Unsupervised Cognition
यह शोधपत्र एक प्रिमिटिव-आधारित संज्ञानात्मक ढांचे से प्रेरित एक नवीन, प्रतिनिधित्व-केंद्रित अनसुपरवाइज्ड लर्निंग दृष्टिकोण प्रस्तावित करता है जो एक वितरित पदानुक्रमित इनपुट स्पेस का निर्माण करता है और विभिन्न वर्गीकरण कार्यों में अत्याधुनिक विधियों पर श्रेष्ठ प्रदर्शन प्रदर्शित करते हुए विशिष्ट, संज्ञानात्मक-समान व्यवहार प्रदर्शित करता है।
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 कंप्यूटर को चीजें पहचानना सिखाने की कोशिश कर रहे हैं, जैसे कि नंबर या कैंसर के प्रकार, लेकिन आप उसे उत्तरों के साथ कोई पाठ्यपुस्तक नहीं दे रहे हैं। आप बस उसे उदाहरण दिखाते हैं और कहते हैं, "इसका पता लगाओ।" इसे अनसुपरवाइज्ड लर्निंग (unsupervised learning) कहा जाता है।
वर्तमान में अधिकांश कंप्यूटर यह काम एक सख्त लाइब्रेरियन की तरह करके करते हैं। वे वस्तुओं के "आकार" या गणितीय दूरी को देखते हैं और उन्हें डिब्बों में डाल देते हैं। यदि दो नंबर गणितीय रूप से समान दिखते हैं, तो वे एक ही बॉक्स में चले जाते हैं। समस्या यह है कि कभी-कभी चीजें जो गणितीय रूप से समान दिखती हैं, वे हमारे दिमाग में वास्तव में एक ही "चीज" नहीं होती हैं, और जो चीजें अलग दिखती हैं वे एक ही अवधारणा हो सकती हैं।
यह शोध पत्र एक नए तरीके के विचार को पेश करता जिसे अनसुपरवाइज्ड कॉग्निशन (unsupervised cognition) कहा जाता है। केवल वस्तुओं को डिब्बों में छांटने के बजाय, लेखक एक ऐसी प्रणाली का प्रस्ताव करते हैं जो यह बनाने की कोशिश करती है कि चीजें वास्तव में क्या हैं, ठीक वैसे ही जैसे मानव मस्तिष्क सीखता है। वे इस नए एल्गोरिदम को नोड्यूल (Nodule) नाम देते हैं।
यह कैसे काम करता है, इसके लिए कुछ रोजमर्रा के उदाहरणों का उपयोग किया गया है:
1. अनुवादक (द एम्बॉडमेंट - The Embodiment)
कंप्यूटर के सीखने से पहले, उसे मस्तिष्क की भाषा बोलनी होगी। शोध पत्र एक अनुवादक का उपयोग करता है जिसे एम्बॉडमेंट (Embodiment) कहा जाता है।
- उपमा: कल्पना कीजिए कि आपके पास अंग्रेजी में लिखी एक किताब है (आपका डेटा: नंबर, चित्र, आदि)। एम्बॉडमेंट उस किताब को डॉट्स और डैश (जिसे स्पार्स डिस्ट्रिब्यूटेड रिप्रेजेंटेशन या SDRs कहा जाता है) से बने एक विशेष कोड में अनुवादित करता है।
- क्यों? यह कोड सार्वभौमिक है। चाहे इनपुट एक बिल्ली की तस्वीर हो या स्टॉक की कीमतों की सूची, कंप्यूटर उन्हें सभी एक ही प्रकार के "डॉट कोड" में बदल देता है। यह सिस्टम को "इनपुट-एग्नोस्टिक" बनाता है, जिसका अर्थ है कि इसे इस बात से फर्क नहीं पड़ता कि वह किस प्रकार के डेटा को देख रहा है; वह केवल डॉट्स के पैटर्न को देखता है।
2. निर्माण खंड (फुटप्रिंट्स और सेल्स - Footprints and Cells)
एक बार जब डेटा "डॉट कोड" में आ जाता है, तो नोड्यूल निर्माण शुरू करता है। यह केवल छवियों की प्रतियां संग्रहीत नहीं करता है; यह कंस्ट्रक्टिव रिप्रेजेंटेशन (constructive representations) बनाता है।
- फुटप्रिंट (The Footprint): फुटप्रिंट को किसी वस्तु के एकल, मोटे स्केच के रूप में सोचें। यह किसी वस्तु की एकदम सटीक फोटो नहीं है; यह उस वस्तु के दिखने का एक औसत विचार है। यदि आप एक कुत्ता देखते हैं, तो फुटप्रिंट उस कुत्ते के "कुत्ता होने के गुण" (dog-ness) को पकड़ लेता है।
- सेल (The Cell): सेल एक फोल्डर है जो कई फुटप्रिंट्स को रखता है। यदि आप एक गोल्डन रिट्रीवर और एक पूडल देखते हैं, तो सेल में दो फुटप्रिंट हो सकते हैं: एक "बड़े रोएंदार कुत्तों" के लिए और एक "छोटे घुंघराले कुत्तों" के लिए।
- नोड्यूल (The Nodule - पदानुक्रम): यही जादुई हिस्सा है। नोड्यूल इन सेल्स को एक फैमिली ट्री (वंशवृक्ष) में व्यवस्थित करता है।
- सबसे ऊपर, आपके पास एक "सीड सेल" (Seed Cell) है जो सामान्य रूप से "जानवरों" के बारे में जानता है।
- उसके नीचे, "कुत्तों", "बिल्लियों" आदि के लिए शाखाएं हैं।
- और नीचे, "गोल्डन रिट्रीवर" के लिए विशिष्ट शाखाएं हैं।
- उपमा: एक जासूस की कल्पना करें जो केस सुलझा रहा है। पहले, वे पूछते हैं, "क्या यह इंसान है या जानवर?" (ऊपरी स्तर)। फिर, "क्या यह कुत्ता है?" (मध्य स्तर)। अंत में, "क्या यह एक गोल्डन रिट्रीवर है?" (निचला स्तर)। नोड्यूल नया डेटा देखते ही स्वचालित रूप से इस पेड़ को बनाता है।
3. "मुझे नहीं पता" की सुपरपावर
अधिकांश कंप्यूटर आपको उत्तर देने के लिए बेताब रहते हैं, भले ही वे केवल अनुमान लगा रहे हों। यदि आप एक कंप्यूटर को टोस्टर की तस्वीर दिखाते हैं और पूछते है "यह कौन सा नंबर है?", तो एक मानक AI अनुमान लगा सकता है कि यह "7" है क्योंकि यह थोड़ा सा 7 जैसा दिखता है।
नोड्यूल अलग है। इसमें एक अंतर्निहित "कॉन्फिडेंस मीटर" (विश्वास मीटर) होता है।
- उपमा: यदि आप नोड्यूल को एक टोस्टर की तस्वीर दिखाते हैं, तो यह अपने मानसिक पेड़ की जांच करता है। यह पूछता है, "क्या यह मेरे द्वारा सीखे गए किसी भी फुटप्रिंट से मेल खाता है?" यदि उत्तर है, "नहीं, यह मेरे किसी भी स्केच से मेल नहीं खाता," तो यह ईमानदारी से कहेगा, "मुझे नहीं पता।"
- यह भ्रमित होकर गलत लेबल नहीं बनाएगा। यह स्वीकार करेगा कि उसने पहले यह पैटर्न नहीं देखा है। सुरक्षा और विश्वसनीयता के लिए यह एक बहुत बड़ी बात है।
4. "स्पेशियल अटेंशन" (द ऑटो-रेगुलेटर - The Auto-Regulator)
कंप्यूटर को यह कैसे पता चलता है कि दो चीजों को एक ही मानने के लिए उनमें कितनी समानता होनी चाहिए?
- उपमा: एक क्लब के बाउंसर की कल्पना करें। एक सख्त बाउंसर केवल उन्हीं लोगों को अंदर जाने देगा जो वीआईपी सूची के बिल्कुल समान दिखते हैं। एक उदार बाउंसर किसी को भी अंदर आने देता है जो उनके जैसा दिखता हो।
- स्पेशियल अटेंशन मॉड्यूलेटर (Spatial Attention Modulator) वह बाउंसर है जो अपनी सख्ती को खुद एडजस्ट करता है। यदि क्लब बहुत समान लोगों से भरा है (जैसे समान जुड़वा बच्चों से भरा कमरा), तो बाउंसर सख्त हो जाता है। यदि भीड़ बहुत विविध है, तो बाउंसर अधिक उदार हो जाता है। यह बिना प्रोग्रामर द्वारा नियम सेट किए, इसे स्वचालित रूप से समझ लेता है।
उन्होंने क्या परीक्षण किया?
लेखकों ने इस "नोड्यूल" सिस्टम का वर्तमान चैंपियन (जैसे K-Means और IIC) के विरुद्ध परीक्षण किया।
- परिणाम:
- गति और दक्षता: इसने शीर्ष तरीकों के समान ही सीखा लेकिन अक्सर वहां तक पहुँचने के लिए बहुत कम उदाहरणों की आवश्यकता पड़ी।
- टूटा हुआ डेटा: जब उन्होंने इसे अव्यवस्थित डेटा पर परखा (जहाँ जानकारी के कुछ हिस्से गायब थे, जैसे आधे काले पिक्सल वाली फोटो), तो नोड्यूल ने अन्य सभी से काफी बेहतर प्रदर्शन किया।
- मेडिकल डेटा: उन्होंने कैंसर के प्रकारों को वर्गीकृत करने के लिए एक डेटासेट पर इसका परीक्षण किया और मौजूदा अत्याधुनिक तरीकों को पछाड़ दिया।
- कॉग्निशन टेस्ट: उन्होंने परीक्षण किया कि क्या सिस्टम रैंडम पिक्सल हटा दिए जाने पर भी नंबरों को पहचान सकता है (जैसे धुंधली फोटो)। मनुष्य अभी भी एक "3" को पहचान सकते हैं भले ही उसके आधे पिक्सल गायब हों। नोड्यूल यह भी कर सका, जबकि अन्य एल्गोरिदम विफल रहे। यह सुझाव देता है कि नोड्यूल नंबर के वास्तविक "संकल्पना" (concept) का निर्माण कर रहा है, न कि केवल पिक्सेल पैटर्न को याद कर रहा है।
कमी (सीमाएं)
शोध पत्र स्वीकार करता है कि यह सिस्टम अभी भी पूर्ण नहीं है।
- मेमोरी: क्योंकि यह "फुटप्रिंट्स" का एक विस्तृत पेड़ बनाता है और इसके कई संस्करणों को याद रखता है, यह बहुत अधिक कंप्यूटर मेमोरी का उपयोग करता है।
- "सर्वश्रेष्ठ उत्तर" मशीन नहीं: यह दुनिया की एक अच्छी समझ बनाने पर केंद्रित है, न कि आवश्यक रूप से गणितीय रूप से "परफेक्ट" क्लस्टर खोजने पर। कभी-कभी इसका मतलब यह होता है कि यह एक समर्पित ऑप्टिमाइज़ेशन टूल की तुलना में थोड़ा खराब क्लासिफायर हो सकता है, लेकिन यह डेटा की संरचना को समझने में बहुत बेहतर है।
सारांश
संक्षेप में, यह शोध पत्र एक नए तरीके का प्रस्ताव करता है जिससे कंप्यूटर बिना शिक्षकों के सीख सकते हैं। केवल डेटा को ढेरों में छांटने के बजाय, यह एक पदानुक्रमित, स्व-सुधार करने वाला मानसिक मॉडल बनाता है जो भ्रमित होने पर "मुझे नहीं पता" कह सकता है। यह एक कैलकुलेटर की तरह कम और एक जिज्ञासु शिक्षार्थी की तरह अधिक कार्य करता है, जो अव्यवस्थित डेटा को संभालने और अधूरे होने पर भी पैटर्न को पहचानने में आशाजनक 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।