Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration
यह शोध पत्र लॉजिक ऑफ हाइपोथीसिसिस (LoH) को प्रस्तुत करता है, जो एक नवीन न्यूरोसिम्बोलिक फ्रेमवर्क है जो प्रपोज़िशनल लॉजिक को एक सीखने योग्य 'चॉइस ऑपरेटर' के माध्यम से विस्तारित करके हस्तनिर्मित नियमों और डेटा-संचालित शिक्षण को एकीकृत करता है, जिसे डिफरेंशिएबल फजी लॉजिक में संकलित किया गया है, जिससे प्रदर्शन में बिना किसी कमी के लचीले ज्ञान एकीकरण और असतत बूलियन तर्क (डिस्क्रीट बूलियन रीजनिंग) को सक्षम बनाया जा सके।
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 "Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration" शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।
बड़ी तस्वीर: दो दुनियाओं को जोड़ना
कल्पना कीजिए कि आप एक कंप्यूटर को स्मार्ट निर्णय लेना सिखाने की कोशिश कर रहे हैं। आपके पास दो मुख्य उपकरण हैं:
- न्यूरल नेटवर्क (The "Intuitive Learner" - सहज शिक्षार्थी): यह एक बच्चे की तरह है जो हज़ारों तस्वीरों को देखकर सीखता है। यह पैटर्न पहचानने में बहुत अच्छा है (जैसे फोटो में बिल्ली को पहचानना) लेकिन यह समझाने में बहुत बुरा है कि उसे क्यों लगता है कि वह एक बिल्ली है। यह एक "ब्लैक बॉक्स" है।
- सिम्बोलिक लॉजिक (The "Rule-Follower" - नियम मानने वाला): यह एक सख्त वकील या शतरंज के ग्रैंडमास्टर की तरह है। यह स्पष्ट, लिखित नियमों का पालन करता है (जैसे "यदि बारिश होती है, तो छाता लें")। यह अपने तर्क को समझाने में उत्तम है लेकिन बिना बताए कि उसे क्या करना है, कच्चे डेटा से नई चीजें सीखने में बहुत बुरा है।
न्यूरोसिम्बोलिक इंटीग्रेशन (NeSy) इन दोनों को मिलाने का एक प्रयास है। लक्ष्य एक ऐसा सिस्टम बनाना है जो डेटा से सीख भी सके और तार्किक नियमों का पालन भी कर सके। हालाँकि, अधिकांश वर्तमान तरीके दो चरम सीमाओं पर अटके हुए हैं: या तो आप कंप्यूटर को सटीक नियम देते हैं (और वह बस उन्हें मानना सीख जाता है), या आप उसे शून्य से नियम सीखने देते हैं (और वह अक्सर बेतुकी बातें बनाने लगता है)।
समस्या: क्या होगा यदि आपके पास कुछ नियम हैं, लेकिन वे अधूरे हैं? या क्या होगा यदि आपके पास संभावित नियमों की एक सूची है लेकिन आप सुनिश्चित नहीं हैं कि कौन से सही हैं? वर्तमान उपकरण इस "मध्य मार्ग" को संभालने में संघर्ष करते हैं।
समाधान: लॉजिक ऑफ हाइपोथीसिस (LoH)
लेखक एक नई भाषा पेश करते हैं जिसे लॉजिक ऑफ हाइपोथीसिस (LoH) कहा जाता है। LoH को कंप्यूटर लॉजिक के लिए एक "चूज़ योर ओन एडवेंचर" (अपनी पसंद का रोमांच चुनें) पुस्तक की तरह समझें।
"चॉइस ऑपरेटर" (विकल्प ऑपरेटर)
मानक लॉजिक में, एक नियम निश्चित होता है। LoH में, आप एक नियम के भीतर एक विशेष "चॉइस बॉक्स" (विकल्प बॉक्स) डाल सकते हैं।
- मानक लॉजिक: "यदि बारिश होती है, तो छाता लें।" (निश्चित)
- LoH: "यदि बारिश होती है, तो [एक छाता OR एक रेनकोट OR एक हुड] लें।"
कंप्यूटर अभी नहीं जानता कि किसे चुनना है। उसे डेटा देखना होगा और तय करना होगा: "मैंने जो तस्वीरें देखी हैं, उनके आधार पर, 'रेनकोट' सबसे अच्छा काम करता दिखता है।"
यह सिस्टम तीन अलग-अलग परिदृश्यों को सहजता से संभालने की अनुमति देता है:
- पूर्ण ज्ञान (Full Knowledge): आप कंप्यूटर को सटीक नियम देते हैं। "चॉइस बॉक्स" खाली है क्योंकि केवल एक ही विकल्प है। कंप्यूटर बस बारिश को पहचानना सीख जाता है।
- शून्य ज्ञान (Zero Knowledge): आप कंप्यूटर को उन सभी संभावित नियमों की एक विशाल सूची देते हैं जो वह सीख सकता है। उसे पूरी संरचना को शुरुआत से समझना होगा।
- आंशिक ज्ञान (Partial Knowledge - द स्वीट स्पॉट): आप कंप्यूटर को नियम का एक ढांचा देते हैं और उसके छूटे हुए हिस्सों के लिए कुछ विकल्प देते हैं। वह डेटा के आधार पर खाली जगहों को भर देता है।
यह कैसे काम करता है: "गोडेल ट्रिक" (The "Gödel Trick")
इन "चॉइस बॉक्स" को एक कंप्यूटर प्रोग्राम में बदलना जिसे सीखा जा सके, काफी कठिन है। आमतौर पर, कंप्यूटरों को स्मूथ, स्लाइडिंग स्केल (जैसे डिमर स्विच) की आवश्यकता होती है ताकि वे सीख सकें। लेकिन लॉजिक बाइनरी (ऑन/ऑफ, हाँ/ना) होता है।
लेखक गोडेल फजी लॉजिक (Gödel fuzzy logic) का उपयोग करते हुए एक चतुर गणितीय ट्रिक का उपयोग करते हैं।
- उपमा: कल्पना कीजिए कि एक डिमर स्विच है जो लाइट को नियंत्रित करता है। आमतौर पर, आप इसे 30% या 70% पर सेट कर सकते हैं। लेकिन लॉजिक के लिए, आपको लाइट को या तो पूरी तरह से ON या पूरी तरह से OFF करने की आवश्यकता होती है।
- ट्रिक: लेखकों ने सिस्टम को इस तरह डिज़ाइन किया है कि भले ही कंप्यूटर स्मूथ, स्लाइडिंग स्विच (ग्रेडिएंट्स का उपयोग करके) के साथ सीख रहा हो, लेकिन यह गणितीय रूप से गारंटी देता है कि जब वह स्विच को "ON" या "OFF" पर लॉक करेगा, तो उत्तर बिल्कुल वैसा ही होगा जैसा कि यदि वह शुरू से ही हार्ड स्विच के साथ सीख रहा होता।
- यह क्यों मायने रखता है: कई अन्य सिस्टम जो अपने स्मूथ लर्निंग को हार्ड, पठनीय नियमों में बदलने की कोशिश करते हैं, वे सटीकता खो देते हैं। यह सिस्टम बिना किसी प्रदर्शन हानि के ऐसा करता है। यह एक ऐसे शेफ की तरह है जो सटीक तराजू का उपयोग करके एक बेहतरीन भोजन बना सकता है, लेकिन वह इसे सामग्री के अनुमानित माप के साथ भी परोस सकता है, और स्वाद बिल्कुल समान रहता है।
प्रयोग: क्या यह काम करता है?
लेखकों ने इस "चूज़ योर ओन एडवेंचर" लॉजिक का दो प्रकार के कार्यों पर परीक्षण किया:
1. टेबुलर डेटा (द "स्प्रेडशीट" टेस्ट)
उन्होंने मानक डेटासेट का उपयोग किया (जैसे यह भविष्यवाणी करना कि बैंक ऋण स्वीकृत किया जाना चाहिए या नहीं)।
- परिणाम: उनका मॉडल सर्वश्रेष्ठ "ब्लैक बॉक्स" न्यूरल नेटवर्क के समान प्रदर्शन करता है, लेकिन इसने स्पष्ट, पठनीय नियम बनाए जिन्हें इंसान समझ सकते हैं। यह उन अन्य नियम-सीखने वाले सिस्टमों को भी पीछे छोड़ देता है जो अक्सर सटीक और लचीला होने के बीच भ्रमित हो जाते हैं।
2. विजुअल टिक-टैक-टो (द "परसेप्शन" टेस्ट)
यह एक कठिन परीक्षण था। बोर्ड पर "X" और "O" लिखे हुए देने के बजाय, उन्होंने कंप्यूटर को बोर्ड की तस्वीरें दीं (X, O और खाली स्थानों को दर्शाने के लिए हस्तलिखित अंकों का उपयोग किया गया)।
- चुनौती: कंप्यूटर को पहले अंकों को पहचानना (परसेप्शन) और फिर टिक-टैक-टो के नियमों को (लॉजिक) एक साथ सीखना था।
- परिणाम: LoH मॉडल ने सीधे छवियों से खेल के नियम सफलतापूर्वक सीख लिए। उसने यह समझा कि "तीन X एक पंक्ति में होने का मतलब जीत है" और वह इस नियम को साधारण अंग्रेजी में समझा सका। अन्य मॉडल या तो नियम सीखने में विफल रहे या ऐसे नियम सीखे जो पढ़ने पर समझ में नहीं आते थे।
वाइल्डफायर (जंगल की आग) का उदाहरण
यह दिखाने के लिए कि यह कितना लचीला है, उन्होंने जंगल की आग के जोखिम का आकलन करने का अनुकरण किया।
- परिदृश्य A (पूर्ण ज्ञान): उन्होंने कंप्यूटर को आग का सटीक भौतिक विज्ञान बताया (ईंधन + सूखापन + ट्रिगर)। कंप्यूटर ने केवल उपग्रह चित्रों से "जंगल" और "सूखी वनस्पति" को पहचानना सीखा।
- परिदृश्य B (आंशिक ज्ञान): उन्होंने कंप्यूटर को बताया, "हम जानते हैं कि ईंधन कैसे काम करता है, लेकिन हम 'ट्रिगर' के बारे में निश्चित नहीं हैं।" कंप्यूटर को 5 संभावित "ट्रिगर" नियमों की एक सूची दी गई। उसने डेटा को देखा और उस नियम को चुना जो वास्तव में आग की सबसे अच्छी भविष्यवाणी करता था।
- परिदृश्य C (शून्य ज्ञान): उन्होंने कंप्यूटर को सब कुछ के लिए 20 संभावित नियमों की सूची दी और उसे पूरी प्रणाली को शून्य से समझने दिया।
हर परिदृश्य में, सिस्टम ने पूरी तरह से अनुकूलन किया, जिससे सिद्ध हुआ कि यह "मैं सब कुछ जानता हूँ" से लेकर "मैं कुछ भी नहीं जानता" तक सब कुछ संभाल सकता है।
सारांश
यह शोध पत्र लॉजिक ऑफ हाइपोथीसिस (LoH) प्रस्तुत करता है, जो एक नया तरीका है जिससे एक ऐसा AI बनाया जा सके जो "कठोर नियमों" और "अंधाधुंध सीखने" के बीच सहजता से रह सके।
- यह चॉइस बॉक्स का उपयोग करता है ताकि AI यह तय कर सके कि कौन से नियम उपयोग करने हैं।
- यह एक गणितीय ट्रिक का उपयोग करता है ताकि यह सुनिश्चित हो सके कि जो नियम वह सीखता है वे पूरी तरह से सटीक हैं, भले ही उन्हें इंसानों के पढ़ने के लिए सरल बनाया गया हो।
- यह स्प्रेडशीट और छवियों दोनों पर काम करता है, जो यह साबित करता है कि यह आंशिक ज्ञान वाले जटिल वास्तविक दुनिया के कार्यों को भी संभाल सकता है।
अनिवार्य रूप से, LoH AI को यह कहने की क्षमता देता है कि, "मुझे उत्तर का सामान्य आकार पता है, लेकिन मुझे विशिष्ट विवरणों को भरने के लिए डेटा देखने की आवश्यकता है," और वह इसे पूर्ण सटीकता के साथ 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।