💻 जैव सूचना विज्ञान

MOSAIC: Learning Graph Node Embeddings from Spectrally Isolated Dominant Subspaces of Accumulated Diffusion Operators

MOSAIC एक अनसुपरवाइज्ड फ्रेमवर्क है जो क्रायलोव सबस्पेस विश्लेषण (Krylov subspace analysis) के माध्यम से संचित डिफ्यूजन ऑपरेटर्स के अभिसरण व्यवहार (convergence behavior) का विश्लेषण करके ग्राफ नोड एम्बेडिंग्स सीखता है, जो एक बड़े पैमाने के बायोमेडिकल नॉलेज ग्राफ पर प्रदर्शित होने के अनुसार, Node2Vec और GraphSAGE जैसे मौजूदा तरीकों की तुलना में नोड क्लासिफिकेशन और लिंक प्रेडिक्शन कार्यों में बेहतर प्रदर्शन प्राप्त करता है।

मूल लेखक: Mohseni Ahooyi, T., Stear, B., Zhang, Y., Lahiri, A., Terry, J., Zhang, S., Simmons, J. A., Corbett, R., Sullivan, P., Chinwalla, A., Nemarich, C., Rokita, J. L., Diskin, S., Silverstein, J. C., Taylo

प्रकाशित 2026-10-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mohseni Ahooyi, T., Stear, B., Zhang, Y., Lahiri, A., Terry, J., Zhang, S., Simmons, J. A., Corbett, R., Sullivan, P., Chinwalla, A., Nemarich, C., Rokita, J. L., Diskin, S., Silverstein, J. C., Taylor, D. M.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

आधुनिक जीव विज्ञान के विशाल, उलझे हुए जाल में, वैज्ञानिक अक्सर ज्ञान को एक मानचित्र की तरह देखते हैं। वे जानते हैं कि जीन (जीवन बनाने के निर्देश) और फेनोटाइप (अवलोकनीय लक्षण जैसे आंखों का रंग या बीमारी का जोखिम) गहराई से जुड़े हुए हैं। लेकिन ये संबंध केवल साधारण सूचियाँ नहीं हैं; वे एक जटिल नेटवर्क बनाते हैं जहाँ एक जीन कई लक्षणों को प्रभावित कर सकता है, और एक लक्षण कई जीनों द्वारा आकार ले सकता है। इसे समझने के लिए, शोधकर्ता 'ग्राफ एम्बेडिंग' नामक तकनीक का उपयोग करते हैं। कल्पना कीजिए कि आप हजारों आपस में जुड़े टुकड़ों से बनी एक विशाल, त्रि-आयामी (3D) मूर्ति को कागज की एक द्वि-आयामी (2D) शीट पर समतल कर रहे हैं। लक्ष्य इसे इस तरह करने का है कि मूर्ति का आकार न खो जाए, ताकि जो टुकड़े 3D दुनिया में एक-दूसरे के करीब थे, वे कागज पर भी करीब ही रहें। यह समतल किया गया संस्करण कंप्यूटरों को पैटर्न देखने, समान वस्तुओं को समूह में रखने और गायब कड़ियों की भविष्यवाणी करने में सक्षम बनाता है, जिससे डेटा के एक अराजक ढेर को एक स्पष्ट, उपयोगी चित्र में बदल दिया जाता है।

वर्षों तक, इन जैविक मानचित्रों को समतल करने का मानक तरीका एक गणितीय नियम पर निर्भर था जो नेटवर्क में सबसे शक्तिशाली संकेतों को प्राथमिकता देता था। यह एक भीड़ भरे कमरे में सुनने जैसा था जहाँ आप केवल उन शब्दों को लिखते थे जो सबसे तेज़ चिल्लाने वाले लोगों द्वारा बोले गए थे, यह मानकर कि आवाज़ का स्तर ही महत्व के बराबर है। हालाँकि, एक जटिल नेटवर्क में, सबसे महत्वपूर्ण जानकारी हमेशा सबसे तेज़ नहीं होती है। कभी-कभी, सबसे उपयोगी सुराग उन संकेतों में छिपे होते हैं जो स्थिर, विशिष्ट और शोर से अलग होते हैं। द चिल्ड्रन्स हॉस्पिटल ऑफ फिलाडेल्फिया और सहयोगी संस्थानों के वैज्ञानिकों के नेतृत्व वाली एक टीम ने इन छिपे हुए संकेतों को खोजने के लिए 'MOSAIC' नामक एक नई विधि विकसित की है। केवल सबसे तेज़ आवाजों को सुनने के बजाय, उनका दृष्टिकोण यह देखता है कि नेटवर्क के माध्यम से सूचना कैसे प्रवाहित होती है, उसके सबसे विशिष्ट और निरंतर पैटर्न क्या हैं।

शोधकर्ताओं ने इस नई विधि का परीक्षण एक विशिष्ट, विशाल मानचित्र पर किया जो एक बायोमेडिकल नॉलेज ग्राफ से प्राप्त किया गया था। इस मानचित्र में 5,171 मानव जीन और 10,147 मानव फेनोटाइप शामिल थे, जो 1.5 मिलियन से अधिक संबंधों से जुड़े थे। यह एक घना, जटिल नेटवर्क था जो यह दर्शाता है कि हमारी आनुवंशिक संरचना हमारे शारीरिक लक्षणों और स्वास्थ्य स्थितियों से कैसे संबंधित है। यह देखने के लिए कि क्या MOSAIC काम करता है, टीम ने इसकी तुलना मौजूदा विधियों से की जो वर्तमान में इस क्षेत्र में 'गोल्ड स्टैंडर्ड' मानी जाती हैं। उन्होंने एक सरल प्रश्न पूछा: यदि आप कंप्यूटर को MOSAIC द्वारा बनाया गया इस मानचित्र का एक समतल संस्करण दें, तो क्या वह सही ढंग से पहचान सकता है कि कोई नोड (node) जीन है या फेनोटाइप? परिणाम आश्चर्यजनक थे। विभिन्न स्तरों के विवरण के बावजूद, MOSAIC ने 0.986 और 0.993 के बीच AUC के साथ नोड के प्रकार की सही पहचान की। इसने परीक्षण की गई अन्य सभी विधियों को पीछे छोड़ दिया, जिनका AUC लगभग 0.92 से 0.97 के बीच था। नया दृष्टिकोण केवल बेहतर स्कोर ही नहीं लाया; इसने लगातार नेटवर्क की संरचना का अधिक स्पष्ट और सटीक चित्र प्रस्तुत किया।

MOSAIC को जो चीज़ अलग बनाती है, वह यह है कि यह इसे समतल करते समय नेटवर्क के किन हिस्सों को रखने का निर्णय लेता है। पारंपरिक विधियाँ अक्सर ऐसी प्रक्रिया पर निर्भर करती हैं जो भ्रमित हो सकती हैं जब संकेत बहुत समान हों या जब नेटवर्क बहुत बड़ा हो। हालाँकि, MOSIC एक ऐसी तकनीक का उपयोग करता है जो नेटवर्क के माध्यम से समय के साथ सूचना के प्रसार को ट्रैक करती है, जैसे पानी में स्याही की एक बूंद के फैलने को देखना। यह प्रसार के उन विशिष्ट पैटर्न को खोजता है जो स्थिर और विशिष्ट हैं, न कि केवल सबसे मजबूत संकेतों को। यह इसे अराजक, अल्पकालिक उतार-चढ़ाव को अनदेखा करने और उन गहरे, संरचनात्मक संबंधों पर ध्यान केंद्रित करने की अनुमति देता है जो नेटवर्क के वास्तविक आकार को परिभाषित करते हैं। शोधकर्ताओं ने पाया कि यह दृष्टिकोण अविश्वसनीय रूप से मजबूत था। यहाँ तक कि जब उन्होंने मानचित्र में कनेक्शनों को कृत्रिम रूप से 99% तक हटा दिया, जिससे नेटवर्क लगभग खाली रह गया, तब भी MOSIC उच्च AUC के साथ नोड्स की सही पहचान करने के लिए पर्याप्त जानकारी बनाए रखने में सक्षम था। इसके विपरीत, अन्य विधियाँ जैसे-जैसे कनेक्शन गायब हुए, संघर्ष करने लगीं और चरम मामलों में 0.6 से नीचे गिर गईं।

टीम ने यह भी परीक्षण किया कि क्या यह नई विधि जीन और बीमारियों के बीच गायब कड़ियों की भविष्यवाणी कर सकती है, जो चिकित्सा अनुसंधान के लिए एक महत्वपूर्ण कार्य है। उन्होंने ज्ञात संबंधों के एक हिस्से को छिपा दिया और कंप्यूटर से उन्हें वापस पहचानने के लिए कहा। MOSAIC इसमें उत्कृष्ट रहा, और उसने छिपे हुए संबंधों के एक उच्च प्रतिशत को सफलतापूर्वक पुनः प्राप्त किया। इसके वास्तविक दुनिया के मूल्य को साबित करने के लिए, उन्होंने DICER1 नामक एक एकल जीन पर ध्यान केंद्रित किया, जो विभिन्न प्रकार की स्वास्थ्य स्थितियों से जुड़ा हुआ है। मॉडल ने बहुत उच्च स्तर के आत्मविश्वास के साथ 137 ज्ञात संबंधों में से 106 को सही ढंग से पहचाना। इससे भी महत्वपूर्ण बात यह है कि इसने दर्जनों अन्य संभावित संबंधों को भी उजागर किया जो पहले डेटाबेस में नहीं थे, जिससे चिकित्सा जांच के नए रास्ते खुले। यह सुझाव देता है कि यह विधि केवल वही याद नहीं करती जो उसने देखा है; बल्कि यह उस अंतर्निहित तर्क को समझती है कि जीन और लक्षण एक-दूसरे से कैसे संबंधित हैं।

यह अध्ययन प्रदर्शित करता है कि नेटवर्क के सबसे महत्वपूर्ण हिस्सों को चुनने का तरीका बदलकर, हम जटिल जैविक प्रणालियों के बहुत बेहतर मानचित्र बना सकते हैं। शोधकर्ताओं ने दिखाया कि नेटवर्क को समझने का सबसे अच्छा तरीका हमेशा सबसे बड़े या सबसे तेज़ संकेतों को देखना नहीं है, बल्कि उन्हें खोजना है जो विशिष्ट और निरंतर हैं। यह अंतर्दृष्टि उन वैज्ञानिकों के लिए एक शक्तिशाली नया उपकरण प्रदान करती है जिन्हें मानव जीव विज्ञान की अत्यधिक जटिलता के माध्यम से नेविगेट करने की आवश्यकता है। हालांकि इस विधि का परीक्षण एक बायोमेडिकल मानचित्र पर किया गया था, शोधकर्ताओं ने उल्लेख किया कि यह दृष्टिकोण सामान्य है और इसे सोशल मीडिया कनेक्शन से लेकर परिवहन प्रणालियों तक किसी भी जटिल नेटवर्क पर लागू किया जा सकता है। यह दुनिया के सबसे जटिल डेटा को कुछ ऐसा बनाने का एक स्पष्ट, अधिक स्थिर तरीका प्रदान करता जिसे कंप्यूटर वास्तव में समझ सके।

तकनीकी सारांश: MOSAIC

समस्या विवरण (Problem Statement)
ग्राफ नोड एम्बेडिंग का लक्ष्य जटिल नेटवर्कों को डाउनस्ट्रीम मशीन लर्निंग कार्यों जैसे कि क्लस्टरिंग, लिंक प्रेडिक्शन और क्लासिफिकेशन के लिए लो-डायमेंशनल वेक्टर स्पेस में बदलना है। मौजूदा विधियाँ कई सीमाओं का सामना करती हैं:

कंप्यूटेशनल लागत (Computational Cost): अत्याधुनिक तकनीकों के लिए अक्सर पूर्ण आइजनडीकंपोजिशन (eigendecomposition), पुनरावृत्ति रिमानियन अनुकूलन (iterative Riemannian optimization), या डीप न्यूरल नेटवर्क प्रशिक्षण जैसी गणनात्मक रूप से गहन प्रक्रियाओं की आवश्यकता होती है, जो बड़े ग्राफ के लिए स्केलेबिलिटी में अक्षम हैं।
हाइपरपैरामीटर संवेदनशीलता (Hyperparameter Sensitivity): रैंडम-वॉक-आधारित विधियाँ (जैसे Node2Vec) ट्यून किए गए हाइपरपैरामीटर्स (वॉक लेंथ, कॉन्टेक्स्ट विंडो) पर अत्यधिक निर्भर करती हैं, जिससे पुनरुत्पादकता (reproducibility) कम हो जाती है।
व्याख्यात्मकता और ओवर-स्मूथिंग (Interpretability and Over-smoothing): डीप ग्राफ मॉडल अक्सर व्याख्यात्मकता का त्याग करते हैं, और बार-बार मैसेज पासिंग से ओवर-स्मूथिंग हो सकती है, जहाँ नोड रिप्रजेंटेशन अपनी विभेदक शक्ति (discriminative power) खो देते हैं।
स्पेक्ट्रल चयन मानदंड (Spectral Selection Criteria): पारंपरिक स्पेक्ट्रल विधियाँ केवल आइगेनवैल्यू के परिमाण (जैसे सबसे बड़ा या सबसे छोटा) के आधार पर एम्बेडिंग बेस चुनती हैं। हालाँकि, बड़े और अनियमित ग्राफों के लिए, आइगेनवैल्यू अक्सर घने क्लस्टर बनाते हैं, जिसके परिणामस्वरूप आइजनवेक्टर्स संख्यात्मक रूप से संवेदनशील होते हैं और प्रभावी रूप से ग्राफ के स्थायी संरचनात्मक संगठन का प्रतिनिधित्व नहीं कर पाते हैं। इसके अलावा, केवल आइगेनवैल्यू का परिमाण यह गारंटी नहीं देता कि कोई मोड ग्राफ ऑपरेटर के डेटा पर परिमित-आयामी क्रिया (finite-dimensional action) में महत्वपूर्ण योगदान देगा।

कार्यप्रणाली: MOSAIC
लेखक MOSAIC (Multistep Operator Spectral Accumulation with Isolated Components) पेश करते हैं, जो एक अनसुपरवाइज्ड फ्रेमवर्क है जो एक ग्राफ डिफ्यूजन ऑपरेटर के प्रमुख, स्पेक्ट्रली आइसोलेटेड आइजनपेयर्स (eigenpairs) की पहचान करके नोड एम्बेडिंग्स का निर्माण करता है।

मल्टीस्टेप डिफ्यूजन ऑपरेटर (Multistep Diffusion Operator):
एक सिंगल-स्टेप ट्रांजिशन मैट्रिक्स के बजाय, MOSAIC एक संचित डिफ्यूजन ऑपरेटर $M_{K,\alpha}$ का निर्माण करता है जो एक डैम्पिंग पैरामीटर $\alpha$ ( $0 < \alpha < 1$ ) के साथ रो-स्टोकेस्टिक ट्रांजिशन मैट्रिक्स $P$ की क्रमिक शक्तियों को जोड़ता है:
$M_{K,\alpha} = \sum_{k=1}^{K} \alpha^k P^k$
यह ऑपरेटर मल्टी-स्केल कनेक्टिविटी (लोकल, मीडियम-रेंज और ग्लोबल) को कैप्चर करता है और गणितीय रूप से काट्ज़ सेंट्रैलिटी (Katz centrality) और पर्सनलाइज्ड पेजरैंक (Personalized PageRank) से संबंधित है। $M_{K,\alpha}$ का स्पेक्ट्रम $P$ के आइजनवेक्टर्स को साझा करता है लेकिन एकता (unity) के करीब आइगेनवैल्यूज को बढ़ाता है जबकि क्षणिक घटकों (transient components) को दबा देता है।
क्रिलोव सबस्पेस विश्लेषण और चयन मानदंड (Krylov Subspace Analysis and Selection Criterion):
पारंपरिक स्पेक्ट्रल विधियों के विपरीत, जो आइगेनवैल्यू परिमाण के आधार पर आइजनवेक्टर्स का चयन करती हैं, MOSAIC क्रिलोव इटरेशन के अभिसरण व्यवहार (convergence behavior) को चयन मानदंड के रूप में उपयोग करता है।

विधि एक क्रिलोव सबस्पेस उत्पन्न करने के लिए एक सिंगल-वेक्टर अर्नोल्डी प्रक्रिया (Arnoldi procedure) का उपयोग करती है।
यह इटरेशन के माध्यम से रिट्ज़ वैल्यूज (आइगेनवैल्यूज के सन्निकटन) के अभिसरण की निगरानी करती है।
चयन तर्क (Selection Logic): फ्रेमवर्क उन आइजनपेयर्स को प्राथमिकता देता है जो स्पेक्ट्रली आइसोलेटेड (आइगेनवैल्यूज के बीच बड़ा अंतर) और डायनामिकली सिग्निफिकेंट (उच्च ऑब्जर्वेबिलिटी और पर्सिस्टेंस) हैं। "सर्वश्रेष्ठ" कोऑर्डिनेट्स वे हैं जहाँ रिट्ज़ वेक्टर्स तेजी से और स्थिर रूप से अभिसरित होते हैं, जो यह दर्शाता है कि वे उन इनवेरिएंट सबस्पेस से संबंधित हैं जो ऑपरेटर की क्रिया पर हावी हैं।
प्रत्येक अंतिम रिट्ज़ वैल्यू के लिए एक कन्वर्जेंस स्कोर की गणना की जाती है जो पिछले इटरेशन में निकटतम रिट्ज़ वैल्यू से इसकी औसत दूरी पर आधारित है। कम स्कोर उच्च स्थिरता का संकेत देता है। एम्बेडिंग कोऑर्डिनेट्स को आइगेनवैल्यू परिमाण के बजाय इस कन्वर्जेंस स्कोर द्वारा क्रमबद्ध किया जाता है।

एम्बेडिंग निर्माण (Embedding Construction):
चयनित रिट्ज़ वेक्टर्स को उनके संबंधित रिट्ज़ वैल्यूज के वर्गमूल के साथ स्केल करके ( $Y = X\Lambda^{1/2}$ ) और यूनिट यूक्लिडियन नॉर्म तक सामान्यीकृत करके नोड एम्बेडिंग्स में बदल दिया जाता है। यह विधि मैट्रिक्स-फ्री तरीके से काम करती है, जिससे बड़े डिफ्यूजन मैट्रिक्स का स्पष्ट निर्माण करने की आवश्यकता नहीं होती।

प्रमुख योगदान (Key Contributions)

नया चयन सिद्धांत (Novel Selection Principle): MOSAIC प्रतिमान को आइगेनवैल्यू-मैग्निट्यूड ऑर्डरिंग से बदलकर क्रिलोव-आधारित प्रभुत्व (Krylov-based dominance) की ओर ले जाता है, जो स्पेक्ट्रल आइसोलेशन और कन्वर्जेंस स्थिरता के आधार पर एम्बेडिंग कोऑर्डिनेट्स का चयन करता है।
अनसुपरवाइज्ड और स्केलेबल (Unsupervised and Scalable): यह फ्रेमवर्क पूरी तरह से अनसुपरवाइज्ड है, इसके लिए किसी ट्रेनिंग डेटा या वॉक स्ट्रैटेजी के हाइपरपैरामीटर ट्यूनिंग की आवश्यकता नहीं है, और यह कुशल स्पार्स मैट्रिक्स-वेक्टर मल्टीप्लिकेशन का उपयोग करता है, जिससे यह कंप्यूटेशनल रूप से स्पेक्ट्रल विधियों के तुलनीय लेकिन सरल रैंडम प्रोजेक्शन से अधिक अभिव्यंजक बनता है।
स्पारसिफिकेशन के प्रति मजबूती (Robustness to Sparsification): निरंतर डिफ्यूजन मोड्स और स्पेक्ट्रली आइसोलेटेड संरचनाओं पर ध्यान केंद्रित करके, यह विधि को भारी रूप से विचलित (perturbed) होने पर भी संरचनात्मक जानकारी बनाए रखने के लिए डिज़ाइन किया गया है।

परिणाम (Results)
लेखकों ने एक बायोमेडिकल नॉलेज ग्राफ प्रोजेक्शन पर MOSAIC का मूल्यांकन किया जिसमें 5,171 मानव जीन और 10,147 फेनोटाइप (15,318 नोड्स, ~1.58M एजेस) शामिल थे।

नोड-टाइप क्लासिफिकेशन (Node-Type Classification): एम्बेडिंग डायमेंशन (16, 32, 64, 128) में, MOSAIC ने 0.9863 से 0.9926 तक AUROC प्राप्त किया। इसने लगातार FastRP, Node2Vec, HashGNN और GraphSAGE को पछाड़ दिया। उदाहरण के लिए, 32 डायमेंशन पर, MOSAIC ने 0.9902 का AUROC प्राप्त किया, जबकि सबसे बड़े परिमाण वाले स्पेक्ट्रल एम्बेडिंग का 0.8766 था।
एज रिमूवल के प्रति मजबूती (Robustness to Edge Removal): उन प्रयोगों में जहाँ 99% एड्ज हटा दिए गए थे:
- MOSAIC ने सभी रिमूवल स्कीम्स (सभी एड्ज, जीन-फेनोटाइप, जीन-जीन, फेनोटाइप-फेनोटाइप) में FastRP की तुलना में काफी उच्च AUROC स्कोर बनाए रखा।
- 99% एज रिमूवल के तहत, MOSAIC ने ~0.75 (सभी एड्ज) और ~0.85 (जीन-फेनोटाइप एड्ज) का AUROC बनाए रखा, जबकि FastRP क्रमशः 0.60 और 0.65 से नीचे गिर गया।
- विशेष रूप से, जीन-जीन और फेनोटाइप-फेनोटाइप रिमूवल परिदृश्यों में, MOSAIC ने गैर-मोनोटोनिक व्यवहार दिखाया जहाँ प्रदर्शन अत्यधिक स्पारसिफिकेशन पर रिकवर हुआ, जो बताता है कि यह विशिष्ट एज प्रकारों से स्वतंत्र उच्च-क्रम संरचनात्मक संकेतों को कैप्चर करता है।
लिंक प्रेडिक्शन (Link Prediction): एक होल्ड-आउट जीन-फेनोटाइप लिंक प्रेडिक्शन कार्य में, XGBoost क्लासिफायर में फीड किए गए MOSIC एम्बेडिंग्स ने अन्य विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित किया।
बायोलॉजिकल केस स्टडी (DICER1): DICER1 जीन पर लागू होने पर, मॉडल ने 137 में से 106 (77.4%) दस्तावेजीकृत फेनोटाइप एसोसिएशंस के लिए उच्च संभावना ( $P > 0.90$ ) सौंपी, जो ज्ञात प्लियोट्रोपिक बायोलॉजी के साथ सामंजस्य प्रदर्शित करता है।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि MOSAIC ग्राफ रिप्रेजेंटेशन लर्निंग के लिए एक पूर्णतः अनसुपरवाइज्ड, व्याख्यात्मक और कंप्यूटेशनल रूप से स्केलेबल विकल्प प्रदान करता है। इसका प्राथमिक महत्व यह प्रदर्शित करना है कि केवल चरम आइगेनवैल्यू ऑर्डरिंग से प्राप्त होने के बजाय, स्पेक्ट्रली आइसोलेटेड, डायनामिकली सिग्निफिकेंट मोड्स (क्रिलोव कन्वर्जेंस के माध्यम से पहचाने गए) अधिक सूचनात्मक और मजबूत एम्बेडिंग्स प्रदान करते हैं।

लेखक तर्क देते हैं कि यह दृष्टिकोण ग्राफ डायनेमिक्स के साथ बेहतर ढंग से संरेखित होता है, जो निरंतर संरचनात्मक पैटर्न (कम्युनिटीज, बॉटलनैक्स) को कैप्चर करते हुए वैश्विक संगठन को पकड़ता है, जबकि शोर और संरचनात्मक व्यवधानों के प्रति मजबूत रहता है। हालांकि इसे एक बायोमेडिकल ग्राफ पर प्रदर्शित किया गया है, फ्रेमवर्क को डोमेन-स्वतंत्र और अन्य जटिल नेटवर्कों के लिए लागू करने योग्य बताया गया है। यह कार्य सुपरवाइज्ड लर्निंग को बदलने का दावा नहीं करता है बल्कि अन्वेषणात्मक विश्लेषण और डाउनस्ट्रीम कार्यों के लिए एक बेहतर अनसुपरवाइज्ड फाउंडेशन प्रदान करता है।

तकनीकी सारांश: MOSAIC

इसी तरह के और पेपर