🤖 machine learning

Hyperbolic Multimodal Continual Learning

यह शोध पत्र क्रॉस-मोडल अपरिवर्तनीयता (cross-modal invariance) के माध्यम से विस्मृति को रोकने के लिए एक सैद्धांतिक आधार स्थापित करके और एक ऐसे सिद्धांतबद्ध ढांचे का प्रस्ताव देकर हाइपरबोलिक मल्टीमॉडल स्पेस में निरंतर सीखने (continual learning) की अल्प-अन्वेषित चुनौतियों को संबोधित करता है जो रिलेशनल संरचना और पदानुक्रमित ज्यामिति (hierarchical geometry) दोनों को संरक्षित करता है।

मूल लेखक: Jiahong Liu, Ming Shen, Xiaohao Liu, Rex Ying, Menglin Yang, Tat-Seng Chua, Irwin King

प्रकाशित 2026-08-11

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiahong Liu, Ming Shen, Xiaohao Liu, Rex Ying, Menglin Yang, Tat-Seng Chua, Irwin King

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 दुनिया को समझना सिखाने की कोशिश कर रहे हैं। अभी, अधिकांश रोबोट चित्रों को देखकर और शब्दों को पढ़कर सीखते हैं, और फिर उन्हें आपस में मिलाने की कोशिश करते हैं। वे आमतौर पर इसे एक "सपाट" मानसिक स्थान में करते हैं, जैसे कि ग्राफ पेपर की एक विशाल, अनंत चादर। इस सपाट कागज पर, सब कुछ सिर्फ एक बिंदु है, और दो बिंदुओं के बीच की दूरी रोबोट को बताती है कि वे एक-दूसरे के कितने समान हैं। लेकिन वास्तविक दुनिया सपाट नहीं है; यह परतों से भरी है। एक "कुत्ता" एक विशेष प्रकार का "जानवर" है, जो कि एक प्रकार का "जीवित प्राणी" है। इस तरह का पदानुक्रम (hierarchy)—जहाँ बड़े, सामान्य विचार शीर्ष पर स्थित होते हैं और छोटे, विशिष्ट विवरण नीचे की ओर शाखाओं की तरह निकलते हैं—इसे सपाट कागज पर बिना सब कुछ कुचले या अस्त-व्यस्त किए बनाना कठिन है।

इस समस्या को ठीक करने के लिए, वैज्ञानिकों ने "हाइपरबोलिक स्पेस" (hyperbolic space) नामक एक अलग प्रकार की ज्यामिति का उपयोग करना शुरू कर दिया है। इसे एक सपाट चादर के रूप में नहीं, बल्कि एक विशाल, फैलते हुए कोरल रीफ (coral reef) या एक फनल (funnel) के रूप में सोचें जो दूर जाने पर चौड़ा होता जाता है। इस आकार में, आप भारी मात्रा में जटिल, स्तरित जानकारी को बिना भीड़भाड़ के फिट कर सकते हैं। यह विचारों को व्यवस्थित करने के लिए एकदम सही है: सबसे सामान्य (जैसे "जानवर" केंद्र के पास) से लेकर सबसे विशिष्ट (जैसे "थका हुआ गोल्डन रिट्रीवर" बिल्कुल किनारे पर) तक। लेकिन पेचीदा बात यह है कि जब रोबोट समय के साथ नई चीजें सीखता है तो क्या होता है? यदि आप इस कोरल रीफ में नए सबक जोड़ते रहते हैं, तो पूरा आकार मुड़ और बिगड़ सकता है, जिससे रोबोट कल सीखी हुई हर चीज़ को भूल सकता है। इसे "कैटास्ट्रोफिक फॉरगेटिंग" (catastrophic forgetting) कहा जाता है, और यह एक स्मार्ट, निरंतर सीखने वाले AI बनाने के लिए एक बहुत बड़ी समस्या है।

यह शोध पत्र ठीक इसी समस्या को संबोधित करता है। शोधकर्ता, जियाहोंग लियू और उनकी टीम ने पूछा: "हम इस घुमावदार, कोरल जैसे संसार में आकार को बिगाड़े बिना और पुरानी यादों को खोए बिना रोबोट को नई चीजें कैसे सिखा सकते हैं?" उन्होंने खोजा कि रोबोट को नई चीजें सिखाने के लिए, आप उसके मस्तिष्क को अपनी मर्जी से अपडेट नहीं कर सकते। इसके बजाय, आपको उसके ज्ञान को बहुत विशिष्ट, कठोर तरीकों से स्थानांतरित करना होगा जो कोरल रीफ के आकार को बरकरार रखते हैं। उन्होंने HMCL (Hyperbolic Multimodal Continual Learning) नामक एक नई विधि बनाई है जो एक सख्त वास्तुकार (architect) की तरह काम करती है, यह सुनिश्चित करती है कि प्रत्येक नया सबक मौजूदा संरचना में बिना किसी विकृति के पूरी तरह से फिट हो जाए। उनके प्रयोगों से पता चलता है कि यह विधि पुराने तरीकों की तुलना में बहुत बेहतर काम करती है, जिससे रोबोट की भूलने की क्षमता में भारी कमी आती है—कुछ मामलों में 88% तक कम भूलना—जबकि यह उसे प्रभावी ढंग से नए कार्य सीखने भी देती है।

घुमावदार मस्तिष्क की कहानी

सेटअप: एक फनल में सीखता हुआ रोबोट
कल्पना कीजिए कि आप एक रोबोट के लिए एक पुस्तकालय बना रहे हैं। अधिकांश पुस्तकालय सपाट फर्शों पर बने होते हैं, जहाँ किताबें बस पंक्तियों में रखी जाती हैं। लेकिन हमारे रोबोट का पुस्तकालय एक विशाल, जादुई फनल (वही हाइपरबोलिक स्पेस) के अंदर बना है। इस फनल में, सबसे महत्वपूर्ण, सामान्य पुस्तकें (जैसे "विज्ञान" या "कला") संकीर्ण शीर्ष के पास स्थित होती हैं, और जैसे-जैसे आप नीचे और बाहर की ओर जाते हैं, अलमारियाँ लाखों विशिष्ट पुस्तकों (जैसे "क्वांटम फिजिक्स" या "इंप्रेशनिस्ट पेंटिंग") को रखने के लिए फैलती जाती हैं। यह आकार अद्भुत है क्योंकि यह रोबोट को देखने देता है कि सब कुछ कैसे जुड़ता है: एक विशिष्ट पुस्तक हमेशा अपनी सामान्य श्रेणी के "नीचे" होती है।

रोबोट चित्रों को देखकर और पाठ को पढ़कर सीखता है, और इस फनल में उन्हें आपस में मिलाने की कोशिश करता है। लेकिन जीवन रुकता नहीं है। हर दिन नई किताबें आती हैं। रोबोट को उन्हें एक-एक करके सीखना होता है, बिना पुरानी किताबों को दोबारा देखे। यह "निरंतर सीखना" (continual learning) है।

समस्या: फनल का मुड़ना
यहाँ वह आपदा आती है जो आमतौर पर होती है। जब रोबोट एक नई किताब सीखने की कोशिश करता है, तो वह जगह बनाने के लिए अलमारियों को धकेलता है। एक सामान्य, सपाट पुस्तकालय में, यह ठीक है। लेकिन हमारे जादुई फनल में, अलमारियों को धकेलने से पूरे भवन का आकार बदल जाता है। "विज्ञान" वाला हिस्सा दब सकता है, या "कला" वाला हिस्सा बहुत अधिक खिंच सकता है।

चूंकि रोबोट की स्मृति पूरी तरह से यह जानने के लिए फनल के आकार पर निर्भर करती है कि चीजें क्या हैं, इसलिए जब आकार बदलता है, तो रोबोट भ्रमित हो जाता है। वह कुत्ते की तस्वीर देख सकता है और अचानक उसे बिल्ली समझ सकता है, या भूल सकता है कि "पूडल" एक प्रकार का "कुत्ता" है। पुराना ज्ञान केवल धुंधला नहीं होता; वह विकृत और टूट जाता है। शोधकर्ता इसे "कैटास्ट्रोफिक फॉरगेटिंग" कहते हैं, और यह ऐसा है जैसे रोबोट हर बार कुछ नया सीखने पर एम्नेसिया (स्मृति लोप) के साथ जागता है।

खोज: गति का स्वर्णिम नियम
टीम को एहसास हुआ कि फनल के टूटने का कारण यह था कि रोबोट गलत दिशाओं में अपने ज्ञान को हिला रहा था। उन्होंने एक गहरा सवाल पूछा: "किस प्रकार की गति फनल के आकार को एकदम सही बनाए रखती है?"

उन्हें एक आश्चर्यजनक उत्तर मिला। आकार को सुरक्षित रखने के लिए, रोबोट को अपने ज्ञान को बेतरतीब ढंग से इधर-उधर नहीं हिलाना चाहिए। इसके बजाय, हर बार जब वह कुछ नया सीखता है, तो उसे अपने पूरे स्मृति ढांचे को एक बहुत ही विशिष्ट, समन्वित तरीके से घुमाना (rotate) पड़ता है। कल्पना कीजिए कि आप एक घूमते हुए ग्लोब को पकड़े हुए हैं। यदि आप मानचित्र को फटे बिना उसमें एक नया स्टिकर लगाना चाहते हैं, तो आपको पूरे ग्लोब को इस तरह घुमाना होगा कि स्टिकर मौजूदा ग्रिड में पूरी तरह फिट हो जाए। आप केवल रबर को खींच नहीं सकते।

पेपर यह सिद्ध करता है कि रोबोट के लिए सब कुछ याद रखने के लिए, उसे अपनी सभी स्मृतियों पर एक "साझा रोटेशन" (shared rotation) लागू करना चाहिए। इसका अर्थ है कि एक चित्र और उसके विवरण (जैसे कुत्ता और शब्द "कुत्ता") के बीच की दूरी बिल्कुल समान रहनी चाहिए, और पदानुक्रम (जानवर के नीचे कुत्ता) की गहराई भी बिल्कुल समान रहनी चाहिए। यदि रोबोट किसी अन्य तरीके से सीखने की कोशिश करता है, तो फनल टूट जाता है।

समाधान: HMCL
इस खोज के आधार पर, टीम ने HMCL नामक एक नई प्रशिक्षण विधि बनाई। HMCL को रोबोट के मस्तिष्क के एक सख्त बाउंसर के रूप में सोचें। हर बार जब रोबोट कोई नया कार्य सीखने की कोशिश करता है, तो HMCL प्रस्तावित परिवर्तनों की जाँच करता है।

"हे, तुम 'कुत्ता' श्रेणी को खींचने की कोशिश कर रहे हो? नहीं, इससे फनल टूट जाएगा!"
"तुम पूरी चीज़ को सही ढंग से घुमाने की कोशिश कर रहे हो? ठीक है, यह मान्य है।"

HMCL रोबोट को केवल ऐसे अपडेट करने के लिए मजबूर करता है जो इन सटीक रोटेशन की तरह कार्य करते हैं। यह केवल अनुमान नहीं लगाता; यह गणित का उपयोग करके उस सटीक दिशा की गणना करता है जहाँ रोबोट आकार को तोड़े बिना सीख सकता है। यह रोबोट को ऐसे प्रशिक्षण पहिए देने जैसा है जो उसे केवल उन दिशाओं में चलने देते हैं जो फनल की ज्यामिति को सुरक्षित रखते हैं।

परिणाम: कम विस्मृति, अधिक सीखना
टीम ने वास्तविक दुनिया के कार्यों जैसे जानवरों की पहचान करने या छवियों को वाक्यों से मिलाने के लिए विभिन्न प्रकार के रोबroid ब्रेन्स (जिन्हें बैकबोन कहा जाता है) पर इसका परीक्षण किया। उन्होंने अपनी नई HMCL विधि की तुलना पुराने तरीकों से की जिन्हें फनल के आकार का ज्ञान नहीं था।

परिणाम स्पष्ट थे। पुराने तरीके याद रखने में बहुत खराब थे। वे लगभग वह सब कुछ भूल गए जो उन्होंने पहले सीखा था, जिनका "भूलने का स्कोर" (forgetting score) बहुत नकारात्मक था (जैसे कि 0 के पूर्ण पैमाने पर -6.46)। लेकिन HMCL के साथ, भूलने की दर नाटकीय रूप से गिर गई। एक परीक्षण में, भूलने का स्कोर -6.46 से सुधरकर केवल -0.74 हो गया। यह भूलने में 88.5% की कमी है!

रोबोट ने न केवल बेहतर याद रखा; बल्कि उसने नई चीजों को तेजी से भी सीखा। क्योंकि फनल का आकार स्थिर रहा, रोबोट पूरे पुस्तकालय को ढहे बिना नई किताबें जोड़ना जारी रख सका। शोधकर्ताओं ने दिखाया कि यह विभिन्न प्रकार के रोबोटों और विभिन्न प्रकार के कार्यों के लिए भी काम करता है, जिससे सिद्ध होता है कि ज्यामिति को सही रखना ही एक स्मार्ट, निरंतर सीखने वाले AI का रहस्य है।

यह क्यों महत्वपूर्ण है
यह शोध पत्र केवल यह नहीं कहता कि "यह काम करता है।" यह बताता है कि यह क्यों काम करता है। यह हमें बताता है कि यदि हम चाहते हैं कि AI बिना अपना मानसिक संतुलन खोए हमेशा सीखता रहे, तो हम केवल उस पर डेटा नहीं फेंक सकते। हमें उसके ज्ञान के आकार का सम्मान करना होगा। रोबोट के मस्तिष्क को एक सपाट चादर के बजाय एक घुमावदार, फैलते हुए संसार के रूप में मानकर, और उसे उन दिशाओं में चलने के लिए मजबूर करके जो उस वक्र (curve) का सम्मान करती हैं, हम ऐसी मशीनें बना सकते हैं जो वास्तव में समय के साथ स्मार्ट होती जाती हैं, अपने अतीत को याद रखते हुए अपने भविष्य को अपनाती हैं।

=== तकनीकी सारांश: हाइपरबोलिक मल्टीमॉडल कॉन्टिनुअल लर्निंग (HMCL) ===

1. समस्या विवरण (Problem Statement)

मल्टीमॉडल कंट्रास्टिव लर्निंग (MCL) ने विषम डेटा स्रोतों (जैसे, चित्र और पाठ) को एक साझा प्रतिनिधित्व स्थान (shared representation space) के भीतर संरेखित करने के लिए एक प्रभावी प्रतिमान (paradim) स्थापित किया है। हालाँकि, मौजूदा दृष्टिकोण मुख्य रूप से इन प्रस्तुतियों को उच्च-आयामी यूक्लिडियन स्थानों (Euclidean spaces) में एम्बेड करते हैं, जो अंतर्निहित रूप से एक 'फ्लैट' ज्यामितीय संरचना की धारणा रखते हैं। यह धारणा मल्टीमॉडल अर्थशास्त्र (semantics) की अंतर्निहित पदानुक्रमित प्रकृति (hierarchical nature) को पकड़ने में विफल रहती है, जहाँ अमूर्त अवधारणाएँ विशिष्ट उदाहरणों को अपने भीतर समाहित करती हैं, जिससे असममित और आंशिक रूप से क्रमबद्ध संरचनाएँ बनती हैं।

जबकि हाइपरबोलिक ज्यामिति (Hyperbolic geometry) ऐसी पदानुक्रमों को एनकोड करने के लिए एक सिद्धांतपूर्ण स्थान प्रदान करती है (समानता के लिए जियोडेसिक दूरियों और पदानुक्रम के लिए एंटेलमेंट कोन्स के माध्यम से), मौजूदा हाइपरबोलिक मल्टीमॉडल मॉडल स्थिर शिक्षण धारणाओं के तहत विकसित किए गए हैं। वे कॉन्टिनुअल लर्निंग (CL) को ध्यान में नहीं रखते हैं, जहाँ नई कार्यों (tasks) के उभरने के साथ समय के साथ डेटा वितरण विकसित होता है। हाइपरबोलिक स्थानों में, मानक निरंतर अपडेट ज्यामितीय इनवेरियंट्स (geometric invariants) का उल्लंघन करते हैं, जिससे कैटास्ट्रॉफिक फॉरगेटिंग (catastrophic forgetting) होती है। विशेष रूप से, मानक अपडेट्स या तो अर्थ संबंधी समानता (जियोडेसिक दूरी) या अर्थ संबंधी पदानुक्रम (मूल बिंदु से दूरी) को विकृत कर देते हैं, जिससे पिछले कार्यों के दौरान सीखी गई संरचनाओं का पतन हो जाता है।

मुख्य चुनौती जिसका समाधान किया गया है वह है: हाइपरबोलिक मल्टीमॉडल प्रस्तुतियों में फॉरगेटिंग को रोकने के लिए पैरामीटर अपडेट के दौरान किन ज्यामितीय स्थितियों को संरक्षित किया जाना चाहिए?

2. कार्यप्रणाली: HMCL ढांचा (Methodology: The HMCL Framework)

यह शोध पत्र HMCL (Hyperbolic Multimodal Continual Learning) का प्रस्ताव करता है, जो प्रतिनिधित्व संरक्षण के ज्यामितीय विश्लेषण से प्राप्त एक सिद्धांतपूर्ण ढांचा है।

2.1 सैद्धांतिक आधार (Theoretical Foundations)

लेखक स्थापित करते हैं कि हाइपरबोलिक स्पेस में फॉरगेटिंग को रोकने के लिए पुराने-कार्य (t-1) के प्रस्तुतियों के लिए तीन ज्यामितीय संरक्षण शर्तों को पूरा करना आवश्यक है:

इंट्रा-मोडल संरक्षण (Intra-modal preservation): प्रत्येक मोडलिटी के भीतर लोरेंत्ज़ियन इनर प्रोडक्ट्स (Lorentzian inner products) को बनाए रखना।
इंटर-मोडल संरक्षण (Inter-modal preservation): मोडलिटीज के बीच लोरेंत्ज़ियन इनर प्रोडक्ट्स (क्रॉस-मोडल जुड़ाव) को बनाए रखना।
पदानुक्रमित संरक्षण (Hierarchical preservation): एम्बेडिंग्स के स्थानिक नॉर्म्स (मूल बिंदु से दूरी) को बनाए रखना, जो अर्थ संबंधी अमूर्तता के स्तर को एनकोड करते हैं।

थ्योरम 1 (ज्यामितीय लक्षण वर्णन): लेखक सिद्ध करते हैं कि ये तीन शर्तें तभी मान्य होती हैं जब कार्यों के बीच पुराने-कार्य के प्रस्तुतियों पर लागू होने वाला रूपांतरण एक साझा हाइपरबोलिक आइसोमेट्री (shared hyperbolic isometry) हो। विशेष रूप से, अपडेट को स्थानिक घटकों ($SO(d)$) के भीतर एक रोटेशन के रूप में कार्य करना चाहिए जबकि टाइम-लाइक (time-like) समन्वय को अपरिवर्तित छोड़ना चाहिए। इसका तात्पर्य यह है कि ज्ञान को संरक्षित करने के लिए, मॉडल को इस तरह से पैरामीटर अपडेट करने चाहिए कि पुराने एम्बेडिंग्स घूमें (rotate) लेकिन विकृत या रेडियली शिफ्ट न हों।

कोरोलरी 1 (प्रथम-क्रम पदानुक्रम संरक्षण): प्रथम क्रम पर, पदानुक्रम (स्थानिक नॉर्म) को संरक्षित करने के लिए यह आवश्यक है कि अपडेट वेक्टर $\Delta z$ वर्तमान एम्बेडिंग की स्थानिक दिशा के लंबवत हो ( $z_{[1:d]}^\top \Delta z_{[1:d]} = 0$ )। यह अनुकूल अपडेट्स को मैनिफोल्ड के टेंगेंट स्पेस तक सीमित करता है, जिससे टाइम-लाइक आयाम के साथ होने वाले ड्रिफ्ट को रोका जा सके।

2.2 स्वीकार्य पैरामीटर अपडेट (Admissible Parameter Updates)

इन थ्योरम्स के आधार पर, लेखक मॉडल में सीखने योग्य रूपांतरण परतों (लोरेंत्ज़ रूपांतरण परतें) के लिए एक क्लोज्ड-फॉर्म अपडेट नियम व्युत्पन्न करते हैं।

प्रतिबंध (Constraint): स्थानिक वेट मैट्रिक्स ( $\Delta W_s$ ) का अपडेट पुराने-कार्य के स्थानिक प्रस्तुतियों द्वारा स्पैन किए गए सबस्पेस के लंबवत होना चाहिए।
टाइम-लाइक इनवेरिएंस (Time-like Invariance): टाइम-लाइक वेट वेक्टर ( $\Delta w_0$ ) के अपडेट को शून्य होने के लिए प्रतिबंधित किया गया है।
कार्यान्वयन (एल्गोरिदम 1):
1. पुराने-कार्य के स्थानिक प्रस्तुतियों का एक लो-रैंक ऑर्थोनॉर्मल बेसिस $V$ (SVD या PCA के माध्यम से) कंप्यूट करें।
2. अनकन्स्ट्रेंड ग्रेडिएंट अपडेट $\delta_s$ को इस सबस्पेस के ऑर्थोगोनल कॉम्प्लीमेंट पर प्रोजेक्ट करें: $\Delta W_s = \delta_s (I - VV^\top)$ ।
3. $\Delta w_0 = 0$ सेट करें।
4. इस प्रोजेक्टेड दिशा का उपयोग करके पैरामीटर्स को अपडेट करें।

यह दृष्टिकोण कोई अतिरिक्त सीखने योग्य पैरामीटर पेश नहीं करता है और कार्यों की संख्या के सापेक्ष स्थिर मेमोरी ओवरहेड बनाए रखता है, क्योंकि इसे केवल पुराने-कार्य के सबस्पेस का कोवेरिएंस सारांश (covariance summary) की आवश्यकता होती है।

3. मुख्य योगदान (Key Contributions)

सैद्धांतिक आधार: शोध पत्र हाइपरबोलिक मल्टीमॉडल प्रस्तुतियों के लिए कॉन्टिनुअल लर्निंग का पहला ज्यामितीय अध्ययन प्रदान करता है। यह स्थापित करता है कि प्रतिनिधित्व संरक्षण के लिए एक साझा हाइपरबोलिक आइसोमेट्री के तहत क्रॉस-मोडल इनवेरिएंस की आवश्यकता होती है।
फॉरगेटिंग का ज्यामितीय विश्लेषण: यह पहचानता है कि इस सेटिंग में फॉरगेटिंग दो कारकों से प्रेरित है: सेमेंटिक रिलेशन ड्रिफ्ट (इंटर/इंट्रा-मोडल दूरियों का उल्लंघन) और पदानुक्रम-संबंधी विरूपण (रेडियल दूरियों का उल्लंघन)।
सिद्धांतपूर्ण ढांचा (HMCL): लेखक एक ज्यामिति-संगत अपडेट नियम व्युत्पन्न करते हैं जो आवश्यक ज्यामितीय संरचना (आइसोमेट्री और पदानुक्रम) को संरक्षित करने वाली दिशाओं तक पैरामीटर परिवर्तनों को सीमित करता है, जबकि नए कार्यों के अनुकूलन की अनुमति देता है।
अनुभवजन्य सत्यापन: ढांचे को विविध बेंचमार्क पर सत्यापित किया गया है, जो हाइपरपरबोलिक बैकबोन (MERU-L, MERU-B, और HyCoCLIP-B) के माध्यम से कैटास्ट्रॉफिक फॉरगेटिंग में महत्वपूर्ण कमी दिखाता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखक 15 डेटासेट्स (वर्गीकरण और क्रॉस-मोडल रिट्रीवल) वाले विविध मल्टीमॉडल बेंचमार्क पर HMCL का मूल्यांकन करते हैं।

प्रदर्शन सुधार: HMCL लगातार वैनिला (Vanilla), EWC, GEM, और C-FLAT जैसे बेसलाइन्स की तुलना में उच्चतम औसत सटीकता और रिट्रीवल प्रदर्शन (R@K) प्राप्त करता है। उदाहरण के लिए, MERU-L बैकबोन पर, HMCL ने वैनिला बेसलाइन की तुलना में समग्र प्रदर्शन मेट्रिक में +8.2% का सुधार किया।
फॉरगेटिंग में कमी: HMCL बैकवर्ड ट्रांसफर (BWT) के माध्यम से मापे गए कैटास्ट्रॉफिक फॉरगेटिंग को काफी हद तक कम करता है। MERU-L पर, वर्गीकरण BWT $-6.46$ (Vanilla) से सुधरकर $-0.74$ हो गया, जो फॉरगेटिंग में 88.5% की सापेक्ष कमी को दर्शाता है।
ड्रिफ्ट विश्लेषण: प्रतिनिधित्व ड्रिफ्ट (रेडियल, एंगुलर, क्रॉस-मोडल, और पेयर्ड-डिस्टेंस) का मात्रात्मक विश्लेषण दिखाता है कि HMCL मानक निरंतर प्रशिक्षण की तुलना में सभी चार प्रकार के ड्रिफ्ट को लगभग 60-74% तक कम करता है।
केस स्टडीज: गुणात्मक इमेज ट्रावर्सल्स दर्शाते हैं कि HMCL सेमेंटिक पदानुक्रम को संरक्षित करता है (जैसे, "hat" जैसे विशिष्ट अवधारणाओं से "fashion" जैसी सामान्य अवधारणाओं की ओर रूट की ओर जाना), जबकि बेसलाइन मॉडल अप्रासंगिक अवधारणाों में भटक जाते हैं, जो पदानुक्रमित संरचना के पतन का संकेत देते हैं।

5. महत्व और दावे (Significance and Claims)

शोध पत्र दावा करता है कि यह हाइपरबोलिक मल्टीमॉडल प्रस्तुतियों के लिए कॉन्टिनुअल लर्निंग का पहला व्यवस्थित अध्ययन प्रदान करता है। इसकी प्राथमिक महत्ता कॉन्टिनुअल लर्निंग के दृष्टिकोण को विशुद्ध रूप से एक ऑप्टिमाइज़ेशन समस्या से बदलकर एक ज्यामितीय समस्या में स्थानांतरित करने में निहित है।

लेखक तर्क देते हैं कि हाइपरबोलिक स्पेस में मानक कॉन्टिनुअल लर्निंग विधियाँ (जैसे EWC या GEM) अपर्याप्त हैं क्योंकि वे "ज्यामिति-अज्ञेयवादी" (geometry-agnostic) हैं; वे लोरेंत्ज़ मैनिफोल्ड में अंतर्निहित साझा क्रॉस-मोडल आइसोमेट्री या पदानुक्रम-संबंधी बाधाओं को स्पष्ट रूप से संरक्षित नहीं करती हैं। साझा हाइपरबोलिक आइसोमेट्री और पदानुक्रम-संबंधी बाधाओं को सख्ती से पालन करने वाले अपडेट नियमों को व्युत्पन्न करके, HMCL स्थिरता (पुराने ज्ञान को संरक्षित करना) और प्लास्टिसिटी (नए कार्यों को सीखना) के बीच एक ऐसा संतुलन प्राप्त करता है जिसे यूक्लिडियन-आधारित विधियाँ इस सेटिंग में दोहरा नहीं सकतीं।

कार्य इस निष्कर्ष के साथ समाप्त होता है कि प्रतिनिधित्व स्थान की ज्यामितीय संरचना को संरक्षित करना न केवल फायदेमंद है बल्कि स्थिर मल्टीमॉडल कॉन्टिनुअल लर्निंग के लिए आवश्यक भी है, जो उन प्रणालियों के लिए एक सिद्धांतपूर्ण मार्ग प्रदान करता है जहाँ डेटा वितरण समय के साथ विकसित होता है।