← नवीनतम पेपर
📊 statistics

ECSEL: Explainable Classification via Signomial Equation Learning

यह शोध पत्र ECSEL को प्रस्तुत करता है, जो एक कुशल और व्याख्या योग्य वर्गीकरण पद्धति है जो प्रतिस्पर्धी सटीकता प्राप्त करने के लिए संक्षिप्त साइनोमियल समीकरणों को सीखती है और साथ ही वैश्विक और स्थानीय स्पष्टीकरण, पूर्वाग्रह का पता लगाने और काउंटरफैक्चुअल तर्क क्षमताओं को भी प्रदान करती है।

मूल लेखक: Adia Lumadjeng, Ilker Birbil, Erman Acar

प्रकाशित 2026-05-27
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Adia Lumadjeng, Ilker Birbil, Erman Acar

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 कंप्यूटर को निर्णय लेना सिखाने की कोशिश कर रहे हैं, जैसे कि किसी फर्जी क्रेडिट कार्ड लेनदेन का पता लगाना या यह अनुमान लगाना कि वेबसाइट पर आया कोई विजिटर खरीदारी करेगा या नहीं। आमतौर पर, हम "ब्लैक बॉक्स" मॉडल (जैसे कि डीप न्यूरल नेटवर्क) का उपयोग करते हैं। ये एक प्रतिभाशाली लेकिन मौन जादूगर की तरह होते हैं: वे सही उत्तर तो प्राप्त कर लेते हैं, लेकिन यदि आप उनसे पूछें, "आपको यह कैसे पता चला?" तो वे बस कंधे उचका देते हैं। आपको परिणाम तो मिल जाता है, लेकिन कोई स्पष्टीकरण नहीं मिलता।

यह शोध पत्र ECSEL (एक्सप्लेनेबल क्लासिफिकेशन वाया साइनोमियल इक्वेशन लर्निंग) पेश करता है, जो एक "मौन जादूगर" के बजाय एक पारदर्शी अकाउंटेंट की तरह कार्य करने वाली एक नई विधि है। यह केवल आपको "हाँ" या "नहीं" नहीं देता; बल्कि यह आपको वह वास्तविक गणितीय समीकरण भी सौंप देता है जिसका उपयोग इसने वह निर्णय लेने के लिए किया था।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. गुप्त सामग्री: "साइनोमिअल्स" (Signomials)

अधिकांश AI मॉडल डेटा को जटिल, उलझे हुए जाल में फिट करने की कोशिश करते हैं। हालाँकि, ECSEL एक विशिष्ट, सरल पैटर्न की तलाश करता है जिसे साइनोमियल कहा जाता है।

एक साइनोमियल को एक स्मूदी की रेसिपी की तरह समझें।

  • एक बिखरी हुई सामग्रियों की सूची के बजाय, एक साइनोमियल रेसिपी ऐसी दिखती है:
    • (स्ट्रॉबेरी की घात 1.2) × (केले की घात 0.5) × (दूध की घात -0.3)
  • इस रेसिपी में, संख्याएँ (घातांक/exponents) आपको बताती हैं कि प्रत्येक सामग्री कितनी महत्वपूर्ण है।
    • यदि संख्या सकारात्मक (positive) है, तो उस सामग्री को अधिक जोड़ने से स्मूदी "मजबूत" (स्कोर बढ़ना) होती है।
    • यदि संख्या नकारात्मक (negative) है, तो अधिक जोड़ने से वह "कमजोर" (स्कोर घटना) होती है।
    • यदि संख्या बड़ी है, तो वह सामग्री मुख्य आकर्षण होती है।

ECSEL इन रेसिपीज़ को स्वचालित रूप से सीखता है। क्योंकि इसका गणित इतना स्पष्ट है, आप समीकरण को पढ़ सकते हैं और तुरंत तर्क समझ सकते हैं: "ओह, उच्च लेनदेन राशि और कम बैंक बैलेंस का संयोजन ही मुख्य कारण है कि यह धोखाधड़ी जैसा लग रहा है।"

2. यह "ब्लैक बॉक्स" से बेहतर क्यों है?

शोधकर्ताओं का दावा है कि जबकि अन्य AI मॉडल अक्सर अधिक सटीक होते हैं लेकिन समझने में असंभव होते हैं, ECSEL एक संतुलित मध्यम मार्ग है।

  • "जादू" बनाम "मानचित्र": एक ब्लैक-बॉक्स मॉडल एक ऐसे ड्राइवर की तरह है जो आपको गंतव्य तक तो ले जाता है लेकिन रास्ता नहीं बताता। ECSEL एक GPS मानचित्र देने जैसा है जो आपको सटीक मोड़ दिखाता है।
  • गति और दक्षता: लेखकों ने ECSEL का परीक्षण मानक "पहेली" डेटासेट (जहाँ कंप्यूटर को छिपे हुए गणितीय सूत्र का अनुमान लगाना होता है) पर किया। ECSEL ने वर्तमान अत्याधुनिक AI विधियों की तुलना में इन पहेलियों को बहुत तेज़ी से और अधिक बार हल किया। इसने 96% बार सही "रेसिपी" खोजी, जबकि अन्य तरीकों ने केवल लगभग 59% बार ऐसा किया, और ECSEL ने इसे बहुत कम समय में कर दिखाया।

3. आप समीकरण के साथ क्या कर सकते हैं?

चूँकि ECSEL आपको वास्तविक सूत्र देता है, इसलिए यह तीन सुपरपावर प्रदान करता जो ब्लैक बॉक्स के पास नहीं हैं:

  • "क्या होगा अगर" मशीन (Counterfactuals): आप पूछ सकते हैं, "क्या होगा यदि इस ग्राहक ने $10 अधिक खर्च किए होते?" क्योंकि गणित स्पष्ट है, ECSEL पूरे मॉडल को फिर से प्रशिक्षित किए बिना तुरंत नया उत्तर निकाल सकता है। यह अपनी स्मूदी रेसिपी में सामग्री को एडजस्ट करने और तुरंत नए स्वाद को जानने जैसा है।
  • "क्यों" बटन (Feature Importance): यह आपको बताता है कि किन कारकों ने निर्णय को किस दिशा में धकेला। धोखाधड़ी के मामले में, यह कह सकता है, "इस लेनदेन को इसलिए चिह्नित किया गया क्योंकि राशि बहुत बड़ी थी (सकारात्मक प्रभाव) लेकिन बैंक बैलेंस शून्य था (नकारात्मक प्रभाव)।"
  • ग्लोबल बनाम लोकल: यह सभी के लिए सामान्य नियम (Global) और एक व्यक्ति के निर्णय के विशिष्ट कारणों (Local) दोनों को समझाने के लिए एक ही समीकरण का उपयोग कर सकता है।

4. वास्तविक दुनिया के परीक्षण

लेखकों ने ECSEL का परीक्षण दो वास्तविक दुनिया के परिदृश्यों में किया ताकि देखा जा सके कि यह कितना प्रभावी है:

  • ऑनलाइन शॉपिंग: उन्होंने भविष्यवाणी करने की कोशिश की कि वेबसाइट का विजिटर खरीदारी करेगा या नहीं। ECSEL ने एक स्पष्ट नियम पाया: "यदि उपयोगकर्ता उच्च-मूल्य वाले पेजों को देखता है लेकिन जल्दी नहीं छोड़ता, तो उसके खरीदने की संभावना अधिक है।" यह बिक्री की भविष्यवाणी करने में जटिल AI मॉडल जितना ही अच्छा था, लेकिन इसने एक स्पष्ट, पठनीय कारण भी दिया।
  • धोखाधड़ी का पता लगाना (Fraud Detection): उन्होंने लाखों फर्जी मोबाइल मनी लेनदेन पर इसका परीक्षण किया। ECSEL ने एक फॉर्मूला सीखा जिसने विशिष्ट पैटर्न (जैसे शून्य बैलेंस वाले खातों से बड़े ट्रांसफर) को देखकर धोखाधड़ी को पहचाना। यह एक विशाल ट्री-बेस्ड मॉडल (XGBoost) की तुलना में थोड़ा कम "सटीक" (accurate) था, लेकिन यह बहुत अधिक सटीक (कम गलत अलार्म) था और सबसे महत्वपूर्ण बात यह है कि इसने यह स्पष्टीकरण भी दिया कि इसने लेनदेन को क्यों चिह्नित किया।

निष्कर्ष

ECSEL एक ऐसा उपकरण है जो स्पष्टता के लिए प्रदर्शन का त्याग करने से इनकार करता है। यह साबित करता है कि अच्छे परिणाम प्राप्त करने के लिए आपको रहस्यमय, समझ से बाहर AI की आवश्यकता नहीं है। एक विशिष्ट, गणितीय रूप से सुंदर प्रकार के समीकरण (साइनोमियल) का उपयोग करके, यह मॉडल बनाता है जो प्रशिक्षित होने में तेज़, सटीकता में प्रतिस्पर्धी और पूरी तरह से पारदर्शी हैं—जैसे कि केवल तैयार घर दिखाने के बजाय आपको उसका ब्लूप्रिंट थमा देना।

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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 📊 stat →