← नवीनतम पेपर
🤖 मशीन लर्निंग

Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators

यह शोध पत्र एक न्यूरल नेटवर्क-आधारित दृष्टिकोण प्रस्तुत करता है जो सुलभ और अव्यहारक (intractable) संज्ञानात्मक मॉडलों दोनों से समय-परिवर्तनीय गुप्त चर अनुक्रमों (time-varying latent variable sequences) का अनुमान लगाने के लिए न्यूरल बेयस अनुमान का विस्तार करता है, जिससे व्यापक मॉडल-आधारित न्यूरल विश्लेषण और सिद्धांत परीक्षण सक्षम होता है।

मूल लेखक: Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

पहली बार प्रकाशित 2024-12-19 · अपडेट किया गया 2026-11-16✓ Author reviewed ⓘ
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मानव व्यवहार शायद ही कभी उत्तेजना से प्रतिक्रिया तक एक सरल, सीधी रेखा होता है। जब कोई व्यक्ति या जानवर कोई विकल्प चुनता है, तो वह निर्णय अक्सर उस बहुत बड़ी, अदृश्य प्रक्रिया का दृश्य सिरा होता है जो मन के भीतर चल रही होती है। वैज्ञानिक इन छिपे हुए प्रक्रमों को "लेटेंट वेरिएबल्स" (latent variables) कहते हैं। ये आंतरिक अवस्थाएं हैं—जैसे ध्यान में अचानक बदलाव, इस बारे में बदलता हुआ विश्वास कि कौन सा कार्य इनाम लाएगा, या कोई क्षणिक नियम जिसका मस्तिष्क पालन कर रहा है—जो बाहर दिखने वाले कार्यों को संचालित करते हैं। इन छिपी हुई अवस्थाओं को समझना उन शोधकर्ताओं के लिए महत्वपूर्ण है जो यह जानना चाहते हैं कि मस्तिष्क सोचने और सीखने में कैसे सहायता करता है। दशकों से, इन आंतरिक अवस्थाओं को उजागर करने का मानक तरीका व्यवहार का एक गणितीय मॉडल बनाना, मॉडल को डेटा के साथ फिट करने के लिए सर्वोत्तम संख्याएं खोजना और फिर मॉडल को फिर से चलाना रहा है ताकि यह देखा जा सके कि छिपी हुई अवस्थाएं क्या थीं। हालांकि, यह पारंपरिक विधि तब एक कठिन दीवार से टकरा जाती है जब मॉडल बहुत जटिल हो जाते हैं। मन के काम करने के बारे में कई दिलचस्प सिद्धांतों में ऐसी गणनाएं शामिल होती हैं जिन्हें हल करना इतना कठिन होता है कि मानक गणितीय उपकरण उत्तर खोजने में सक्षम ही नहीं होते। इसने संज्ञानात्मक सिद्धांतों के एक विशाल परिदृश्य को अनछुआ छोड़ दिया क्योंकि वैज्ञानिकों के पास जटिल व्यवहार के 'ब्लैक बॉक्स' के भीतर झांकने का कोई तरीका नहीं था।

कैलिफोर्निया विश्वविद्यालय, बर्कले के शोधकर्ताओं की एक टीम ने इस दीवार को पार करने के लिए एक नया उपकरण विकसित किया है, जो वैज्ञानिकों को सबसे जटिल मॉडलों में भी इन छिपी हुई अवस्थाओं को देखने की अनुमति देता है। वे अपने इस तरीके को LaseNet कहते हैं। कठिन गणितीय समीकरणों को सीधे हल करने के बजाय, शोधकर्ताओं ने एक कृत्रिम बुद्धिमत्ता (AI) प्रणाली को प्रशिक्षित किया ताकि वह इस संबंध को सीख सके कि एक जानवर क्या करता है और वह क्या सोच रहा होगा। उन्होंने ऐसा हजारों सिम्युलेटेड प्रयोगों को बनाकर किया जहाँ उन्हें सटीक उत्तर पता थे। इन सिमुलेशन में, उन्होंने ऐसा डेटा उत्पन्न किया जो वास्तविक व्यवहार जैसा दिखता था—विकल्प, पुरस्कार और गलतियाँ—और इसे ज्ञात छिपी हुई अवस्थाओं के साथ जोड़ा जिन्होंने उन्हें उत्पन्न किया था। उन्होंने "क्या हुआ" और "क्या सोच रहा था" के इस विशाल पुस्तकालय को एक प्रकार के न्यूरल नेटवर्क में डाला, जो घटनाओं के अनुक्रमों में पैटर्न पहचानने के लिए डिज़ाइन किया गया एक कंप्यूटर सिस्टम है। नेटवर्क ने क्रियाओं और परिणामों के एक अनुक्रम को देखना और उस छिपी हुई मानसिक अवस्था की भविष्यवाणी करना सीखा जिसने उन्हें उत्पन्न किया था, जिससे प्रभावी रूप से बिना किसी जटिल अंतर्निहित गणित को हल किए, व्यवहार को विचार में अनुवादित करना सीखा।

शोधकर्ताओं ने इस नए दृष्टिकोण का परीक्षण विभिन्न संज्ञानात्मक मॉडलों पर किया, जिसमें सरल सीखने के परिदृश्यों से लेकर जटिल, पदानुक्रमित निर्णय लेने वाले कार्य शामिल थे। उन मामलों में जहाँ पुराने तरीके काम करते थे, LaseNet ने उतना ही अच्छा प्रदर्शन किया, और छिपी हुई अवस्थाओं को सटीकता से ट्रैक किया। लेकिन इसकी असली शक्ति उन मॉडलों में दिखी जहाँ पुराने तरीके विफल रहे या संघर्ष करते रहे। उन मॉडलों के लिए जहाँ गणित सीधे हल करने के लिए बहुत कठिन था, पारंपरिक दृष्टिकोण या तो बिल्कुल काम नहीं कर पाते थे या उन्हें अत्यंत धीमे, विशेष रूप से निर्मित सांख्यिकीय उपकरणों की आवश्यकता होती थी जो त्रुटियों के प्रति संवेदनशील थे। इसके विपरीत, LaseNet ने इन कठिन मामलों को सहजता से संभाला। सिमुलेशन में, इसने मौजूदा सर्वोत्तम तकनीकों से भी अधिक सटीकता के साथ छिपी हुई अवस्थाओं की पहचान की, और बहुत कम त्रुटि के साथ वास्तविक आंतरिक अवस्थाओं को पुनः प्राप्त किया। इसने निरंतर चर (continuous variables), जैसे कि पुरस्कार का बदलता मूल्य, और असतत चर (discrete variables), जैसे कि रणनीति या ध्यान में अचानक बदलाव, दोनों को सफलतापूर्वक ट्रैक किया।

यह सिद्ध करने के लिए कि यह केवल बनावटी डेटा पर काम करने वाला तरीका नहीं है, टीम ने वास्तविक चूहों से एकत्र किए गए डेटा पर LaseNet को लागू किया। एक प्रयोग में, चूहे एक ऐसे कार्य में नेविगेट कर रहे थे जहाँ पुरस्कार अप्रत्याशित रूप से बदल रहे थे, जिसके लिए उन्हें अपने आंतरिक नियमों को लगातार अपडेट करने की आवश्यकता थी। शोधकर्ताओं ने चूहों की आंतरिक ध्यान अवस्थाओं और पुरस्कार की उनकी अपेक्षाओं का अनुमान लगाने के लिए LaseNet का उपयोग किया। परिणाम उन पैटर्न से मेल खाते थे जो पारंपरिक तरीकों द्वारा पाए गए थे जहाँ वे लागू किए जा सकते थे, लेकिन LaseNet ने पूरे कार्य के दौरान चूहों की आंतरिक अवस्थाओं की एक स्पष्ट, निरंतर तस्वीर प्रदान की। एक अन्य अध्ययन में, जिसमें एक दृश्य निर्णय लेने वाला कार्य शामिल था, पद्धति ने सफलतापूर्वक पहचाना कि चूहे पूरी तरह से संलग्न थे या वे एक तरफ झुके हुए थे, जिससे उनके मानसिक फोकस के गतिशील बदलावों का पता चला। यह दृष्टिकोण व्यक्तिगत जानवरों के लिए भी काम करता था, जिसका अर्थ है कि इसका उपयोग पूरे समूह के व्यवहार का औसत निकालने के बजाय एक एकल विषय की अद्वितीय संज्ञानात्मक शैली का अध्ययन करने के लिए किया जा सकता है।

इस कार्य का महत्व उन दरवाजों को खोलने की क्षमता में निहित है जो पहले बंद थे। जटिल, अक्सर असंभव गणितीय गणनाओं की आवश्यकता को हटाकर, LaseNet शोधकर्ताओं को मन के काम करने के बारे में बहुत व्यापक सिद्धांतों का परीक्षण करने की अनुमति देता है। वैज्ञानिक अब उन मॉडलों का प्रस्ताव दे सकते हैं जो पहले विश्लेषण के लिए बहुत कठिन थे और फिर भी व्यवहार को संचालित करने वाली छिपी हुई प्रक्रियाओं के बारे में उत्तर प्राप्त कर सकते हैं। यह विधि विभिन्न प्रकार के डेटा और विभिन्न प्रकार की मानसिक अवस्थाओं को संभालने के लिए पर्याप्त लचीली है, और यह भारी कंप्यूटिंग शक्ति की आवश्यकता के बिना मानक कंप्यूटरों पर कुशलतापूर्वक काम करती है। हालांकि यह उपकरण अभी तक अपने स्वयं के अनुमानों की अनिश्चितता को मापने का तरीका प्रदान नहीं करता है, और यह प्रशिक्षण के लिए उपयोग किए जाने वाले मॉडलों की गुणवत्ता पर निर्भर करता है, फिर भी यह एक बड़ी प्रगति का प्रतिनिधित्व करता है। यह संज्ञानात्मक मॉडलों के अध्ययन को गणितीय सुलभता (tractability) से सीमित क्षेत्र से बदलकर एक ऐसे क्षेत्र में बदल देता है जो केवल उन सिद्धांतों की रचनात्मकता से सीमित है जिन्हें शोधकर्ता खोजना चाहते हैं, जो मन की गतिशील, छिपी हुई मशीनरी में एक स्पष्ट खिड़की प्रदान करता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →