Uncertain but Useful: Leveraging CNN Training Variability into Data Augmentation
यह शोध पत्र प्रदर्शित करता है कि न्यूरोइमेजिंग के लिए फास्टसर्फर (FastSurfer) डीप लर्निंग मॉडल को प्रशिक्षित करने में निहित संख्यात्मक अनिश्चितता न केवल विश्वसनीयता को प्रभावित करती है, बल्कि डाउनस्ट्रीम ब्रेन एज रिग्रेशन प्रदर्शन को बेहतर बनाने के लिए एनसेम्बलिंग (ensembling) के माध्यम से एक डेटा ऑग्मेंटेशन तकनीक के रूप में भी प्रभावी ढंग से उपयोग की जा सकती 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
यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) का स्पष्टीकरण दिया गया है।
बड़ी तस्वीर: जब कंप्यूटर अलग-अलग तरह से "अनुमान" लगाते हैं
कल्पना कीजिए कि आप एक बहुत ही सटीक रेसिपी (एक डीप लर्निंग मॉडल) का उपयोग करके केक बना रहे हैं। आप उम्मीद करते हैं कि यदि आप बिल्कुल वही सामग्री और ओवन की बिल्कुल वही सेटिंग्स उपयोग करेंगे, तो आपको हर बार बिल्कुल एक जैसा ही केक मिलेगा।
हालाँकि, इस शोध पत्र ने खोजा कि आधुनिक AI ब्रेन स्कैनर्स के साथ, यह पूरी तरह सच नहीं है। यहाँ तक कि जब आप एक ही ब्रेन स्कैन और एक ही रेसिपी का उपयोग करते हैं, तब भी कंप्यूटर थोड़ा अलग "केक" (सेगमेंटेशन) बना सकता है, जो इस बात पर निर्भर करता है कि गणित की गणना कैसे की जा रही है।
शोधकर्ताओं ने दो बड़े सवाल पूछे:
- क्या यह "बेकिंग में विसंगति" एक समस्या है? (क्या यह हमारे परिणामों को अविश्वसनीय बनाती है?)
- क्या हम इस विसंगति का लाभ उठा सकते हैं? (क्या हम एक बग को एक फीचर में बदल सकते हैं?)
भाग 1: समस्या – "कांपता हुआ हाथ"
शोधकर्ताओं ने मस्तिष्क का मानचित्र बनाने के दो तरीकों की तुलना की:
- FreeSurfer: पुराना, पारंपरिक तरीका (जैसे एक कुशल बढ़ई जो हाथ की आरी का उपयोग करता है)।
- FastSurfer: नया, तेज़ डीप लर्निंग तरीका (जैसे एक हाई-टेक लेज़र कटर)।
खोज:
उन्होंने पाया कि जब नया AI (FastSurable) सीख (ट्रेनिंग) रहा होता है, तो वह वास्तव में पुराने तरीके की तुलना में अधिक अस्थिर (shaky) होता है, विशेष रूप से मस्तिष्क की बाहरी परतों (कॉर्टेक्स) में।
उपमा (Analogy):
कल्पना कीजिए कि दो कलाकार शहर के नक्शे को ट्रेस करने की कोशिश कर रहे हैं।
- पुराना कलाकार (FreeSurfer) नक्शा एक बार बनाता है। यदि वह एक छोटी सी गलती करता है, तो वह सुसंगत (consistent) रहती है।
- नया कलाकार (FastSurfer) चित्र बनाना सीख रहा है। हर बार जब वे अभ्यास करते हैं, तो उनका हाथ थोड़ा अलग तरीके से कांपता है क्योंकि उनका मस्तिष्क संख्याओं को प्रोसेस करता है। कभी वे एक सड़क को एक मिलीमीटर बाईं ओर खींचते हैं; कभी, एक मिलीमीटर दाईं ओर।
शोध पत्र में पाया गया कि नए AI में यह "हाथ का कंपन" इतना मजबूत है कि यह पुराने तरीके की तुलना में अंतिम मानचित्र को बदल सकता है। यह महत्वपूर्ण है क्योंकि यदि कोई डॉक्टर उस मानचित्र पर मस्तिष्क के आकार को मापने के लिए भरोसा करता है, तो एक मामूली बदलाव निदान को "स्वस्थ" से बदलकर "जोखिम में" कर सकता है।
भाग 2: शॉर्टकट – "जादुई पासा"
इस "हाथ के कंपन" को मापने के लिए, शोधकर्ताओं ने मोंटे कार्लो अरिथमेटिक (Monte Carlo Arithmetic) नामक एक जटिल, धीमे गणितीय उपकरण का उपयोग किया। यह एक रेतघड़ी में रेत के हर एक कण की जांच करने जैसा है कि क्या कोई थोड़ा सा भी गलत आकार का है। यह सटीक है लेकिन इसमें बहुत समय लगता है।
खोज:
उन्होंने इस अस्थिरता को मापने का एक बहुत तेज़ तरीका खोजा। उन्होंने बस ट्रेनिंग के दौरान रैंडम सीड (Random Seed) (इसे शुरुआत में एक अलग पासा फेंकने के रूप में सोचें) को बदल दिया।
उपमा:
रेत के हर कण की जांच करने के बजाय, उन्होंने बस कलाकार से एक अलग "मूड" (एक अलग रैंडम सीड) के साथ चित्र शुरू करने को कहा। उन्होंने पाया कि परिणामी "कांपते हुए" मानचित्र लगभग उन्हीं मानचित्रों के समान थे जो सुपर-स्लो, जटिल गणितीय उपकरण द्वारा बनाए गए थे।
- यह क्यों शानदार है: यह समझने जैसा है कि आपको अपने हाथ के कंपन को देखने के लिए सूक्ष्मदर्शी (microscope) की आवश्यकता नहीं है; आपको बस उसे कुछ अलग तरीकों से हिलाने और परिणाम देखने की आवश्यकता है। यह एक सस्ता, तेज़ तरीका है यह देखने का कि आपका AI कितना अस्थिर है।
भाग 3: समाधान – "गायक मंडली का प्रभाव (The Choir Effect)"
आमतौर पर, जब कंप्यूटर अलग-अलग परिणाम देता है, तो हम इसे एक बग मानते हैं। लेकिन शोधकर्ताओं ने पूछा: क्या होगा अगर हम उन सभी अलग-अलग संस्करणों का उपयोग एक बेहतर उत्तर पाने के लिए करें?
खोज:
उन्होंने AI के 15 अलग-अलग संस्करणों को प्रशिक्षित किया, जिनमें से प्रत्येक का एक अलग "मूड" (रैंडम सीड) था। फिर, केवल एक को चुनने के बजाय, उन्होंने उन सभी 15 मानचित्रों को एक साथ मिला दिया (एक एन्सेम्बल/ensemble)।
उपमा:
कल्पना कीजिए कि आप बाहर के तापमान का अनुमान लगाने की कोशिश कर रहे हैं।
- विधि A: आप एक व्यक्ति से पूछते हैं। वह थोड़ा गलत हो सकता है।
- विधि B: आप 15 लोगों से पूछते हैं जिनके पास थोड़े अलग-अलग घड़ियाँ हैं। आप उनके जवाबों का औसत लेते हैं।
- परिणाम: 15 अनुमानों का औसत आमतौर पर किसी भी एकल अनुमान की तुलना में वास्तविक तापमान के बहुत करीब होता है।
इस शोध पत्र में, उन्होंने "ब्रेन एज" (मस्तिष्क के आकार के आधार पर मस्तिष्क की आयु का अनुमान लगाना) की भविष्यवाणी करने के लिए इस "गायक मंडली प्रभाव" का उपयोग किया।
- उन्होंने पाया कि संयुक्त "कांपते हुए" मानचित्रों का उपयोग करने से आयु का अनुमान बहुत अधिक सटीक हो गया।
- उन्होंने इसकी तुलना अन्य तरीकों से की जो नया डेटा बनाने की कोशिश करते हैं (जैसे एक फोटोकॉपी मशीन जो धुंधली प्रतियां बनाती है)। "गायक" विधि बेहतर काम करती है क्योंकि 15 मानचित्र वास्तविक मस्तिष्क पर आधारित थे, बस उन्हें थोड़ा अलग तरीके से देखा गया था। नकली डेटा "अवास्तविक" दिखता था और उतना मदद नहीं कर सका।
मुख्य निष्कर्षों का सारांश
- AI अस्थिर है: नए, तेज़ AI ब्रेन स्कैनर वास्तव में पुराने, धीमे तरीकों की तुलना में प्रशिक्षण के दौरान होने वाली छोटी गणितीय त्रुटियों के प्रति अधिक संवेदनशील हैं। यदि इसका ध्यान नहीं रखा गया तो यह चिकित्सा परिणामों को प्रभावित कर सकता है।
- रैंडम सीड्स एक अच्छा प्रॉक्सी हैं: आपको इस अस्थिरता को मापने के लिए जटिल गणित की आवश्यकता नहीं है; बस शुरुआती रैंडम नंबर (सीड) को बदलने से आपको एक स्पष्ट तस्वीर मिलती है कि आपका AI कितना डगमगाता है।
- कंपन को अपनाएं: अस्थिरता से लड़ने के बजाय, शोधकर्ताओं ने इसका उपयोग किया। AI के कई थोड़े अलग संस्करणों को मिलाकर, उन्होंने एक "सुपर-मॉडल" बनाया जो मानक तरीकों की तुलना में मस्तिष्क की आयु का बेहतर अनुमान लगाता है, और इसके लिए किसी नए रोगी डेटा को इकट्ठा करने की आवश्यकता नहीं पड़ी।
संक्षेप में: यह शोध पत्र दिखाता है कि AI प्रशिक्षण में "शोर" (noise) वास्तविक और खतरनाक है, लेकिन यदि आप केवल एक गायक को सुनने के बजाय पूरी गायक मंडली को सुनते हैं, तो वह शोर वास्तव में आपको सच्चाई को अधिक स्पष्ट रूप से सुनने में मदद कर सकता 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।