💻 computer science

Unifying Adversarially Robust Model Experts in Vision-Language Models

यह शोध पत्र CARE का प्रस्ताव करता है, जो एक सहयोगात्मक प्रतिकूल फाइन-ट्यूनिंग (adversarial fine-tuning) ढांचा है जो विविध मूल्यांकन परिवेशों में बेहतर, पूरक प्रतिकूल मजबूती (adversarial robustness) के साथ एक एकल विजन-लैंग्वेज मॉडल बनाने के लिए एम्बेडिंग-स्पेस सामंजस्य (embedding-space harmonization) के माध्यम से कई विशिष्ट सुदृढ़ मॉडल विशेषज्ञों को एकीकृत करता है।

मूल लेखक: Nguyen Duc Thai, Junhao Dong, Sua Qi Rong, Hua Yu, Yew-Soon Ong

प्रकाशित 2026-07-31

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nguyen Duc Thai, Junhao Dong, Sua Qi Rong, Hua Yu, Yew-Soon Ong

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 आपका एक सुपर-स्मार्ट रोबोट दोस्त है जो किसी तस्वीर को देखकर तुरंत बता सकता है कि वह क्या है, या यहाँ तक कि उसके बारे में एक कविता भी लिख सकता है। यह रोबोट, जिसे विजन-लैंग्वेज मॉडल (VLM) कहा जाता है, इसलिए अद्भुत है क्योंकि यह चित्रों और शब्दों दोनों को एक साथ समझता है। लेकिन किसी भी बुद्धिमान बच्चे की तरह, इस रोबोट की एक कमजोरी भी है: इसे आसानी से धोखा दिया जा सकता है। यदि कोई किसी तस्वीर में "शोर" (noise) का एक छोटा सा, अदृश्य कण जोड़ देता है—जैसे कि कुछ पिक्सेल को बस एक बाल के बराबर खिसका देना—तो रोबोट अचानक एक पांडा को टोस्टर या बिल्ली को कार समझ सकता है। इसे "एडवर्सरियल अटैक" (adversarial attack) कहा जाता है, और यह एक बड़ी समस्या है क्योंकि हम चाहते हैं कि हमारे रोबल्स वास्तविक दुनिया में सुरक्षित और भरोसेमंद हों।

इसे ठीक करने के लिए, वैज्ञानिक रोबोट को इन चालाक तस्वीरों के साथ अभ्यास करने के लिए प्रशिक्षित कर रहे हैं, जिसे "एडवर्सरियल ट्रेनिंग" (adversarial training) कहा जाता है। इसे ऐसे समझें जैसे एक मार्शल आर्ट्स का छात्र पंचों को रोकने के लिए सीखना सीखने के लिए अपने साथी के साथ अभ्यास (sparring) करता है। यह शोध पत्र जो आप पढ़ने जा रहे हैं, एक दिलचस्प खोज की खोज करता है: रोबोट को ब्लॉक करना सिखाने का केवल एक ही तरीका नहीं है। कुछ शिक्षक विशिष्ट शब्दों को पहचानने (शब्दों को याद करने) पर ध्यान केंद्रित करते हैं, जबकि अन्य संतुलन बनाए रखने (तस्वीर की विशेषताओं को स्थिर रखने) पर ध्यान केंद्रित करते हैं। समस्या यह है कि एक छात्र जो चालों को याद करने में बहुत अच्छा है, वह गिर सकता है यदि लड़ाई बदल जाए, और एक छात्र जो संतुलन बनाए रखने में बहुत अच्छा है, वह चालों के विशिष्ट नाम भूल सकता है। यह शोध पत्र एक सरल लेकिन शक्तिशाली प्रश्न पूछता है: क्या होगा यदि हम दोनों दुनियाओं का सर्वश्रेष्ठ प्राप्त कर सकें?

दो विशेषज्ञों की कहानी और जादुय गोंद

AI सुरक्षा की दुनिया में, शोधकर्ता विजन-लैंग्वेज मॉडल्स को हमलों के खिलाफ अधिक मजबूत बनाने के लिए "विशेषज्ञों" को प्रशिक्षित कर रहे हैं। लेकिन यहाँ एक पेच है: ये विशेषज्ञ थोड़े विशेष एथलीटों की तरह हैं। एक प्रकार के विशेषज्ञ, जिन्हें हम "वर्ड-विज़" (Word-Whizzes) कह सकते हैं, विशिष्ट टेक्स्ट विवरणों के साथ चित्रों को मिलाने में बहुत अच्छे हो जाते हैं। यदि आप उन्हें पांडा की तस्वीर दिखाते हैं और पूछते हैं, "क्या यह पांडा है?", तो वे बहुत मजबूत होते हैं। लेकिन यदि आप उन्हें एक नए जानवर की तस्वीर दिखाते हैं जिसे उन्होंने पहले कभी नहीं देखा है, तो वे लड़खड़ा सकते हैं क्योंकि वे उस टेक्स्ट पर बहुत अधिक निर्भर करते हैं जिसे उन्होंने याद किया है।

दूसरे प्रकार के, "स्टेडी-हैंड्स" (Steady-Hands), तस्वीर को खुद वैसा ही बनाए रखने पर ध्यान केंद्रित करते हैं, भले ही कोई इसे बिगाड़ने की कोशिश करे। वे नए, अनदेखे जानवरों को संभालने में बहुत अच्छे हैं क्योंकि वे विशिष्ट शब्दों की उतनी परवाह नहीं करते; वे बस जानते हैं कि "बिल्ली जैसी आकृति" कैसी दिखती है। हालाँकि, वे परिचित जानवरों के लिए टेक्स्ट संकेतों का उपयोग करने में उतने तेज नहीं हैं।

एक लंबे समय तक, वैज्ञानिकों ने इसे एक विशेषज्ञ को प्रशिक्षित करने, फिर दूसरे को प्रशिक्षित करने और फिर अंत में उन्हें आपस में मिलाने की कोशिश करके हल करने का प्रयास किया। लेकिन यह दो अलग-अलग प्रकार की मिट्टी को तब जोड़ने की कोशिश करने जैसा था जब वे अभी भी गीली थीं; वे आपस में खिंचते रहते थे, या अंतिम परिणाम एक गंदा ढेर होता था जो किसी भी चीज़ में अच्छा नहीं था।

CARE से परिचय: सहयोगात्मक कोच

इस शोध पत्र के लेखक, एनगुयेन डुक थाई (Nguyen Duc Thai) और उनकी टीम ने कुछ अलग करने का निर्णय लिया। एक विशेषज्ञ को और फिर दूसरे को प्रशिक्षित करने के बजाय, उन्होंने CARE (एम्बेडिंग अलाइनमेंट का उपयोग करके सहयोगात्मक एडवर्सरियल रोबस्टनेस फाइन-ट्यूनिंग) नामक एक ढांचा बनाया। CARE को एक शानदार कोच के रूप में सोचें जो "वर्ड-विज़" और "स्टेडी-हैंड" को एक ही जिम में रखता है और उन्हें साथ-साथ अभ्यास करने के लिए कहता है।

यहाँ जादू कैसे होता है:

वार्म-अप साझा करना: इससे पहले कि विशेषज्ञ अपने विशिष्ट अभ्यास शुरू करें, वे एक "यूनिवर्सल परटर्बेशन" (universal perturbation) साझा करते हैं। कल्पना करें कि वे दोनों समस्या का अहसास करने के लिए एक ही थोड़ी विकृत तस्वीर को देखते हैं। यह उन्हें एक ही धरातल पर शुरू करने में मदद करता है।
विशेष ड्रिल: "वर्ड-विज़" विकृत तस्वीर को सही टेक्स्ट के साथ मिलाने का अभ्यास करता है। "स्टेडी-हैंड" यह सुनिश्चित करने का अभ्यास करता है कि तस्वीर अपना आकार बहुत अधिक न बदले।
सीक्रेट हैंडशेक (हारमोनाइजेशन): यह सबसे महत्वपूर्ण हिस्सा है। प्रशिक्षण के दौरान, कोच उन्हें एक-दूसरे से बात करने के लिए मजबूर करता है। "वर्ड-विज़" "स्टेडी-हैंड" को बताता है, "हे, देखो मैं टेक्स्ट को कैसे मैच कर रहा हूँ!" और "स्टेडी-हैंड" कहता है, "हे, देखो मैं तस्वीर को स्थिर कैसे रख रहा हूँ!" वे वास्तविक समय में यह ज्ञान साझा करते हैं। यह उन्हें एक-दूसरे से बहुत दूर जाने से रोकता है और यह सुनिश्चित करता है कि वे दोनों एक-दूसरे की ताकत से सीखें।
अंतिम विलय: दिन के अंत में, कोच उनके दिमाग को एक सुपर-एक्सपर्ट में मिला देता है। यह नया मॉडल केवल एक मिश्रण नहीं है; यह एक एकीकृत मस्तिष्क है जो शब्दों को मैच करना और तस्वीरों को स्थिर रखना दोनों जानता है।

उन्होंने क्या पाया

टीम ने ImageNet नामक एक प्रसिद्ध डेटासेट और कई अन्य कठिन चित्र सेटों पर इस नए तरीके का परीक्षण किया। परिणाम काफी शानदार थे।

विशेषज्ञों को पछाड़ना: नया CARE मॉडल अकेले "वर्ड-विज़" से बेहतर था और अकेले "स्टेडी-हैंड" से भी बेहतर था। वास्तव में, जब हमले मजबूत थे (परटर्बेशन साइज $\epsilon = 4/255$ के साथ), CARE ने "वर्ड-विज़" (TeCoA) से लगभग 2% और "स्टेडी-हैंड" (FARE) से लगभग 8% बेहतर प्रदर्शन किया।
अनजान को संभालना: CARE मॉडल न केवल ज्ञात जानवरों में बेहतर हुआ; बल्कि यह नए जानवरों का अनुमान लगाने में भी बेहतर हुआ। "स्टेडी-हैंड" आमतौर पर नई चीजों में जीतता है, और "वर्ड-विज़" आमतौर पर ज्ञात चीजों में जीतता है। CARE दोनों में सर्वश्रेष्ठ होने में सफल रहा।
वास्तविक दुनिया के कार्य: उन्होंने चित्रों के लिए कैप्शन लिखने और उन पर प्रश्न पूछने जैसे कार्यों पर भी परीक्षण किया। यहाँ तक कि जब चित्रों पर हमला किया गया था, तब भी CARE अन्य तरीकों की तुलना में सही उत्तर अधिक बार दे सका। उदाहरण के लिए, एक परीक्षण में जहाँ उन्हें एक तस्वीर में "हॉट डॉग" की पहचान करनी थी, CARE ने हमले के बावजूद सही ढंग से "हॉट डॉग" कहा, जबकि अन्य भ्रमित हो गए।

महान होने की कीमत

बेशक, इस टीम वर्क की एक कीमत चुकानी पड़ती है। एक साथ दो विशेषज्ञों को प्रशिक्षित करने के लिए अधिक कंप्यूटर पावर की आवश्यकता होती है। शोध पत्र नोट करता है कि CARE को प्रशिक्षित करने में एक विशेषज्ञ को प्रशिक्षित करने की तुलना में लगभग 1.5 गुना अधिक समय लगता है (83 घंटे बनाम 48-50 घंटे) और अधिक मेमोरी (52.6 GB बनाम 25-29 GB) का उपयोग होता है। हालाँकि, लेखक सुझाव देते हैं कि कुछ चतुर इंजीनियरिंग के साथ, जैसे कि उपयोग किए जाने के तुरंत बाद अस्थायी डेटा को हटाना, वे मेमोरी उपयोग को प्रबंधनीय रख सकते हैं।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि पुराना सोचने का तरीका—एक रणनीति चुनना और उस पर टिके रहना—बहुत सीमित हो सकता है। विभिन्न प्रकार के AI विशेषज्ञों को एक-दूसरे की ताकत से सहयोग करने और सीखने देने से, हम ऐसे मॉडल बना सकते हैं जो धोखा देने में बहुत कठिन हैं। लेखक यह दावा नहीं करते कि यह सभी AI सुरक्षा समस्याओं का अंतिम समाधान है, लेकिन वे दिखाते हैं कि यह "सहयोगात्मक" दृष्टिकोण एक बहुत ही आशाजनक दिशा है। यह एक याद दिलाता है कि कभी-कभी, वास्तव में मजबूत होने के लिए, आपको केवल मजबूत होने की आवश्यकता नहीं होती; आपको दूसरों के साथ काम करने में सक्षम होने की आवश्यकता होती है।

तकनीकी सारांश: विजन-लैंग्वेज मॉडल्स में एडवर्सरियलली रोबस्ट मॉडल एक्सपर्ट्स का एकीकरण

समस्या विवरण
विजन-लैंग्वेज मॉडल्स (VLMs), जैसे कि CLIP, एडवर्सरियल हमलों के प्रति अत्यधिक संवेदनशील हैं, जहाँ अदृश्य गड़बड़ी (perturbations) भविष्यवाणियों को नाटकीय रूप से बदल सकती है। जबकि एडवर्सरियल फाइन-ट्यूनिंग एक प्राथमिक रक्षा रणनीति है, मौजूदा विधियाँ आमतौर पर विशिष्ट और अक्सर परस्पर विरोधी विशेषताओं वाले "रोबस्ट मॉडल एक्सपर्ट्स" उत्पन्न करती हैं। विशेष रूप रूप से, यह शोध पत्र दो प्रमुख फाइन-ट्यूनिंग दर्शनों की पहचान करता है:

इमेज-टेक्स्ट अलाइनमेंट एक्सपर्ट्स (जैसे, TeCoA): ये साझा एम्बेडिंग स्पेस पर निर्भर करते हैं ताकि प्रशिक्षण को निर्देशित किया जा सके, जिससे इमेज और टेक्स्ट प्रॉम्प्ट्स के बीच अलाइनमेंट को अधिकतम किया जा सके। वे सीखे गए क्लास नामों पर अच्छा प्रदर्शन करते हैं लेकिन अनदेखी श्रेणियों (unseen classes) या नए टेक्स्ट प्रॉम्प्ट्स पर मजबूती बनाए रखने में संघर्ष करते हैं।
इमेज-इनवेरिएंस एक्सपर्ट्स (जैसे, FARE): ये क्लीन और एडवर्सरियल इमेज एम्बेडिंग्स के बीच की दूरी को कम करके विजुअल रिप्रजेंटेशन्स को संरक्षित करने पर ध्यान केंद्रित करते हैं। वे अनदेखे डेटासेट्स पर बेहतर सामान्यीकरण (generalize) करते हैं, लेकिन अक्सर ज्ञात श्रेणियों पर खराब प्रदर्शन करते हैं क्योंकि वे स्पष्ट रूप से साझा इमेज-टेक्स्ट रिप्रजेंटेशन का लाभ नहीं उठाते हैं।

मुख्य चुनौती यह है कि ये एक्सपर्ट्स अपने अलग-अलग ऑप्टिमाइज़ेशन उद्देश्यों के कारण प्रशिक्षण के दौरान अलग हो जाते हैं, जिससे उन्हें बाद में मर्ज करना अस्थिर हो जाता है। मॉडल्स को संयोजित करने के पिछले प्रयासों में स्थिरता बनाए रखने के लिए आवधिक पैरामीटर ओवरराइटिंग (periodic parameter overwriting) की आवश्यकता होती है, जो व्यक्तिगत एक्सपर्ट्स के अन्वेषण और विशेषज्ञता को सीमित करता है।

कार्यप्रणाली: CARE फ्रेमवर्क
लेखक CARE (एम्बेडिंग अलाइनमेंट का उपयोग करके कोलाबोरेटिव एडवर्सरियल रोबस्टनेस फाइन-ट्यूनिंग) प्रस्तावित करते हैं, जो एक ऐसा फ्रेमवर्क है जो कई एक्सपर्ट मॉडल्स को एक साथ प्रशिक्षित करता है और विचलन (divergence) को रोकने के लिए ज्ञान के आदान-प्रदान की सुविधा प्रदान करता है। यह फ्रेमवर्क दो विशिष्ट एक्सपर्ट्स को एकीकृत करता है: एक अलाइनमेंट एक्सपर्ट (TeCoA पर आधारित) और एक इनवेरिएंस एक्सपर्ट (FARE पर आधारित)।

CARE प्रक्रिया चार चरणों से मिलकर बनी है:

यूनिवर्सल पर्टर्बेशन इनिशियलाइजेशन (GAIP): प्रत्येक एक्सपर्ट के लिए स्वतंत्र रैंडम नॉइज़ उत्पन्न करने के बजाय, CARE एक ग्लोबल एडवर्सरियल पर्टर्बेशन इनिशियलाइजेशन प्रोसेस (GAIP) का उपयोग करता है। यह एक साझा यूनिवर्सल पर्टर्बेशन बनाता है जो अलाइनमेंट एक्सपर्ट के साथ पर्टर्बड लॉजिट्स (perturbed logits) को और इनवेरिएंस एक्सपर्ट के साथ इमेज एम्बेडिंग्स को नेगेटिव कोसाइन सिमिलैरिटी का उपयोग करके अलाइन करता है। यह एडवर्सरियल जनरेशन के लिए एक सुसंगत शुरुआती बिंदु सुनिश्चित करता है।
स्वतंत्र एडवर्सरियल जनरेशन: प्रत्येक एक्सपर्ट अपने विशिष्ट एडवर्सरियल सैंपल को इनिशियलाइज्ड पर्टर्बेशन का उपयोग करके उत्पन्न करता है। अलाइनमेंट एक्सपर्ट क्रॉस-एन्ट्रॉपी (CE) लॉस का उपयोग करता है, जबकि इनवेरिएंस एक्सपर्ट $L_2$ -डिस्टेंस लॉस का उपयोग करता है।
एक्सपर्ट हारमोनाइजेशन: यह मुख्य नवाचार है। एक्सपर्ट्स को अलग होने से रोकने के लिए, एक एम्बेडिंग-स्पेस हारमोनाइजेशन मैकेनिज्म लागू किया जाता है।
- इनवेरिएंस एक्सपर्ट अपने क्लीन लॉजिट्स (जिन्हें वह सामान्यतः ऑप्टिमाइज़ नहीं करता) को अलाइनमेंट एक्सपर्ट के लॉजिट्स के साथ अलाइन करता है।
- अलाइनमेंट एक्सपर्ट अपने क्लीन इमेज एम्बेडिंग्स को इनवेरिएंस एक्सपर्ट के एम्बेडिंग्स के साथ अलाइन करता है।
- सैद्धांतिक विश्लेषण (थ्योरम 1) सुझाव देता है कि इन सहायक लॉस के लिए कोसाइन सिमिलैरिटी का उपयोग करने से एक मोमेंटम टर्म के रूप में कार्य होता है, जो एक्सपर्ट्स को एक-दूसरे की ओर खींचता है और उनकी व्यक्तिगत विशेषज्ञता से समझौता किए बिना प्रशिक्षण को स्थिर करता है।
नॉलेज जनरलाइजेशन: अंत में, दो एक्सपर्ट्स के एक्सपोनेंशियल मूविंग एवरेज (EMA) का उपयोग करके एक वेटिंग फैक्टर $\gamma$ के साथ एकीकृत मॉडल ( $\theta_{CARE}$ ) के पैरामीटर्स को अपडेट किया जाता है।

प्रमुख योगदान

एकीकृत फ्रेमवर्क: CARE का प्रस्ताव, जो कई एडवर्सरियल रोबस्ट एक्सपर्ट्स को बनाए रखता है और उनके सीखे गए ज्ञान को एक एकल मॉडल में एकीकृत करता है, जो विशेषज्ञता वाले मॉडल्स को मर्ज करने की अस्थिरता को संबोधित करता है।
हारमोनाइजेशन मैकेनिज्म: एक एम्बेडिंग-स्पेस हारमोनाइजेशन लॉस का परिचय जो एक्सपर्ट्स के बीच ज्ञान के आदान-प्रदान को सक्षम बनाता है। यह मॉडल को पूरक मजबूती गुणों (दोनों इमेज-टेक्स्ट अलाइनमेंट और इमेज इनवेरिएंस) को सीखने की अनुमति देता है, जिसके लिए विघटनकारी पैरामीटर ओवरराइटिंग की आवश्यकता नहीं होती है।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक प्रयोग जो दर्शाते हैं कि CARE इन-डिस्ट्रीब्यूशन इमेज क्लासिफिकेशन और जीरो-शॉट डाउनस्ट्रीम विजन-लैंग्वेज कार्यों पर व्यक्तिगत रूप से प्रशिक्षित एक्सपर्ट्स (TeCoA और FARE) से बेहतर प्रदर्शन करता है।

परिणाम
लेखकों ने ImageNet-1K और 13 अतिरिक्त जीरो-शॉट डेटासेट्स के साथ-साथ इमेज कैप्शनिंग (COCO, Flickr30k) और विजुअल क्वेश्चन अनswering (TextVQA, VQAv2) जैसे डाउनस्ट्रीम कार्यों पर CARE का मूल्यांकन किया।

इमेज क्लासिफिकेशन: CARE ने लगातार TeCoA और FARE दोनों को पछाड़ दिया। मजबूत एडवर्सरियल हमलों ( $\epsilon = 4/255$ ) के तहत, CARE ने औसतन TeCoA से लगभग 2% और FARE से लगभग 8% बेहतर प्रदर्शन किया। विशेष रूप से, CARE ने इन-डिस्ट्रीब्यूशन डेटा पर TeCoA की स्थिरता को विरासत में प्राप्त किया और साथ ही अनदेखी श्रेणियों पर FARE की सामान्यीकरण क्षमताओं को भी बनाए रखा।
डाउनस्ट्रीम टास्क: इमेज कैप्शनिंग और VQA कार्यों में, CARE ने अधिकांश सेटिंग्स में सर्वश्रेष्ठ रोबस्ट सटीकता प्राप्त की। जबकि FARE ने क्लीन डेटा (इसके इनवेरिएंस स्वभाव के कारण) पर मजबूत प्रदर्शन दिखाया, CARE ने एडवर्सरियल पर्टर्बेशन्स के खिलाफ बेहतर मजबूती प्रदान की, और डाउनस्ट्रीम मॉडल्स (LLaVA) में उपयोग किए जाने वाले विभिन्न टेक्स्ट एनकोडर तक अलाइनमेंट नॉलेज को सफलतापूर्वक ट्रांसफर किया।
गुणात्मक विश्लेषण (Qualitative Analysis): t-SNE विज़ुअलाइज़ेशन ने दिखाया कि CARE ने अच्छी तरह से परिभाषित सीमाओं वाले कॉम्पैक्ट क्लस्टर्स का निर्माण किया, जो TeCoA के उच्च प्रसार (high spread) और FARE के विखंडन (fragmentation) का संयोजन है। गुणात्मक कैप्शनिंग और VQA परिणामों ने प्रदर्शित किया कि CARE हमले के तहत भी सुसंगत और सही आउटपुट बनाए रखता है, जबकि अन्य मॉडल्स अक्सर हैल्यूसिनेशन या गलत उत्तर उत्पन्न करते हैं।

महत्व और दावे
शोध पत्र का दावा है कि मॉडल्स के बीच कोलाबोरेटिव लर्निंग, VLMs में एडवर्सरियल रोबस्टनेस में सुधार के लिए एक आशाजनक दिशा है। CARE का महत्व इन-डिस्ट्रीब्यूशन सटीकता और जीरो-शॉट जनरलाइजेशन के बीच के ट्रेड-ऑफ को दूर करने की इसकी क्षमता में निहित है। एक्सपर्ट्स को एम्बेडिंग अलाइनमेंट के माध्यम से सामंजस्यपूर्ण बनाकर, CARE एक एकीकृत मॉडल बनाता है जो विभिन्न एडवर्सरियल ट्रेनिंग रणनीतियों की पूरक शक्तियों को विरासत में प्राप्त करता है। लेखक नोट करते हैं कि हालांकि इस पद्धति के लिए अतिरिक्त कंप्यूटेशनल संसाधनों (कई मॉडल्स को प्रशिक्षित करना) की आवश्यकता होती है, इंजीनियरिंग अनुकूलन जैसे कि साझा पर्टर्बेशन इनिशियलाइजेशन और मेमोरी मैनेजमेंट इन लागतों को कम करते हैं। यह कार्य सुझाव देता है कि भविष्य के शोध को ऐसे कोलाबोरेटिव तरीकों का अन्वेषण करना चाहिए जो इमेज एम्बेडिंग्स और क्लास लॉजिट्स के बीच की विषमता (asymmetry) को ध्यान में रखते हों, क्योंकि वर्तमान अलाइनमेंट प्रक्रिया ने दिखाया कि यदि सावधानीपूर्वक संतुलित न किया जाए तो दोनों को ऑप्टिमाइज़ करने से हमेशा बेहतर मॉडल प्राप्त नहीं होता है।

दो विशेषज्ञों की कहानी और जादुय गोंद

CARE से परिचय: सहयोगात्मक कोच

उन्होंने क्या पाया

महान होने की कीमत

निष्कर्ष

इसी तरह के और पेपर