VaCDA: Variational Contrastive Alignment-based Scalable Human Activity Recognition
यह शोध पत्र VaCDA का प्रस्ताव करता है, जो एक मल्टी-सोर्स डोमेन एडाप्टेशन फ्रेमवर्क है जो एक साझा लेटेंट स्पेस सीखने के लिए वेरिएशनल ऑटोएनकोडर और कॉन्ट्रास्टिव लर्निंग को एकीकृत करता है, जो प्रभावी रूप से डेटा विषमता को संबोधित करता है और विविध उपकरणों, स्थितियों और उपयोगकर्ताओं में मानव गतिविधि पहचान में सुधार 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 रोबोट को चलना, दौड़ना या बैठना जैसी मानवीय गतिविधियों को पहचानना सिखाने की कोशिश कर रहे हैं। आपके पास कलाई पर पहने जाने वाले स्मार्टवॉच से प्राप्त बहुत सारा डेटा है, लेकिन आप चाहते हैं कि आपका रोबोट उन लोगों के लिए भी काम करे जो टखनों (ankles) पर सेंसर पहनते हैं, या उन लोगों के लिए जो किसी अलग ब्रांड का फोन उपयोग करते हैं।
समस्या यह है कि डेटा बहुत अलग दिखता है, यह इस पर निर्भर करता है कि डिवाइस कहाँ पहना गया है, इसे किसने पहना है, या व्यक्ति किस डिवाइस का उपयोग कर रहा है। यह एक शेफ को केवल "फ्राइड चिकन" की तस्वीरें दिखाकर "चिकन डिश" को पहचानने के लिए सिखाने जैसा है, और फिर उससे रोस्टेड चिकन, ग्रिल्ड चिकन और चिकन सूप को पहचानने के लिए कहने जैसा। सामग्रियाँ वही हैं, लेकिन प्रस्तुति पूरी तरह से अलग है। इसे "डोमेन शिफ्ट" (domain shift) कहा जाता है, और यह आमतौर पर रोबोट को भ्रमित कर देता है।
इस शोध पत्र के लेखक, सोहम खिसा और अवीजॉय चकमा ने इसे ठीक करने के लिए VaCDA नामक एक नया सिस्टम बनाया है। यह कैसे काम करता है, इसके लिए यहाँ सरल उपमाएँ दी गई हैं:
1. समस्या: "मैला कमरा" (The Messy Room)
कल्पना कीजिए कि आपके पास कई कमरे (डेटासेट) हैं जो खिलौनों (गतिविधि डेटा) से भरे हुए हैं।
- कमरा A में खिलौने फर्श पर बिखरे हुए हैं।
- कमरा B में वही खिलौने अलमारियों पर करीने से रखे हुए हैं।
- कमरा C में खिलौने पानी में तैर रहे हैं।
यदि आप एक रोबोट को केवल कमरे A में "गेंद" ढूंढना सिखाते हैं, तो वह कमरे B या C में बुरी तरह विफल हो जाएगा। पारंपरिक तरीके कमरों को बिल्कुल एक जैसा बनाने की कोशिश करते हैं, लेकिन जब कमरे इतने अलग हों तो यह करना कठिन होता है।
2. समाधान: "यूनिवर्सल ट्रांसलेटर" (The Universal Translator - VAE)
उनके समाधान का पहला भाग एक वेरिएशनल ऑटोएनकोडर (VAE) है। इसे एक बहुत ही स्मार्ट अनुवादक या "कंप्रेशन मशीन" के रूप में सोचें।
- फर्श को अलमारी जैसा दिखाने की कोशिश करने के बजाय, VAE सभी अलग-अलग कमरों के सभी अलग-अलग खिलौनों को लेता है और उन्हें एक एकल, सार्वभौमिक भाषा (एक "लेटेंट स्पेस") में अनुवादित करता है।
- इस सार्वभौमिक भाषा में, एक "गेंद" बस एक "गेंद" है, चाहे वह फर्श पर हो, अलमारी पर हो, या पानी में हो।
- यह सिस्टम को शोर (जैसे विशिष्ट डिवाइस या शरीर की स्थिति) को अनदेखा करने और गतिविधि के मूल आकार पर ध्यान केंद्रित करने की अनुमति देता है।
3. सुधार: "अंतर पहचानो" खेल (The "Spot the Difference" Game - Contrastive Learning)
अनुवादक के साथ एक जोखिम है: यह बहुत अधिक सामान्य बनाने में बहुत कुशल हो सकता है। यह यह निर्णय ले सकता है कि एक "गेंद" और एक "घन" (cube) एक ही हैं क्योंकि दोनों गोल आकार के हैं।
इसे ठीक करने के लिए, लेखकों ने इसमें कॉन्ट्रास्टिव लर्निंग (Contrastive Learning) जोड़ा है। इसे "अंतर पहचानो" के खेल या एक सख्त शिक्षक के रूप में कल्पना करें:
- पॉजिटिव पेयर्स (Positive Pairs): शिक्षक रोबोट को एक ही गतिविधि की दो तस्वीरें दिखाता है (जैसे, अलग-अलग लोग चलते हुए) और कहता है, "ये एक ही हैं! इन्हें अपने दिमाग में करीब रखें।"
- नेगेटिव पेयर्स (Negative Pairs): शिक्षक चलने की एक तस्वीर और दौड़ने की एक तस्वीर दिखाता है और कहता है, "ये पूरी तरह से अलग हैं! इन्हें अपने दिमाग में दूर धकेल दें।"
ट्रांसलेटर (VAE) को सख्त शिक्षक (कॉन्ट्रास्टिव लर्निंग) के साथ जोड़कर, सिस्टम समान गतिविधियों को एक साथ समूहबद्ध करना सीखता है और साथ ही अलग-अलग गतिविधियों को अलग रखना सुनिश्चित करता है, भले ही वे अलग-अलग उपकरणों या लोगों से आ रही हों।
4. परिणाम: एक स्केलेबल टीम प्लेयर (A Scalable Team Player)
अधिकांश पुराने सिस्टम केवल एक स्रोत (जैसे, एक व्यक्ति का डेटा) से सीख सकते थे ताकि दूसरे की मदद की जा सके। VaCDA विशेष है क्योंकि यह स्केलेबल (Scalable) है।
- कल्पना कीजिए कि आप एक नई भाषा सीखने की कोशिश कर रहे हैं। पुराने तरीके आपको एक समय में एक मूल वक्ता (native speaker) से बात करने दे सकते हैं।
- VaCDA आपको एक साथ दस अलग-अलग मूल वक्ताओं को सुनने देता है, जो सभी अलग-अलग बोलियाँ बोल रहे हैं, और यह उन सभी पर लागू होने वाले सामान्य व्याकरण के नियमों को समझ लेता है।
उन्होंने क्या पाया?
लेखकों ने स्मार्टवॉच, स्मार्टफोन और विभिन्न शारीरिक स्थितियों से संबंधित चार वास्तविक दुनिया के डेटासेट पर इस प्रणाली का परीक्षण किया।
- क्रॉस-पोजीशन (Cross-Position): सेंसर को कलाई से टखने पर ले जाने पर, VaCDA पिछले तरीकों की तुलना में गतिविधियों को पहचानने में बहुत बेहतर था।
- क्रॉस-डिवाइस (Cross-Device): स्मार्टफोन से स्मार्टवॉच पर स्विच करने पर, VaCD ही सबसे अच्छा प्रदर्शन करता है।
- क्रॉस-पर्सन (Cross-Person): एक नए व्यक्ति के अनुकूल होने के मामले में, इसने बहुत अच्छा प्रदर्शन किया, हालांकि कुछ विशिष्ट मामलों में यह सबसे अच्छे मौजूदा तरीके से थोड़ा पीछे था।
संक्षेप में: VaCDA कंप्यूटर को मानवीय गतिविधियों को समझने के लिए सिखाने का एक नया तरीका है, जिसमें अस्त-व्यस्त, अलग-अलग डेटा को एक सामान्य भाषा में अनुवादित किया जाता है और फिर यह सुनिश्चित करने के लिए "अंतर पहचानो" खेल का उपयोग किया जाता है कि वह भ्रमित न हो। यह पुराने तरीकों की तुलना में बेहतर काम करता है जब डेटा अलग-अलग जगहों, लोगों या उपकरणों से आता 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।