🤖 machine learning

ConTraIRL: Factorized Contrastive Abstractions for Transferable IRL

यह शोध पत्र ConTraIRL का प्रस्ताव करता है, जो एक ड्यूल-एनकोडर आर्किटेक्चर और कंट्रास्टिव ऑब्जेक्टिव्स का उपयोग करके इन्वर्स रिइन्फोर्समेंट लर्निंग में विश्वसनीय रिवॉर्ड ट्रांसफर प्राप्त करने वाला एक फ्रेमवर्क है, जिससे एनवायरनमेंट डायनेमिक्स और टास्क गोल्स के डिकपल्ड लेटेंट रिप्रेजेंटेशन को सीखने में मदद मिलती है, जो अंततः अनदेखे पेयरिंग्स के लिए प्रभावी कंपोजिशनल जनरलाइजेशन को सक्षम बनाता है।

मूल लेखक: Yikang Gui, Bikramjit Banerjee, Prashant Doshi

प्रकाशित 2026-06-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yikang Gui, Bikramjit Banerjee, Prashant Doshi

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 चलना सिखाने की कोशिश कर रहे हैं। आप उसे एक विशेषज्ञ के चलने का वीडियो दिखाते हैं। लेकिन यहाँ एक पेंच है: रोबोट को न केवल यह सीखना है कि कैसे चलना है, बल्कि यह भी सीखना है कि विशेषज्ञ उस तरह से क्यों चल रहा है। इसे इन्वर्स रीइन्फोर्समेंट लर्निंग (IRL) कहा जाता है। रोबोट उस "रिवॉर्ड फंक्शन" (पुरस्कार फलन) को समझने की कोशिश कर रहा है—वह अदृश्य स्कोरकार्ड जिसका उपयोग विशेषज्ञ यह तय करने के लिए करता है कि वह अपना काम कितनी अच्छी तरह कर रहा है।

आमतौर पर, यह तब तक ठीक काम करता है जब रोबोट केवल उन्हीं सटीक स्थितियों में काम करता है जिनमें उसे प्रशिक्षित किया गया था। लेकिन क्या होगा यदि आप रोबोट को एक नई स्थिति में डाल दें? उदाहरण के लिए, प्रशिक्षण वीडियो में रोबोट ने बर्फ (डायनामिक्स) पर चलते हुए एक लाल झंडे (लक्ष्य) तक पहुँचने की कोशिश की। अब, आप रोबोट को रेत (एक नया डायनामिक्स) पर चलते हुए एक नीले झंडे (एक नया लक्ष्य) तक पहुँचने के लिए कहते हैं।

मानक AI विधियाँ अक्सर विफल हो जाती हैं। वे भ्रमित हो जाते हैं क्योंकि उन्होंने एक ही, उलझे हुए नियम को सीख लिया है जिसने "बर्फ" और "लाल झंडे" को आपस में मिला दिया है। वे इन्हें अलग नहीं कर सकते, इसलिए जब वे "रेत" और "नीले झंडे" का संयोजन देखते हैं, तो उन्हें समझ नहीं आता कि क्या करना है।

समाधान: ConTraIRL (एक "डिक्लेटरिंग" टूल)

प्रस्तावित शोध एक नया तरीका पेश करता है जिसे ConTraIRL कहा जाता है। इसे एक स्मार्ट टूल के रूप में सोचें जो रोबोट के दिमाग को "डिक्लेटर" (अव्यवस्था दूर करने) में मदद करता है। एक बड़ा, उलझा हुआ नियम सीखने के बजाय, ConTraIRL रोबोट को दो अलग-अलग, स्वतंत्र नियम सीखना सिखाता है:

"कैसे" वाला नियम (डायनामिक्स): यह सीखता है कि रोबोट ज़मीन के प्रकार (बर्फ, रेत, कीचड़) के आधार पर कैसे चलता है। यह इस बात की अनदेखी करता है कि रोबगर कहाँ जा रहा है।
"कहाँ" वाला नियम (लक्ष्य): यह सीखता है कि रोबोट कहाँ जाना चाहता है (लाल झंडा, नीला झंडा, बाएँ, दाएँ)। यह इस बात की अनदेखी करता है कि वह कैसे चल रहा है।

रचनात्मक उपमा: शेफ और रसोई
कल्पना कीजिए कि एक शेफ खाना बनाना सीख रहा है।

मानक AI एक ऐसे शेफ की तरह है जो केवल एक विशिष्ट रेसिपी सीखता है: "350°F के ओवन में चॉकलेट केक कैसे बनाया जाए।" यदि आप उससे 400°F के ओवन में वनीला केक बनाने के लिए कहते हैं, तो वह खो जाता है। वह "चॉकलेट" वाले हिस्से को "350°F" वाले हिस्से से अलग नहीं कर पाता।
ConTraIRL एक ऐसे शेफ की तरह है जो दो अलग-अलग कौशल सीखता है:
- कौशल A: ओवन कैसे काम करते हैं (तापमान, वायु प्रवाह)।
- कौशल B: विभिन्न स्वादों (चॉकलेट, वनीला, नींबू) को कैसे बनाया जाए।

अब, यदि आप शेफ को 400°F के ओवन में लेमन केक बनाने के लिए कहते हैं (जो एक ऐसा संयोजन है जो उसने पहले कभी नहीं देखा), तो वह बस अपने "लेमन स्किल" को अपने "400°F स्किल" के साथ मिला सकता है। उसे एक नई रेसिपी की आवश्यकता नहीं है; उसे बस अपने द्वारा सीखे गए हिस्सों को फिर से संयोजित करने की आवश्यकता है।

यह कैसे काम करता है: "टाइम-स्टैम्प" का कमाल

नियमों को अलग करना ही काफी नहीं है। आपको यह भी जानने की आवश्यकता है कि कब क्या करना है। चलना एक क्रम है: कदम 1, कदम 2, कदम 3।

ConTraIRL एक टेम्पोरल फेज अलाइनमेंट जोड़ता है। एक मूवी फिल्म स्ट्रिप की कल्पना करें। भले ही मूवी एक धीमे प्रोजेक्टर (बर्फ) या तेज़ प्रोजेक्टर (रेत) पर चल रही हो, "मूवी का मध्य भाग" अभी भी मध्य ही रहता है। ConTraIRL रोबोट को यह पहचानने में मदद करता है कि "चलने के रास्ते में 50% पूरा होने पर" कैसा दिखता है, चाहे आप बर्फ पर हों या रेत पर, जब तक कि आप एक ही लक्ष्य की ओर बढ़ रहे हैं।

यह रोबोट को यह कहने की अनुमति देता है: "मैं अपने नीले झंडे की ओर जाने वाली अपनी यात्रा का 50% पूरा कर चुका हूँ। रेत पर, मुझे इस समय ऐसा दिखना चाहिए।"

"फ्यू-शॉट" (Few-Shot) की महाशक्ति

आमतौर पर, एक रोबोट को नया कार्य सिखाने के लिए, आपको सैकड़ों उदाहरणों की आवश्यकता होती है। ConTraIRL विशेष है क्योंकि यह बहुत कम उदाहरणों (जिसे "फ्यू-शॉट" कहा जाता है) से सीख सकता है।

प्रयोगों में, शोधकर्ताओं ने रोबोट को नए "रेत + नीला झंडा" परिदृश्य के लिए विशेषज्ञ के पथ का केवल एक छोटा सा हिस्सा दिया—शायद वीडियो का केवल 20%। क्योंकि रोबोट पहले से ही अन्य प्रशिक्षण वीडियो से अलग-अलग "रेत" के नियम और "नीले झंडे" के नियम सीख चुका था, वह खाली जगहों को भर सका। उसे पूरा वीडियो देखने की आवश्यकता नहीं थी; उसे बस एक 'एंकर' की आवश्यकता थी जिससे वह शुरुआत कर सके, और उसके आंतरिक "डिक्लेटेड" दिमाग ने बाकी काम कर दिया।

परिणाम: शोध में वास्तव में क्या पाया गया

शोधकर्ताओं ने कंप्यूटर सिमुलेशन में रोबोटों (जैसे चीता, वॉकर और स्विमर) पर इसका परीक्षण किया।

परीक्षण: उन्होंने ज़मीन के ऐसे नए प्रकार और लक्ष्य बनाए जिन्हें रोबोट ने पहले कभी एक साथ नहीं देखा था।
तुलना: उन्होंने ConTraIRL की तुलना अन्य AI विधियों से की जो यही काम करने की कोशिश करती हैं।
परिणाम: ConTraIRL काफी बेहतर था। इसने सही "स्कोरकार्ड" (रिवॉर्ड) को बहुत अधिक सटीकता से प्राप्त किया और रोबोट को कार्य सफलतापूर्वक करने में मदद की, यहाँ तक कि जब ज़मीन और लक्ष्य का संयोजन बिल्कुल नया था।
मजबूती (Robustness): यहाँ तक कि जब शोधकर्ताओं ने रोबोट को कम डेटा (कम उदाहरण) दिया या लेबल में थोड़ी गलती की (उसे बताया कि ज़मीन "रेत" है जबकि वास्तव में वह "कीचड़" था), तब भी ConTraIRL क्रैश नहीं हुआ। यह धीरे-धीरे अपनी क्षमता कम करता गया (degrade gracefully), जबकि अन्य विधियाँ पूरी तरह विफल हो गईं।

सारांश

संक्षेप में, ConTraIRL एक ऐसा फ्रेमवर्क है जो AI को विशिष्ट स्थितियों को रटने के बजाय, स्थिति के सामग्री/घटकों (दुनिया के भौतिक विज्ञान और कार्य के लक्ष्य) को अलग-अलग समझने की शिक्षा देता है। इन घटकों को अलग-अलग मानसिक "बकेटों" में रखकर, AI बिना किसी अतिरिक्त प्रशिक्षण के, बिल्कुल नए और अनदेखे परिदृश्यों को संभालने के लिए उन्हें मिला और मिला सकता है।

तकनीकी सारांश: ConTraIRL – हस्तांतरणीय IRL के लिए फैक्टराइज्ड कॉन्ट्रास्टिव एब्स्ट्रैक्शंस (Factorized Contrastive Abstractions)

1. समस्या विवरण (Problem Statement)

इन्वर्स रीइन्फोर्समेंट लर्निंग (IRL) का लक्ष्य विशेषज्ञ व्यवहार (expert behavior) के पीछे के रिवॉर्ड फंक्शन को रिकवर करना है, जिससे एजेंटों को मैनुअल रिवॉर्ड डिजाइन के बिना जटिल कौशल सीखने में सक्षम बनाया जा सके। इस क्षेत्र में एक महत्वपूर्ण चुनौती कंपोजिशनल जनरलाइजेशन (compositional generalization) है: यानी सीखे गए रिवॉर्ड को उन लक्षित वातावरणों (target environments) में स्थानांतरित करने की क्षमता जहाँ संदर्भ (context) पहले देखे गए पर्यावरणीय डायनेमिक्स ( $d$ ) और कार्य लक्ष्यों ( $g$ ) का एक अनदेखा युग्मन (unseen pairing) हो।

मानक IRL विधियाँ आमतौर पर रिवॉर्ड को अवस्था (state) के मोनोलिथिक फंक्शन के रूप में मॉडल करती हैं। यह दृष्टिकोण डायनेमिक्स-निर्भर और गोल-निर्भर फीचर्स को आपस में उलझा देता है। फलस्वरूप, जब एक एजेंट को ऐसे लक्षित वातावरण में तैनात किया जाता है जहाँ $d$ और $g$ व्यक्तिगत रूप से परिचित हैं, लेकिन उनका विशिष्ट संयोजन $(d_{tar}, g_{tar})$ प्रशिक्षण के दौरान कभी नहीं देखा गया था, तो सीखा गया रिवॉर्ड आउट-ऑफ-डिस्ट्रीब्यूशन संदर्भ के तहत क्वेरी किया जाता है। इससे अविश्वसनीय जनरलाइजेशन और खराब रिवॉर्ड रिकवरी होती है।

यह शोध एक ऐसे परिवेश का अध्ययन करके इस समस्या का समाधान करता है जहाँ:

प्रशिक्षण डेटा में कई वातावरण शामिल हैं जहाँ प्रत्येक कारक ( $d$ और $g$ ) कई संदर्भों में दिखाई देता है।
फैक्टर युग्मों (factor pairings) के एक उपसमूह को लक्षित संदर्भों के रूप में अलग रखा गया है।
लक्षित संदर्भों में, एक एकल विशेषज्ञ प्रक्षेपवक्र (expert trajectory) के केवल अवस्थाओं के एक निश्चित उपसमूह (few-shot supervision) का ही उपलब्ध होना है, न कि पूर्ण प्रदर्शन (demonstrations) का।

2. कार्यप्रणाली: ConTraIRL

लेखक ConTraIRL (कॉन्ट्रास्टिव एब्स्ट्रैक्शंस फॉर ट्रांसफरेबल IRL) प्रस्तावित करते हैं, जो एक ऐसा फ्रेमवर्क है जिसे डायनेमिक्स और गोल्स के पृथक लेटेंट रिप्रेजेंटेशन (decoupled latent representations) सीखने के माध्यम से कंपोजिशनल रिवॉर्ड ट्रांसफर को सक्षम बनाने के लिए डिज़ाइन किया गया है।

2.1 फैक्टराइज्ड कॉन्ट्रास्टिव एब्स्ट्रैक्शंस (Factorized Contrastive Abstractions)

इस फ्रेमवर्क का मूल एक डुअल-एनकोडर आर्किटेक्चर है जो अवलोकनों (observations) को दो अलग-अलग लेटेंट मैनिफोल्ड्स में मैप करता है:

डायनेमिक्स स्पेस ( $Z_d$ ): एक लेटेंट रिप्रेजेंटेशन जो लक्ष्य $g$ के प्रति इनवेरिएंट (invariant) है।
गोल स्पेस ( $Z_g$ ): एक लेटेंट रिप्रेजेंटेशन जो डायनेमिक्स $d$ के प्रति इनवेरिएंट है।

यह फैक्टराइजेशन सुनिश्चित करता है कि रिकवर किया गया रिवॉर्ड जॉइंट ट्रेनिंग डिस्ट्रीब्यूशन द्वारा प्रेरित स्प्यूरियस कोरिलेशन (spurious correlations) को एनकोड न करे। इसे प्राप्त करने के लिए, लेखक फैक्टर ऑर्थोगोनैलिटी (Factor Orthogonality) लागू करते हैं:

$z_d = \Phi_d(s, d)$ को $g$ के प्रति इनवेरिएंट होना चाहिए।
$z_g = \Phi_g(s, g)$ को $d$ के प्रति इनवेरिएंट होना चाहिए।

2.2 टेम्पोरल फेज अलाइनमेंट (Temporal Phase Alignment)

लेखकों का तर्क है कि अनुक्रमिक नियंत्रण कार्यों (sequential control tasks) के लिए केवल फैक्टराइजेशन पर्याप्त नहीं है, क्योंकि एक प्रक्षेपवक्र (trajectory) के साथ अवस्थाएँ निष्पादन के विभिन्न चरणों का प्रतिनिधित्व करती हैं। ConTraIRL टेम्पोरल फेज अलाइनमेंट पेश करता है, जो यह आवश्यक बनाता है कि व्यवहार के भीतर समान सापेक्ष प्रगति (relative progress) वाली अवस्थाएँ विभिन्न प्रक्षेप पथों में पास-पास स्थित लेटेंट कोऑर्डिनेट्स पर मैप हों।

समान डायनेमिक्स और समान फेज वाली अवस्थाएँ, लक्ष्य के बावजूद, $Z_d$ में पास रहेंगी।
समान लक्ष्य और समान फेज वाली अवस्थाएँ, डायनेमिक्स के बावजूद, $Z_g$ में पास रहेंगी।
फेज $\psi(s)$ को नॉर्मलाइज्ड टाइमस्टेप $t/T$ के रूप में परिभाषित किया गया है।

2.3 लेटेंट सिमिलरिटी के माध्यम से रिवॉर्ड रिकवरी

रिकवर किया गया रिवॉर्ड फंक्शन $R(s, d, g)$ वर्तमान अवस्था के लेटेंट रिप्रेजेंटेशन और फेज-कंडीशन्ड एक्सपर्ट एब्स्ट्रैक्शंस के बीच औसत समानता (average similarity) के रूप में परिभाषित किया गया है:
$R(s, d, g) = \frac{1}{2} \left( \text{sim}(\Phi_d(s, d), \bar{z}_d(\psi(s))) + \text{sim}(\Phi_g(s, g), \bar{z}_g(\psi(s))) \right)$
यहाँ, $\bar{z}_d(\cdot)$ और $\bar{z}_g(\cdot)$ सापेक्षिक टेम्पोरल फेज द्वारा समूहीकृत विशेषज्ञ अवस्थाओं के सेंट्रोइड्स (centroids) हैं। यह फॉर्मूलेशन एक आउट-ऑफ-डिस्ट्रीब्यूशन युग्मन को कारकों के इन-डिस्ट्रीब्यूशन पुनर्संयोजन (recombination) में बदल देता है।

2.4 प्रशिक्षण उद्देश्य (Training Objectives)

फ्रेमवर्क एक दोहरे कॉन्ट्रास्टिव ऑब्जेक्टिव का उपयोग करता है:

एक्सपर्ट स्ट्रक्चर लर्निंग ( $L_E$ ): विशेषज्ञ युग्मों (expert pairs) पर लागू एक मार्जिन-आधारित कॉन्ट्रास्टिव लॉस, जो लेटेंट मैनिफोल्ड्स को आकार देने के लिए है। समान कारक और समान फेज साझा करने वाले युग्मों को पॉजिटिव माना जाता है; अन्य को नेगेटिव। यह विशेषज्ञ मैनिफोल्ड्स को लर्नर से स्वतंत्र रूप से आकार देता है।
एक्सपर्ट-लर्नर कॉन्ट्रास्टिव कैलिब्रेशन ( $L_L$ ): एक नॉइज़-कॉन्ट्रास्टिव ऑब्जेक्टिव जो विशेषज्ञ अवस्थाओं ( $x_E$ ) और लर्नर अवस्थाओं ( $x_L$ ) के बीच अंतर करके रिवॉर्ड को कैलिब्रेट करता है। यह प्रभावी रूप से विशेषज्ञ और लर्नर स्टेट ऑक्यूपेंसी के बीच जेन्सन-शैनन डाइवर्जेंस (Jensen–Shannon divergence) को कम करता है।

कुल ऑब्जेक्टिव $L_{total} = L_E - L_L$ है।

2.5 कार्यान्वयन विवरण (Implementation Details)

कॉन्टेक्स्ट-मॉड्यूलेटेड एनकोडर: साधारण कॉनकैटिनेशन के बजाय, फ्रेमवर्क एक हाइपरनेटवर्क-प्रेरित इनपुट लेयर का उपयोग करता है जहाँ कॉन्टेक्स्ट डिस्क्रिप्टर ( $d$ या $g$ ) विशिष्ट वेट मैट्रिसेस और बायस वेक्टर्स उत्पन्न करता है ताकि स्टेट को ट्रांसफॉर्म किया जा सके। यह डायनामिक रूप से फीचर एक्सट्रैक्शन को प्रभावित करता है, जिससे नेटवर्क के शुरुआती चरणों में ही फैक्टर-रेलेवेंट स्ट्रक्चर को आइसोलेट करने में मदद मिलती है।
एक्सपर्ट एब्स्ट्रैक्शन बफर: एक बफर फेज-कंडीशन्ड एक्सपर्ट सेंट्रोइड्स को बनाए रखता है, जिसे प्रत्येक एनकोडर अपडेट के बाद रिफ्रेश किया जाता है ताकि विकसित होते लेटेंट मैनिफोल्ड के साथ निरंतरता बनी रहे।

3. मुख्य योगदान (Key Contributions)

फैक्टराइज्ड रिप्रेजेंटेशन: एक डुअल-एनकोडर आर्किटेक्चर का प्रस्ताव जो डायनेमिक्स और गोल्स को दो ऑर्थोगोनल लेटेंट स्पेस में स्पष्ट रूप से अलग करता है, जिससे उन फीचर्स की उलझन (entanglement) को रोका जाता है जो मोनोलिथिक IRL मॉडल को प्रभावित करती है।
टेम्पोरल फेज अलाइनमेंट: लेटेंट अलाइनमेंट मानदंड में सापेक्षिक टेम्पोरल फेज को एकीकृत करना, जो केवल स्पार्स स्टेट मैचिंग के बजाय अनुक्रमिक कार्यों के लिए सघन मार्गदर्शन (dense guidance) प्रदान करता है।
फ्यू-शॉट सुपरविजन के साथ कंपोजिशनल ट्रांसफर: एक फ्रेमवर्क जो लक्षित वातावरण से विशेषज्ञ अवस्थाओं के केवल एक आंशिक उपसमूह का उपयोग करके अनदेखे डायनेमिक्स-गोल युग्मों के लिए रिवॉर्ड रिकवर करने में सक्षम है।
एक्सपर्ट स्ट्रक्चर लर्निंग: लर्नर डिस्ट्रीब्यूशन से स्वतंत्र रूप से विशेषज्ञ मैनिफोल्ड को आकार देने के लिए एक स्पष्ट उद्देश्य, जो रिवॉर्ड रिकवरी के लिए एक स्थिर संदर्भ (stationary reference) प्रदान करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने कंपोजिशनल वेरिएशंस के साथ चार MuJoCo कंटीन्यूअस कंट्रोल बेंचमार्क (Ant, HalfCheetah, Walker, Swimmer) पर ConTraIRL का मूल्यांकन किया।

अनसीन पेयरिंग्स पर प्रदर्शन: ConTraIRL ने लक्षित संदर्भों में बेसलाइन (TraIRL, C-AIRL, और SFM) को लगातार पछाड़ा। उदाहरण के लिए, Ant एनवायरनमेंट पर, ConTraIRL ने 0.93 ± 0.02 का नॉर्मलाइज्ड रिटर्न प्राप्त किया, जबकि SFM का 0.88 और TraIRL का 0.57 था।
डेटा की कमी के प्रति मजबूती: उन एब्लेशन स्टडीज में जहाँ लक्षित विशेषज्ञ अवस्थाओं की संख्या कम कर दी गई (20% से 5% तक), बेसलाइन विधियों के प्रदर्शन में भारी गिरावट आई (जैसे, TraIRL 0.05 तक गिर गया), जबकि ConTraIRL ने काफी उच्च प्रदर्शन (5% अवस्थाओं पर 0.27) बनाए रखा, जो प्रभावी फ्यू-शॉट ट्रांसफर को दर्शाता है।
एब्लेशन विश्लेषण:
- फैक्टराइजेशन हटाने ("w/o F") से प्रदर्शन में भारी गिरावट आई, जो विलगित (disentangled) रिप्रेजेंटेशन की आवश्यकता की पुष्टि करता है।
- टेम्पोरल फेज अलाइनमेंट हटाने ("w/o TA") से प्रदर्शन कम हुआ, जो दर्शाता है कि फेज अलाइनमेंट सरल फैक्टराइजेशन के अलावा आवश्यक सघन मार्गदर्शन प्रदान करता है।
लेबल नॉइज़ के प्रति मजबूती: ConTraIRL ने बेसलाइन की तुलना में नॉइजी फैक्टर लेबल्स के प्रति अधिक मजबूती दिखाई, जिसका श्रेय सापेक्ष समानता बाधाओं (relative similarity constraints) पर इसके भरोसे को जाता है।
लेटेंट स्पेस विज़ुअलाइज़ेशन: UMAP विज़ुअलाइज़ेशन ने पुष्टि की कि सीखे गए एब्स्ट्रैक्शंस ने सफलतापूर्वक नमूनों को उनके संबंधित कारक (डायनेमिक्स या गोल) द्वारा अलग किया, जबकि दूसरे के प्रति इनवेरिएंट रहे, और टेम्पोरल फेज को क्लस्टर्स के भीतर एक स्मूथ ग्रेडिएंट के रूप में संरक्षित किया।

5. महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि ConTraIRL ट्रांसफर IRL की एक मौलिक सीमा को संबोधित करता है: ज्ञात पर्यावरणीय कारकों के अनदेखे संयोजनों तक सामान्यीकरण करने में असमर्थता। डायनेमिक्स और गोल को दो ऑर्थोगोनल घटकों में फैक्टराइज करके और उन्हें टेम्पोरल रूप से अलाइन करके, यह फ्रेमवर्क कंपोजिशनल जनरलाइजेशन को सक्षम बनाता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण लक्षित वातावरणों में विश्वसनीय रिवॉर्ड रिकवरी की अनुमति देता है जहाँ विशिष्ट डायनेमिक्स-गोल युग्मन प्रशिक्षण के दौरान अनुपस्थित था, बशर्ते कि व्यक्तिगत कारक देखे गए हों। सीखा गया रिवॉर्ड वास्तविक कार्य प्रदर्शन को करीब से ट्रैक करता है, जो एक विश्वसनीय प्रॉक्सी के रूप में कार्य करता है, भले ही ग्राउंड-ट्रुथ रिवॉर्ड उपलब्ध न हो।

यह कार्य ज्ञात कॉन्टेक्स्टुअल फैक्टर्स के बीच कंपोजिशनल ट्रांसफर तक सीमित है। लेखक स्पष्ट रूप से नोट करते हैं कि वर्तमान फॉर्मूलेशन में फैक्टर लेबल्स और तुलनीय टेम्पोरल फेसेज़ तक पहुंच की धारणा है, और वे भविष्य के कार्य के रूप में लेटेंट फैक्टर्स, परिवर्तनशील-लंबाई वाले व्यवहारों और पूरी तरह से ज़ीरो-शॉट ट्रांसफर वाले सेटिंग्स में इस दृष्टिकोण को विस्तारित करने को महत्वपूर्ण दिशा के रूप में पहचानते हैं।