Neurosymbolic Object-Centric Learning with Distant Supervision
यह शोधपत्र DeepObjectLog को प्रस्तुत करता है, जो एक संभाव्य न्यूरोसिम्बोलिक मॉडल है जो डिस्टेंट सुपरविजन के माध्यम से वैश्विक कार्य लेबल से सीधे ऑब्जेक्ट-सेंट्रिक रिप्रजेंटेशन (वस्तु-केंद्रित निरूपण) सीखता है, जिससे प्रति-वस्तु एनोटेशन की आवश्यकता के बिना विजुअल रीजनिंग कार्यों पर उत्कृष्ट आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण सक्षम होता 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 गणित की समस्या हल करना सिखाने की कोशिश कर रहे हैं, लेकिन आप उसे केवल अंतिम उत्तर दिखाते हैं, न कि चरण या व्यक्तिगत संख्याएँ।
उदाहरण के लिए, आप रोबोट को एक तस्वीर दिखाते हैं जिसमें "3" और "4" लिखा हुआ है, और आप उसे बताते हैं, "उत्तर 7 है।" आप रोबोट को यह नहीं बताते कि 3 कहाँ है, या 4 कहाँ है, या यहाँ कितने नंबर हैं। आप बस उसे तस्वीर और अंतिम योग (sum) देते हैं।
यह वही चुनौती है जिसे यह पेपर हल करता है। अधिकांश AI मॉडल उन छात्रों की तरह हैं जो उत्तर कुंजी (answer key) को रट लेते हैं लेकिन अगर संख्याएँ बदल जाएँ तो वे वास्तव में गणित नहीं कर पाते। जब तस्वीर में वस्तुओं की संख्या अलग होती है या वस्तुओं का नया संयोजन होता है, तो वे संघर्ष करते हैं।
समस्या: "ब्लैक बॉक्स" बनाम "लॉजिक पहेली"
वर्तमान AI दो समूहों में बँटा हुआ है, दोनों में कमियाँ हैं:
शुद्ध न्यूरल नेटवर्क (द ब्लैक बॉक्स): ये पैटर्न पहचानने में बहुत अच्छे हैं लेकिन तर्क करने (reasoning) में बहुत खराब हैं। यदि आप उन्हें दो संख्याएँ जोड़ने के लिए प्रशिक्षित करते हैं, तो वे "7" के आकार को पहचानना सीख सकते हैं, बजाय इसके कि वे वास्तव में 3 + 4 जोड़ें। यदि आप उन्हें 4 + 3 दिखाते हैं, तो वे भ्रमित हो सकते हैं क्योंकि पैटर्न थोड़ा अलग दिखता है।
न्यूरोसिम्बोलिक AI (द लॉजिक पज़ल): ये मॉडल सख्त तार्किक नियमों (जैसे "यदि A + B = C") का उपयोग करते हैं। ये तर्क करने में बेहतरीन हैं, लेकिन इन्हें आमतौर पर पहले एक इंसान द्वारा यह बताने की आवश्यकता होती है कि वस्तुएँ कहाँ हैं। वे एक अव्यवस्थित फोटो को देखकर यह नहीं कह सकते कि, "आह, यहाँ एक 3 है और वहाँ एक 4 है।" उन्हें वस्तुएँ पहले से काटकर और उन्हें सौंपकर दी जानी चाहिए।
समाधान: DeepObjectLog (द डिटेक्टिव)
लेखकों ने एक नया सिस्टम बनाया है जिसे DeepObjectLog कहा जाता है। इसे एक जासूस की तरह समझें जो अपराध स्थल और अंतिम फैसले को देखकर रहस्य सुलझाना सीख रहा है, बिना यह जाने कि संदिग्ध कौन हैं।
यह इस प्रकार काम करता है, एक सरल उपमा का उपयोग करते हुए:
1. "स्लॉट" प्रणाली (जासूस का आवर्धक लेंस/Magnifying Glass)
कल्पना कीजिए कि AI के पास "स्लटे" या आवर्धक लेंसों का एक सेट है जिसे वह किसी भी छवि पर रख सकता है। उसे नहीं पता कि वहाँ कितनी वस्तुएँ हैं, इसलिए वह उन्हें फैला देता है, मान लीजिए 5 आवर्धक लेंस।
- कुछ लेंस "3" पर लैंड करते हैं।
- कुछ लेंस "4" पर लैंड करते हैं।
- कुछ लेंस खाली बैकग्राउंड स्पेस पर लैंड करते हैं।
2. "ऑब्जेक्टनेस" का प्रश्न (क्या यह एक संदिग्ध है?)
प्रत्येक आवर्धक लेंस के लिए, AI पूछता है: "क्या यह वास्तव में एक वस्तु है, या सिर्फ बैकग्राउंड का शोर है?"
- यदि यह बैकग्राउंड है, तो AI कहता है, "इसे अनदेखा करें।"
- यदि यह एक वस्तु है, तो वह कहता है, "यह एक संदिग्ध है!" और अनुमान लगाने की कोशिश करता है कि वह क्या है (जैसे, "यह एक 3 जैसा दिखता है")।
3. "लॉजिक लेयर" (द जज)
यही असली जादू है। AI अपने सभी अनुमानों ("संदेशक A एक 3 है, संदिग्ध B एक 4 है, संदिग्ध C कुछ भी नहीं है") को एक सख्त लॉजिक प्रोग्राम (जैसे एक गणित का नियम पुस्तिका) के माध्यम से चलाता है।
- नियम पुस्तिका कहती है: "यदि आप वास्तविक संदिग्धों की संख्याओं को जोड़ते हैं, तो परिणाम हमें दिए गए अंतिम उत्तर (7) से मेल खाना चाहिए।"
- यदि AI ने गलत अनुमान लगाया (जैसे, उसने सोचा कि बैकग्राउंड एक 5 था), तो गणित मेल नहीं खाएगा। लॉजिक लेयर कहता है, "यह तर्कसंगत नहीं है," और एक संकेत वापस डिटेक्टिव को भेजता है ताकि वह अपना विचार बदल सके।
4. गलती से सीखना
बार-बार, AI अपने आवर्धक लेंसों को समायोजित करता है। वह सीखता है कि जब अंतिम उत्तर 7 है, तो उसे एक 3 और एक 4 खोजना ही होगा। वह बैकग्राउंड के शोर को अनदेखा करना सीखता है क्योंकि उसे शामिल करने से गणित बिगड़ जाता है।
यह एक बड़ी बात क्यों है
पेपर का दावा है कि यह दृष्टिकोण इसलिए बेहतर है क्योंकि यह केवल रटने के बजाय संरचना (structure) सीखता है।
- सामान्यीकरण (The "New Puzzle" Test): यदि आप AI को 2 या 3 नंबरों वाली तस्वीरों पर प्रशिक्षित करते हैं, और फिर उसे 5 नंबरों वाली तस्वीर दिखाते हैं, तो भी वह इसे हल कर सकता है। क्यों? क्योंकि उसने जोड़ (addition) का नियम सीखा है, न कि केवल "दो संख्याओं" का पैटर्न। वह अतिरिक्त संख्याओं को संभालने के लिए अधिक "आवर्धक लेंसों" को सक्रिय कर सकता है।
- लेबल की आवश्यकता नहीं: AI को संख्याओं के चारों ओर बॉक्स बनाने के लिए किसी इंसान की ज़रूरत नहीं पड़ी। उसने केवल अंतिम उत्तर को संतुष्ट करने की कोशिश करके यह पता लगा लिया कि वस्तुएँ कहाँ थीं।
- "बिग ब्रेन" मॉडल्स से बेहतर: लेखकों ने इस विशिष्ट लॉजिक पहेली के लिए अपने सिस्टम का परीक्षण विशाल, प्री-ट्रेंड AI मॉडल्स (जैसे वे जो आपसे चैट करते हैं) के विरुद्ध किया। यहाँ तक कि उन विशाल मॉडल्स को भी संघर्ष करना पड़ा, और वे उत्तर गलत दे रहे थे। DeepObjectLog, जो कि बहुत छोटा और विशिष्ट है, इसे 90% बार सही करता है।
निष्कर्ष
DeepObjectLog एक बच्चे को गणित सिखाने जैसा है—उन्हें उत्तर कुंजी दिखाकर और उन्हें खुद संख्याएँ खोजने देने के माध्यम से। धारणा (perception) को तर्क (logic) के साथ जोड़कर, AI दुनिया को समझने का एक ऐसा तरीका सीखता है जो लचीला, तार्किक है, और जो स्थिति बदलने पर टूटता नहीं है।
पेपर दिखाता है कि यह कार्यों जैसे कि संख्या जोड़ना, पोकर हैंड को पहचानना और जटिल दृश्यों में वस्तुओं की गिनती करना पर काम करता है, यह साबित करते हुए कि AI वस्तुओं के बारे में "सोच" सकता है भले ही उसे यह न बताया गया हो कि वे वस्तुएं वास्तव में क्या हैं।
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।