निंग बेंचमार्क (जैसे CounterFact, ZSRE, TOFU, MUSE, WMDP-Cyber) में एक महत्वपूर्ण संरचनात्मक पूर्वाग्रह (structural bias) की पहचान करता है। ये डेटासेट एंटिटी-केंद्रित "क्या" (What), "कौन" (Who), "कब" (When), और "कहाँ" (Where) वाले प्रश्नों की ओर अत्यधिक झुके हुए हैं, जबकि "क्यों" (Why) वाले प्रश्न—जो कारण संबंधी (causal) और संबंधपरक ज्ञान श्रृंखलाओं की जांच करते हैं—इन डेटासेट्स में 0.06% से 1.3% से भी कम हैं।

यह लगभग शून्य प्रतिनिधित्व एक मापन अंतराल (measurement gap) पैदा करता है: अनलर्निंग विधियाँ जो कारण संबंधी ज्ञान को हटाने में विफल रहती हैं, वे अभी भी उच्च समग्र स्कोर प्राप्त कर सकती हैं। लेखक तर्क देते हैं कि कारण संबंधी ज्ञान को अनलर्न करना गुणात्मक रूप से कठिन है क्योंकि इसके दो कारक हैं:

लंबाई और जटिलता: "क्यों" के उत्तर औसतन 40.1 टोकन के होते हैं (अन्य के 4.2–10.5 के मुकाबले) और 44% में मल्टी-हॉप रीजनिंग चेन शामिल होती है (अन्य के ≤2% के मुकाबले)।
ग्रेडिएंट डाइल्यूशन (Gradient Dilution): इन तथ्यों को अनलर्न करने के लिए आवश्यक एसेंट सिग्नल (ascent signal) लंबे टोकन स्पैन में फैला हुआ है बिना किसी प्रमुख दिशा के, जिससे मानक ग्रेडिएंट-आधारित विधियाँ विफल हो जाती हैं या यदि उन्हें आक्रामक होने के लिए मजबूर किया जाता है, तो वे रिटेन किए गए ज्ञान को खराब कर देती हैं।

मौजूदा विधियाँ (Gradient Ascent, KL-regularized GA, Adapter Negation) एक मौलिक ट्रेडऑफ का सामना करती हैं: आक्रामक विस्मरण (forgetting) मॉडल की उपयोगिता (retention) को कम कर देता है, जबकि रूढ़िवादी विधियाँ कारण संबंधी तथ्यों को भूलने में विफल रहती हैं।

2. कार्यप्रणाली: MAAT फ्रेमवर्क (Methodology: The MAAT Framework)

लेखक MAAT (Multi-phase Adapter-Aware Targeted Unlearning) प्रस्तावित करते हैं, जो एक तीन-चरणीय फ्रेमवर्क है जो बेस मॉडल में मर्ज किए बिना सीधे LoRA अडैप्टर वेट्स पर कार्य करता है। यह यूनिफॉर्म ग्रेडिएंट प्रेशर के बजाय संरचित "अडैप्टर सर्जरी" की अनुमति देता है।

चरण 1: ग्रेडिएंट-प्रोजेक्टेड एसेंट (Gradient-Projected Ascent)

मानक ग्रेडिएंट एसेंट यूनिफॉर्म रूप से अपडेट लागू करता है, जो रिटेन किए गए ज्ञान को नष्ट कर सकता है यदि फॉर्गेट ग्रेडिएंट ( $g_f$ ) और रिटेन ग्रेडिएंट ( $g_r$ ) संरेखित हों। MAAT कंडीशनल ऑर्थोगोनल प्रोजेक्शन का उपयोग करता है:

यदि $g_f \cdot g_r > 0$ (संघर्ष), तो $g_r$ के साथ संरेखित $g_f$ के घटक को प्रोजेक्शन के माध्यम से हटा दिया जाता है:
$g^\perp_f = g_f - \frac{g_f \cdot g_r}{\|g_r\|^2 + \epsilon} g_r$
यदि कोई संघर्ष नहीं है, तो पूर्ण फॉर्गेट-एसेंट दिशा को संरक्षित रखा जाता है।
उद्देश्य फॉर्गेट लॉस को कम करना है जबकि KL डाइवर्जेंस के माध्यम से प्री-अनलर्निंग अडैप्टर स्टेट के प्रति एंकरिंग बनाए रखना है।

चरण 2a: SVD रैंक-डायमेंशन प्रूनिंग (MLP-केवल)

लो-मैग्निट्यूड दिशाओं में अवशिष्ट सिग्नल्स (residual signals) को संबोधित करने के लिए, MAAT फॉर्गेट सेट पर ग्रेडिएंट-कॉलम नॉर्म्स के आधार पर मल्टी-लेयर परसेप्ट्रॉन (MLP) अडैप्टर डायमेंशन्स को स्कोर करता है।

MLP मॉड्यूल (down_proj, up_proj, gate_proj) के $A$ और $B$ मैट्रिसेस में टॉप- $\rho$ अंश के रैंक डायमेंशन्स को ज़ीरो कर दिया जाता है।
महत्वपूर्ण रूप से, इंस्ट्रक्शन-फॉलोइंग क्षमताओं को नष्ट करने से बचने के लिए अटेंशन मॉड्यूल को प्रूनिंग से बाहर रखा गया है।

चरण 2a: टास्क वेक्टर नेगेशन (Task Vector Negation)

यह चरण चरण 2a में पहचाने गए विशिष्ट फॉर्गेट सबस्पेस को लक्षित करता है।

प्रत्येक LoRA $B$ मैट्रिक्स के टॉप- $k_F$ (जैसे, 50%) फॉर्गेट-स्कोर वाले रैंक डायमेंशन्स को मास्क किया जाता है ताकि एक "फॉर्गेट टास्क वेक्टर" $\tau^F_l$ बनाया जा सके।
इस वेक्टर को वेट्स से घटाया जाता है: $B_l \leftarrow B_l - \alpha \cdot \tau^F_l$ ।
यह रिटेन-एसोसिएटेड दिशाओं को अंधाधुंध मिटाने के बजाय लक्षित दमन (targeted suppression) प्राप्त करता है।

चरण 3: हाइब्रिड रिटेन रिपेयर (Hybrid Retain Repair)

प्रूनिंग और नेगेशन द्वारा खराब हुई परफॉरमेंस को रिकवर करने के लिए, एक हाइब्रिड रिपेयर ऑब्जेक्टिव को मिनिमाइज़ किया जाता है। इसमें चार टर्म्स शामिल हैं:

KL डाइवर्जेंस: मॉडल को रिटेन डिस्ट्रीब्यूशन के साथ एंकर करता है।
हिडन-स्टेट डिस्टेंस: रिटेन सैंपल्स के लिए वर्तमान और रेफरेंस हिडन स्टेट्स के बीच की दूरी को कम करता है।
एंट्रॉपी मैक्सिमाइजेशन: एक नेगेटिव एंट्रॉपी टर्म ( $-w_{ent} H_F$ ) फॉर्गेट-सेट प्रेडिक्शंस पर एंट्रॉपी को मैक्सिमाइज करता है, जो रिपेयर के दौरान मॉडल को भूले गए कंटेंट को फिर से सीखने से रोकता है।
टास्क वेक्टर पेनल्टी: वर्तमान वेट्स और फॉर्गेट टास्क वेक्टर के बीच कोसाइन सिमिलैरिटी को दंडित करता है।

3. मुख्य योगदान (Key Contributions)

1. 5WBENCH बेंचमार्क

लेखक Factify-5WQA कॉर्पस से प्राप्त एक संतुलित 5,000-सैंपल बेंचमार्क 5WBENCH पेश करते हैं।

संरचना: 5W श्रेणियों (Who, What, When, Where, Why) के लिए प्रति श्रेणी 1,000 उदाहरण।
महत्व: यह "क्यों" (Why) प्रश्नों का पहला सांख्यिकीय रूप से महत्वपूर्ण कवरेज (20% डेटासेट) प्रदान करता है, जिससे उन कारणों संबंधी अनलर्निंग विफलताओं का परिमाणीकरण संभव होता है जो स्क्यूड (skewed) बेंचमार्क में पता नहीं चल पाते।
फॉर्मेट: EasyEdit के अनुकूल, जिसमें ग्राउंड-ट्रुथ उत्तर, लेबल और मजबूती परीक्षण के लिए पुनर्गठित वेरिएंट शामिल हैं।

2. MAAT एल्गोरिदम

MAAT पहला ऐसा तरीका है जो "क्यों"-टाइप के कारण संबंधी (causal) ज्ञान पर उच्च विस्मरण (forgetting) और उच्च रिटेंशन (retention) को एक साथ प्राप्त करता है। यह LoRA अडैप्टर्स के स्ट्रक्चरल गुणों पर कार्य करता है, जो फॉर्गेट-सेट इनपुट्स द्वारा सक्रिय विशिष्ट रैंक डायमेंशन्स को अलग करने और दबाने के लिए SVD स्कोरिंग और टास्क वेक्टर नेगेशन का उपयोग करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन LLaMA 3.2-3B और Gemma 3-4B पर एक Qwen 2.5-7B LLM-as-a-Judge का उपयोग करके किया गया।

5WBENCH पर प्रदर्शन

पारेटो फ्रंटियर (Pareto Frontier): MAAT एक नया ऑपरेटिंग पॉइंट प्राप्त करता है, जो LLaMA 3.2-3B पर सभी पांच 5W श्रेणियों में 60% से अधिक फॉर्गेट सक्सेस रेट (FSR) और 60% से अधिक रिटेन सक्सेस रेट (RSR) को एक साथ पार करता है।
- Llama 3.2-3B: 77.4% FSR / 71.6% RSR (एग्रीगेट)।
- Gemma 3-4B: 64.0% FSR / 61.8% RSR (एग्रीगेट)।
"क्यों"-टाइप प्रदर्शन:
- MAAT: 63% FSR / 65% RSR (Llama)।
- बेसलाइन्स (GA, GA+KL, AN, RO-FT) इस संतुलन तक पहुँचने में विफल रहते हैं। उदाहरण के लिए, ग्रेडिएंट एसेंट (GA) 44% FSR प्राप्त करता है लेकिन 78% RSR, जिसे लेखक "अंडर-फॉरगेटिंग" (मॉडल तथ्यों को इसलिए रखता है क्योंकि उसने उन्हें भुलाया ही नहीं, न कि इसलिए कि उसने उपयोगिता को संरक्षित किया) का परिणाम मानते हैं।
बेसलाइन विफलताएं:
- अडैप्टर नेगेशन (AN): लगभग पूर्ण विस्मरण (99.8% FSR) प्राप्त करता है लेकिन विनाशकारी रिटेंशन कोलैप्स (0.4% RSR) का कारण बनता है, जो पुष्टि करता है कि पूर्ण टास्क वेक्टर नेगेशन अनजाने में फॉर्गेट और रिटेन दोनों ज्ञान को हटा देता है।
- RO-FT: उच्च रिटेंशन लेकिन MAAT की तुलना में कम विस्मरण दक्षता।

TOFU पर प्रदर्शन

TOFU डेटासेट (जिसमें महत्वपूर्ण "क्यों" कवरेज की कमी है) पर, MAAT प्रतिस्पर्धी परिणाम (Llama पर 67.5% FSR / 46.6% RSR) प्राप्त करता है, जो विभिन्न डेटा डिस्ट्रीब्यूशन पर इसकी मजबूती को प्रदर्शित करता है, हालांकि पेपर नोट करता है कि TOFU की श्रेणी असंतुलन सीमा इसे कारण विश्लेषण के लिए सीमित करती है।

एब्लेशन स्टडीज (Ablation Studies)

ग्रेडिएंट प्रोजेक्शन: रिटेन किए गए ज्ञान को सुरक्षित करने के लिए आवश्यक है।
हाइब्रिड रिपेयर: प्रूनिंग/नेगेशन द्वारा खोई गई रिटेंशन को वापस पाने के लिए आवश्यक है; एंट्रॉपी टर्म के बिना, रिपेयर फेज अनजाने में भूले गए कंटेंट को पुनः प्राप्त कर लेता है।
टास्क वेक्टर नेगेशन बनाम अटेंशन प्रूनिंग: अटेंशन प्रूनिंग को टास्क वेक्टर नेगेशन से बदलने (कंडीशन D) से रिटेंशन में उल्लेखनीय सुधार (76% बनाम 54% RSR) होता है, जबकि समान विस्मरण शक्ति बनी रहती है, जो संरचनात्मक प्रूनिंग से अटेंशन मॉड्यूल को बाहर रखने के निर्णय की पुष्टि करता है।

5. महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि MAAT विशेष रूप से कारण संबंधी (Why-type) ज्ञान के लिए फॉर्गेट-रिटेन ट्रेडऑफ को सफलतापूर्वक नेविगेट करने वाला पहला तरीका है, एक ऐसा डोमेन जहाँ मौजूदा बेसलाइन विफल हो जाते हैं।

स्ट्रक्चरल इनसाइट: लेखक दर्शाते हैं कि कारण संबंधी तथ्यों को अनलर्न करने की कठिनाई रिलेशनल कॉम्प्लेक्सिटी और ग्रेडिएंट डाइल्यूशन से आती है, न कि एक अद्वितीय वेट-स्पेस फुटप्रिंट से (एनकोडिंग विश्लेषण सभी 5W श्रेणियों में समान रूप से वितरित एनकोडिंग दिखाता है)।
इवैल्यूएशन इम्पैक्ट: 5WBENCH पेश करके, यह पेपर मौजूदा विधियों में "अंडर-फॉरगेटिंग" आर्टिफैक्ट्स को उजागर करने के लिए एक उपकरण प्रदान करता है, जहाँ उच्च रिटेंशन स्कोर वास्तव में विफल विस्मरण का बायप्रोडक्ट है।
आर्किटेक्चर सेंसिटिविटी: परिणाम बताते हैं कि अडैप्टर-आधारित अनलर्निंग बेस मॉडल के नॉलेज एनकोडिंग स्ट्रक्चर को इनहेरिट करता है। LLaMA और Gemma के बीच प्रदर्शन का अंतर इंगित करता है कि अडैप्टर रैंक डायमेंशन्स में नॉलेज सेपरेबिलिटी आर्किटेक्चर-डिपेंडेंट है।

लेखक निष्कर्ष निकालते हैं कि जबकि MAAT एक नया पारेटो फ्रंटियर प्राप्त करता है, क्षेत्र को संतुलित मूल्यांकन टैक्सोनॉमी की आवश्यकता है ताकि कारण संबंधी ज्ञान के अनलर्निंग विफलताओं का पता लगाया जा सके, जिन्हें मानक बेंचमार्क वर्तमान में छिपा देते हैं।