Node Splitting SVMs for Survival Trees Based on an L2-Regularized Dipole Splitting Criteria
यह शोध पत्र सर्वाइवल ट्रीज़ के लिए एक नवीन नोड-स्प्लिटिंग सपोर्ट वेक्टर मशीन (SVM) प्रस्तावित करता है जो सेन्सर्ड सर्वाइवल डेटा के सुदृढ़, गैर-रेखीय विभाजन को सक्षम करने के लिए कर्नेल फंक्शन्स के साथ L2-रेगुलराइज्ड डायपोल स्प्लिटिंग मानदंडों का उपयोग करके मौजूदा ऑब्लिक स्प्लिटिंग विधियों का विस्तार करता है, जिसके परिणामस्वरूप पारंपरिक यूनिवैरिएट और लीनियर ऑब्लिक दृष्टिकोणों की तुलना में छोटे और समान रूप से प्रेडिक्टिव मॉडल प्राप्त होते हैं।
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
समय को छाँटने की कला
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन अपराधी की तलाश करने के बजाय, आप यह अनुमान लगाने की कोशिश कर रहे हैं कि कोई चीज़ कितनी देर तक चलेगी। चिकित्सा और जीव विज्ञान की दुनिया में, इसे "सर्वाइवल एनालिसिस" (survival analysis) कहा जाता है। इसका उपयोग यह पता लगाने के लिए किया जाता है कि निदान के बाद एक मरीज कितने समय तक जीवित रह सकता है, एक मशीन का पुर्जा टूटने से पहले कितनी देर तक काम करेगा, या एक दवा बीमारी को कितनी देर तक रोक कर रखेगी। पेचीदा बात यह है कि डेटा अक्सर "सेंसर्ड" (censored) होता है। इसका मतलब है कि कुछ लोगों के लिए कहानी अभी खत्म नहीं हुई है; अध्ययन समाप्त होने के समय वे अभी भी जीवित हैं, या वे बीच में ही अध्ययन से हट गए हैं। हम जानते हैं कि वे कम से कम उस बिंदु तक जीवित रहे, लेकिन हमें अंतिम अध्याय का पता नहीं है।
इस बिखरे हुए, अधूरे डेटा को समझने के लिए, वैज्ञानिक अक्सर "डिसीजन ट्रीज़" (decision trees) का उपयोग करते हैं। इन्हें "20 सवाल" के खेल की तरह समझें जो एक कंप्यूटर द्वारा खेला जाता है। कंप्यूटर किसी व्यक्ति की विशेषताओं (जैसे आयु, रक्तचाप, या आनुवंशिक मार्कर) के बारे में हाँ या ना वाले सवालों की एक श्रृंखला पूछता है ताकि उन्हें समूहों में वर्गीकृत किया जा सके। लक्ष्य समान भाग्य वाले लोगों को एक ही समूह में रखना है। दशकों से, इन पेड़ों को सरल, सीधी रेखाओं वाले कटों का उपयोग करके बनाया गया है—जैसे कि एक केक को ऐसे चाकू से काटना जो केवल ऊपर-नीचे या अगल-बगल ही चल सकता है। लेकिन क्या होगा अगर उत्तर एक सीधी रेखा नहीं है? क्या होगा अगर जीवित रहने को निर्धारित करने वाले कारक जटिल तरीकों से एक साथ मुड़ते और घूमते हैं? यही वह पहेली है जिसे यह शोध पत्र हल करने का प्रयास करता है।
शोध का बड़ा विचार: चाकू को मोड़ना
इस शोध पत्र के लेखक, ऐ ऐ मोंग, ड्रू लाज़र और क्यू झेंग, इन सर्वाइवल ट्रीज़ को बनाने का एक नया, अधिक लचीला तरीका प्रस्तावित कर रहे हैं। वे एक मौजूदा पद्धति का उपयोग कर रहे हैं जो पहले से ही "ऑब्लिक" (oblique) कटों (केक को तिरछा काटना) की अनुमति देती थी और उसे "सपोर्ट वेक्टर मशीन" (SVM) नामक एक गणितीय उपकरण के साथ सुपरचार्ज कर रहे हैं। सरल शब्दों में, वे कंप्यूटर के चाकू को एक सीधी ब्लेड से बदलकर एक लचीले, मोड़ने योग्य ब्लेड में अपग्रेड कर रहे हैं जो डेटा के माध्यम से वक्र (curves), सर्पिल (spirals) और जटिल आकृतियों में काट सकता है।
उनके नवाचार का मूल आधार यह तय करने का एक नया तरीका है कि कट कहाँ लगाया जाए। पुराने तरीके में "डाइपोल स्प्लिटिंग क्राइटेरियन" (dipole splitting criterion) का उपयोग किया जाता था, जो अनिवार्य रूप से रोगियों के जोड़ों को देखता था और बहुत अलग जीवित रहने के समय वाले लोगों को समान समय वाले लोगों से अलग करने की कोशिश करता था। हालाँकि, पुराने तरीके में इन जोड़ों को दिशा देने की परिभाषा अस्थिर थी, और वह मुख्य रूप से सीधी रेखाओं तक ही सीमित था। लेखकों ने इन जोड़ों को दिशा देने के लिए एक कठोर नियम बनाकर इस "अस्थिरता" को ठीक किया, और फिर उन्होंने एक "रिज पेनल्टी" (ridge penalty) जोड़ी। आप इस पेनल्टी को चाकू से जुड़ी एक टेंशन स्प्रिंग (tension spring) के रूप में सोच सकते हैं। यह चाकू को बहुत अधिक मुड़ने और डेटा को "ओवरफिट" (overfitting) करने से रोकता है (जो कि वर्तमान रोगियों के समूह की विशिष्ट विचित्रताओं को याद करने जैसा है, न कि जीवित रहने के सामान्य नियमों को सीखने जैसा)। इस स्प्रिंग को ट्यून करके, कंप्यूटर झुकने की सही मात्रा का पता लगा सकता है।
एक बार जब उन्होंने दिशा को ठीक कर लिया और स्प्रिंग जोड़ दिया, तो उन्होंने एक "कर्नेल ट्रिक" (kernel trick) लागू की। यह एक गणितीय जादू है जो कंप्यूटर को यह दिखावा करने की अनुमति देता है कि डेटा एक बहुत उच्च, अधिक जटिल आयाम (dimension) में मौजूद है, बिना वास्तव में उस स्थान के हर बिंदु की गणना किए। यह पेड़ को बहुपद वक्रों (polynomial curves - जैसे परबोला) या गाऊसी वक्रों (Gaussian curves - घंटी के आकार के वक्र) का उपयोग करके डेटा को विभाजित करने की अनुमति देता है, जो उन संबंधों को पकड़ सकते हैं जिन्हें एक सीधी रेखा देख ही नहीं सकती।
उन्होंने क्या पाया: छोटे पेड़, सटीक कट
लेखकों ने अपने नए "नोड स्प्लिटिंग SVM" (Node Splitting SVM) का परीक्षण कृत्रिम डेटा (सिमुलेशन) और वास्तविक मेडिकल रिकॉर्ड दोनों पर किया। उन्होंने अपने नए घुमावदार कटों की तुलना पुराने सीधे कटों और मानक "यूनिवेरिएट" (univariate) कटों (जो एक बार में केवल एक चर को देखते हैं, जैसे केवल आयु या केवल वजन) से की।
अपने सिमुलेशन में, जहाँ उन्हें सही उत्तर पता था, नए तरीके ने दिखाया कि वह डेटा को परिभाषित करने वाली सही घुमावदार सीमाओं को खोज सकता है। जब उन्होंने देखा कि पेड़ परिणामों की भविष्यवाणी कितनी अच्छी तरह करते हैं, तो परिणाम प्रभावशाली थे। उनके नए गैर-रेखीय तरीकों (पॉलीनोमियल और गाऊसी कर्नेल का उपयोग करके) से बनाए गए पेड़ अक्सर पारंपरिक पेड़ों की तुलना में बहुत छोटे थे। उदाहरण के लिए, 2 चरों वाले सिमुलेशन में, मानक यूनिवेरिएट पेड़ों में प्रूनिंग (pruning) से पहले लगभग 48 नोड्स (स्लाइस) तक बढ़ गए, जबकि उनके गाऊसी कर्नेल वाले पेड़ अक्सर केवल 3 नोड्स पर रुक गए। बहुत छोटे और सरल होने के बावजूद, इन सघन पेड़ों ने पुराने तरीकों द्वारा बनाए गए विशाल, जटिल पेड़ों के समान या कभी-कभी उनसे भी बेहतर तरीके से जीवित रहने के समय की भविष्यवाणी की।
जब उन्होंने इसे वास्तविक डेटा पर लागू किया, जैसे कि छूट (remission) में मौजूद ल्यूकेमिया के रोगियों और दिल के दौरे से बचे लोगों के रिकॉर्ड, तो यह पैटर्न बना रहा। नए तरीके ने काफी छोटे पेड़ बनाए। ल्यूकेमिया डेटा में, मानक पद्धति ने 8.2 नोड्स वाला एक पेड़ बनाया, जबकि उनके गाऊसी पद्धति ने केवल 5 नोड्स वाला एक पेड़ बनाया, फिर भी इसने उच्च सटीकता स्कोर (मानक पद्धति के लिए 0.843 बनाम 0.857 का कॉनकार्डेंस इंडेक्स) प्राप्त किया, हालांकि गाऊसी पेड़ उल्लेखनीय रूप से अधिक सघन था। लेखकों ने उल्लेख किया कि जहाँ मानक पेड़ बहुत बड़े थे और कभी-कभी चूक जाते थे, वहीं उनके लचीले, घुमावदार कट चरों के बीच जटिल अंतःक्रियाओं (जैसे कि आयु और वजन मिलकर कैसे काम कर सकते हैं) को बहुत अधिक कुशलता से पकड़ सकते थे।
निष्कर्ष
यह शोध पत्र यह दावा नहीं करता कि उसने जीवन और मृत्यु के रहस्य को सुलझा लिया है, लेकिन यह उन जासूसों के लिए एक तेज़, अधिक लचीला उपकरण प्रदान करता है जो इसे सुलझाने की कोशिश कर रहे हैं। डेटा जोड़ों को दिशा देने को कड़ाई से परिभाषित करके और जटिलता को नियंत्रित करने के लिए एक "स्प्रिंग" जोड़कर, लेखकों ने दिखाया है कि सर्वाइवल ट्रीज़ को विशाल, भारी संरचनाओं की आवश्यकता नहीं है जो सीधी रेखाओं से बनी हों। वे छोटे, सुंदर और घुमावदार हो सकते हैं, जो उन कारकों के जटिल मेल को पकड़ते हैं जो जीवित रहने को प्रभावित करते हैं। यह अध्ययन बताता है कि कई डेटासेट्स के लिए, विशेष रूप से जटिल, गैर-रेखीय संबंधों वाले डेटा के लिए, यह नया दृष्टिकोण भविष्य को समझने का एक अधिक कुशल और शक्तिशाली तरीका 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।