🤖 machine learning

Knowledge-Informed Kernel State Reconstruction from Heterogeneous Partial Observations

यह शोधपत्र MAAT को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो आंशिक, शोरयुक्त और विषम अवलोकनों से सुचारू, सुसंगत अवस्था प्रक्षेपवक्रों (स्टेट ट्राजेक्टरीज) और उनके डेरिवेटिव्स को पुनर्गठित करने के लिए रिप्रोड्यूसिंग कर्नेल हिल्बर्ट स्पेस और भौतिक पूर्वग्रहों (फिजिकल प्रायर्स) का लाभ उठाता है, जिससे बेसलाइनों की तुलना में सटीकता में उल्लेखनीय सुधार होता है और डाउनस्ट्रीम मैकेनिस्टिक खोज को सक्षम बनाया जाता है।

मूल लेखक: Luca Muscarnera, Silas Ruhrberg Estévez, Samuel Holt, Evgeny Saveliev, Mihaela van der Schaar

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luca Muscarnera, Silas Ruhrberg Estévez, Samuel Holt, Evgeny Saveliev, Mihaela van der Schaar

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 किसी जटिल घटना के मूवी को फिर से बनाने (reconstruct करने) की कोशिश कर रहे हैं, जैसे कि किसी शहर में बीमारी का फैलना या शरीर के भीतर ट्यूमर का बढ़ना। लेकिन यहाँ एक पेच है: आपके पास पूरी मूवी नहीं है। इसके बजाय, आपके पास सुरागों का एक बिखरा हुआ संग्रह है:

कुछ सुराग धुंधली तस्वीरें हैं जो यादृच्छिक (random) समय पर ली गई हैं (विरल डेटा/sparse data)।
कुछ सुराग तेज़, शोर-शराबे वाली ऑडियो रिकॉर्डिंग हैं जो केवल सामान्य आवाज़ बताती हैं, लेकिन विशिष्ट शब्द नहीं (सघन लेकिन अप्रत्यक्ष डेटा)।
कुछ सुराग अलग-अलग भाषाओं के हैं जो अलग-अलग सेंसर द्वारा बोले गए हैं (विषम डेटा/heterogeneous data)।

इन सबको जोड़कर उस वास्तविक कहानी को समझना जो वास्तव में घटित हुई थी, अत्यंत कठिन है। यदि आप केवल बिंदुओं को एक सीधी रेखा से जोड़ने की कोशिश करते हैं, तो आपको एक टेढ़ा-मेढ़ा और अवास्तविक परिणाम मिलेगा। यदि आप बिना नियमों के लुप्त हिस्सों का अनुमान लगाने की कोशिश करते हैं, तो आप एक ऐसी कहानी गढ़ सकते हैं जो भौतिकी (physics) के नियमों के विरुद्ध हो (जैसे कि ट्यूमर का अचानक सिकुड़ जाना या वायरस का अचानक प्रकट हो जाना)।

यह शोध पत्र इस पहेली को सुलझाने के लिए एक नया उपकरण पेश करता है जिसे MAAT (Model Aware Approximation of Trajectories) कहा जाता है।

मूल विचार: "स्मार्ट स्केच आर्टिस्ट"

MAAT को एक अत्यधिक कुशल स्केच आर्टिस्ट के रूप में सोचें जो न केवल वह बनाता है जो वह देखता है, बल्कि उसे उस दुनिया के नियमों का भी ज्ञान है जिसे वह बना रहा है।

कैनवास (द कर्नल): पिक्सेल के ग्रिड पर चित्र बनाने के बजाय, MAAT एक "चिकने कैनवास" (गणितीय रूप से जिसे 'रिप्रोड्यूसिंग कर्नल हिल्बर्ट स्पेस' कहा जाता है) पर चित्र बनाता है। यह सुनिश्चित करता है कि अंतिम चित्र स्वाभाविक रूप से सुचारू (smooth) और निरंतर हो, न कि टेढ़ा-मेढ़ा।
सुराग (विषम अवलोकन/Heterogeneous Observations): कलाकार आपके सभी बिखरे हुए सुरागों को लेता है—धुंधली तस्वीरें, तेज़ आवाज़, अलग-अलग भाषाएँ—और यह पता लगाता है कि वे सभी छिपी हुई वास्तविक कहानी से कैसे संबंधित हैं। वह जानता है कि एक सेंसर "कुल जनसंख्या" को मापता है जबकि दूसरा "संक्रमित लोगों" को मापता है, और वह उन्हें सही ढंग से एक साथ फिट करता है।
नियम (ज्ञान-आधारित पूर्व धारणाएं/Knowledge-Informed Priors): यही असली जादू है। कलाकार को एक नियम पुस्तिका दी जाती है।
- नियम 1: "कुछ भी ऋणात्मक (negative) नहीं हो सकता।" (आपके पास -5 लोग नहीं हो सकते)।
- नियम 2: "पदार्थ संरक्षित रहता है।" (यदि लोग 'स्वस्थ' समूह से 'बीमार' समूह में जाते हैं, तो कुल संख्या समान रहती है)।
- नियम 3: "कुछ चीजें केवल एक ही दिशा में चलती हैं।" (इस विशिष्ट मॉडल में, एक बार व्यक्ति ठीक हो जाने के बाद, वह तुरंत फिर से बीमार नहीं हो सकता)।
  MAAT इन नियमों का पालन करने के लिए अपने चित्र को मजबूर करता है जबकि वह बीच के खाली स्थानों को भरता है।

यह क्यों महत्वपूर्ण है: "स्पीडोमीटर" की समस्या

विज्ञान में, यह जानना कि कोई चीज़ कहाँ है (स्थिति/position) केवल आधी लड़ाई है। आपको यह भी जानने की आवश्यकता है कि वह कितनी तेज़ चल रही है और किस दिशा में मुड़ रही है (डेरिवेटिव/गति/speed)।

पुराना तरीका: यदि आपके पास डेटा की एक शोर-शराबे वाली और टेढ़ी-मेढ़ी रेखा है और आप दो बिंदुओं के बीच के अंतर को देखकर गति की गणना करने की कोशिश करते हैं, तो शोर बढ़ जाता है। यह एक कार की गति को फ्रेम-दर-फ्रेम एक हिलते हुए वीडियो से मापने की तरह है; परिणाम एक बहुत ही गलत और अस्थिर अनुमान होगा।
MAAT का तरीका: क्योंकि MAAT एक गणितीय रूप से पूर्ण, चिकनी वक्र (curve) बनाता है जो नियमों का पालन करती है, यह गति को एनालिटिकली (analytically) निकाल सकता है। इसे अनुमान लगाने की आवश्यकता नहीं है; यह किसी भी क्षण सटीक गति निकाल सकता है क्योंकि वह वक्र स्वयं एक पूर्ण गणितीय सूत्र है। यह वैज्ञानिकों को एक साफ, शोर-मुक्त "स्पीडोमीटर" रीडिंग प्रदान करता है।

परिणाम: एक बेहतर कहानी

लेखकों ने नौ अलग-अलग वैज्ञानिक पहेलियों पर MAAT का परीक्षण किया, जिनमें शामिल हैं:

महामारी (Epidemics): बीमारियों (जैसे SEIR, जो एक मानक फ्लू मॉडल है) के फैलने को ट्रैक करना।
कैंसर (Cancer): ट्यूमर के बढ़ने और दवाओं द्वारा उन्हें मारने के मॉडल को समझना।
वास्तविक दुनिया का डेटा: उन्होंने यूरोप के वास्तविक COVID-19 डेटा पर भी इसका परीक्षण किया।

प्रत्येक मामले में, MAAT ने मानक उपकरणों (जैसे सरल स्मूथिंग, कलमन फिल्टर, या डीप लर्निंग "ब्लैक बॉक्स") की तुलना में बेहतर काम किया। इसने वास्तविक कहानी को अधिक सटीक रूप से पुनर्गठित किया और सबसे महत्वपूर्ण बात यह है कि इसने गति/डेरिवेटिव डेटा को बहुत अधिक सटीक बनाया।

डाउनस्ट्रीम लाभ: "सिंबोलिक रिग्रेशन"

इस शोध पत्र का अंतिम लक्ष्य केवल एक सुंदर चित्र बनाना नहीं है; यह वैज्ञानिकों को प्रकृति के नियमों की खोज करने में मदद करना है।

एक बार जब MAAT एक साफ, चिकनी और भौतिक रूप से सुसंगत कहानी (ट्रैजेक्टरी और उसकी गति) प्रदान कर देता है, तो वैज्ञानिक इस डेटा को एक "सिंबोलिक रिग्रेशन" इंजन (जैसे SINDy या PySR) में डाल सकते हैं। इस इंजन को एक जासूस के रूप में समझें जो साफ डेटा को देखता है और पूछता है, "कौन सा सरल गणितीय समीकरण इस घटना की व्याख्या करता है?"

क्योंकि MAAT ने शोर को साफ कर दिया और भौतिक नियमों को लागू किया, इसलिए जासूस सही समीकरण को बहुत आसानी से खोज सकता है। बिना MAAT के, जासूस शोर से भ्रमित हो जाएगा और एक ऐसा नकली, जटिल नियम बना लेगा जिसका कोई अर्थ नहीं होगा।

सारांश

MAAT एक ऐसा ढांचा (framework) है जो बिखरे हुए, आंशिक और शोर वाले वैज्ञानिक मापों को एक सुचारू, भौतिक रूप से यथार्थवादी कहानी में बदल देता है। यह ऐसा ज्ञात वैज्ञानिक नियमों (जैसे "कुछ भी ऋणात्मक नहीं है") के साथ डेटा को जोड़कर और एक विशेष गणितीय कैनवास का उपयोग करके करता है जो सटीक गति गणना की अनुमति देता है। यह साफ आउटपुट फिर वैज्ञानिकों को उन अंतर्निहित गणितीय नियमों को आसानी से खोजने में सक्षम बनाता है जो उस प्रणाली को नियंत्रित करते हैं।

तकनीकी सारांश: विषम आंशिक अवलोकनों से ज्ञान-सूचित कर्नेल अवस्था पुनर्निर्माण (Knowledge-Informed Kernel State Reconstruction from Heterogeneous Partial Observations)

समस्या का निरूपण (Problem Formulation)

वास्तविक वैज्ञानिक प्रणालियाँ, विशेष रूप से नैदानिक (clinical) और जैविक क्षेत्रों में, शायद ही कभी पूर्ण, नियमित रूप से नमूना लिए गए अवस्था प्रक्षेपवक्रों (state trajectories) के माध्यम से देखी जाती हैं। इसके बजाय, माप अक्सर आंशिक, शोरयुक्त (noisy) और विषम होते हैं, जो लेटेंट डायनेमिकल अवस्थाओं के खंडित दृश्य प्रदान करते हैं। उदाहरण के लिए, ऑन्कोलॉजी में, ट्यूमर का भार स्पार्स इमेजिंग के माध्यम से देखा जा सकता है, जबकि सघन लेकिन अप्रत्यक्ष बायोमार्कर रक्त पैनलों से प्राप्त किए जाते हैं। ये अवलोकन अस्थायी रिज़ॉल्यूशन, शोर की विशेषताओं और लेटेंट स्टेट के साथ उनके संबंध में भिन्न होते हैं।

मूल चुनौती एक डेटा फ्यूजन समस्या है: विषम संरचना वाले खंडित अवलोकनों से भौतिक रूप से सार्थक लेटेंट प्रक्षेपवक्रों और उनके समय के डेरिवेटिव्स को पुनर्गठित करना। मौजूदा दृष्टिकोण इसे समग्र रूप से संबोधित करने में विफल रहते हैं:

शास्त्रीय स्मूथिंग (Classical smoothing) (जैसे स्प्लाइन्स) डोमेन बाधाओं और विषम अवलोकन ऑपरेटरों की अनदेखी करती है।
स्टेट-स्पेस मॉडल (State-space models) (जैसे कलमन फिल्टर) के लिए a priori ट्रांजिशन डायनेमिक्स को निर्दिष्ट करने की आवश्यकता होती है।
डीप लेटेंट मॉडल (Deep latent models) (जैसे न्यूरल ODEs) ब्लैक-बॉक्स प्रतिनिधित्व पर निर्भर करते हैं जो यांत्रिक संरचना (mechanistic structure) को अस्पष्ट कर देते हैं।

परिणामस्वरूप, अवस्था पुनर्निर्माण (state reconstruction) को अक्सर केवल एक प्रीप्रोसेसिंग स्टेप के रूप में माना जाता है, जो सिम्बोलिक रिग्रेशन जैसे डाउनस्ट्रीम मैकेनिकल डिस्कवरी तरीकों के लिए एक बाधा उत्पन्न करता है, जिन्हें सटीक, एनालिटिक डेरिवेटिव्स की आवश्यकता होती है।

कार्यप्रणाली: MAAT

लेखक MAAT (Model Aware Approximation of Trajectories) का परिचय देते हैं, जो ज्ञान-सूचित कर्नेल अवस्था पुनर्निर्माण के लिए एक फ्रेमवर्क है। MAAT पुनर्निर्माण को रिप्रोडसिंग कर्नेल हिल्बर्ट स्पेस (RKHS) के भीतर एक रिस्क मिनिमाइजेशन समस्या के रूप में स्वरूपित करता है।

1. अनुकूलन ढांचा (Optimization Framework)

MAAT एक प्रक्षेपवक्र फलन $\hat{x} \in \mathcal{H}_K$ की खोज करता है जो तीन घटकों को शामिल करते हुए एक रेगुलराइज्ड एम्पिरिकल रिस्क को कम करता है:
$\hat{x} = \arg\min_{x \in \mathcal{H}_K} \underbrace{\sum_{i=1}^N \|y_i - H_i(x(t_i))\|^2}_{\text{Data Fidelity}} + \underbrace{\lambda_1 \|x\|_{\mathcal{H}_K}^2}_{\text{Smoothness}} + \underbrace{\lambda_2 R_{\text{phys}}(x, C)}_{\text{Physical Priors}}$

डेटा फिडेलिटी (Data Fidelity): विषम अवलोकन ऑपरेटरों $H_i$ को ध्यान में रखता है, जिससे मॉडल विविध प्रकार के मापन (जैसे स्पार्स डायरेक्ट मेजरमेंट्स बनाम डेंस एग्रीगेटेड सिग्नल्स) और शोर के स्तरों को एक साथ संभालने में सक्षम होता है।
स्मूथनेस (Smoothness): RKHS नॉर्म के माध्यम से लागू किया जाता है, जो निरंतर प्रक्षेपवक्र सुनिश्चित करता है।
फिजिकल प्रायर्स (Physical Priors - $R_{\text{phys}}$ ): यह गैर-ऋणात्मकता (non-negativity), द्रव्यमान संरक्षण (conservation of mass), और डोमेन-विशिष्ट मेजरमेंट मॉडल्स जैसे सिमेंटिक और स्ट्रक्चरल बाधाओं को शामिल करता है।

2. कर्नेल स्टेट रिकंस्ट्रक्शन (Kernel State Reconstruction - KSR)

प्रत्येक स्टेट वेरिएबल के लिए प्रक्षेपवक्र को कर्नेल फंक्शन्स के लीनियर कॉम्बिनेशन के रूप में मॉडल किया जाता है: $\hat{x}_j(t) = \sum_{\ell=1}^N u_{\ell j} \kappa(t, t_\ell)$ । गुणांक $U$ को एक कंपोजिट लॉस फंक्शन को कम करके सीखा जाता है जो निम्नलिखित के बीच संतुलन बनाता है:

फुल-स्टेट स्नैपशॉट्स के प्रति फिडेलिटी।
लीनियर सिग्नल्स के प्रति फिडेलिटी (ऑब्जर्वेशन ऑपरेटर्स $H_i$ के माध्यम से)।
सिस्टम डायनेमिक्स पर पूर्व परिकल्पनाओं (जैसे ज्ञात वेक्टर फील्ड $F$ से विचलन) से विचलन।
गुणांकों का रेगुलराइजेशन।

3. एनालिटिक डेरिवेटिव्स और मजबूती (Analytic Derivatives and Robustness)

MAAT की एक प्रमुख विशेषता यह है कि यह एनालिटिक टाइम डेरिवेटिव्स प्रदान करने में सक्षम है। चूंकि पुनर्निर्मित प्रक्षेपवक्र का समय डेरिवेटिव केवल कर्नेल फंक्शन पर कार्य करता है (जो कि $C^\infty$ स्मूथ है, जैसे गाऊसी), डेरिवेटिव्स के क्लोज्ड-फॉर्म एक्सप्रेशन उपलब्ध होते हैं।

सैद्धांतिक औचित्य: लेखक सिद्ध करते हैं कि कंपोजिट लॉस, वास्तविक $L_2$ रिकंस्ट्रक्शन एरर के लिए एक कैलिब्रेटेड सरोगेट है।
शोर मजबूती (Noise Robustness): फाइनाइट डिफरेंस मेथड्स के विपरीत, जो शोर प्रवर्धन ( $O(\sigma^2/\Delta t^2)$ ) के कारण एक अपरिहार्य एरर फ्लोर से ग्रस्त होते हैं, MAAT का एनालिटिक डेरिवेटिव एस्टिमेटर रेगुलराइजेशन पैरामीटर और सैंपल साइज ( $O(\lambda) + O(\sigma^2/n)$ ) के साथ स्केल करता है, जिससे हाई-फ्रीक्वेंसी शोर प्रवर्धन से बचा जा सकता है।

मुख्य योगदान

वैचारिक (Conceptual): पेपर विषम आंशिक अवलोकनों से ज्ञान-सूचित अवस्था पुनर्निर्माण को मैकेनिकल मॉडलिंग के लिए एक केंद्रीय बाधा के रूप में पहचानता है।
तकनीकी (Technical): MAAT विषम अवलोकन ऑपरेटरों और स्ट्रक्चरल प्रायर्स को पुनर्निर्माण ऑब्जेक्टिव में सीधे शामिल करता है, न कि उन्हें अलग प्रीप्रोसेसिंग स्टेप के रूप में मानता है।
अनुभवजन्य (Empirical): यह फ्रेमवर्क स्मूथ, फिजिकली कंसिस्टेंट स्टेट एस्टिमेट्स और एनालिटिक डेरिवेटिव्स प्रदान करता है, जो डाउनस्ट्रीम सिम्बोलिक रिग्रेशन के लिए एक सिद्धांतपूर्ण इंटरफेस प्रदान करता है।

प्रयोगात्मक परिणाम

लेखकों ने नौ वैज्ञानिक बेंचमार्क (महामारी विज्ञान, ऑन्कोलॉजी और फार्माकोलॉजी में फैले हुए) और एक वास्तविक COVID-19 डेटासेट पर MAAT का मूल्यांकन किया।

प्रदर्शन: MAAT ने RBF स्मूथिंग, क्यूबिक स्प्लाइन्स, गाऊशियन प्रोसेस, कलमन फिल्टर्स और न्यूरल ODEs सहित मजबूत बेसलाइन की तुलना में प्रक्षेपवक्र और डेरिवेटिव रिकंस्ट्रक्शन एरर को काफी कम कर दिया।
शोर शासन (Noise Regimes): विधि ने गाऊशियन, कोरिलेटेड गाऊशियन और हेवी-टेल्ड स्टूडेंट-टी शोर शासन में मजबूती प्रदर्शित की।
स्ट्रक्चरल प्रायर्स: डोमेन ज्ञान (जैसे SEIR मॉडल्स में मास कंजर्वेशन, नॉन-नेगेटिविटी कंस्ट्रेंट्स) को शामिल करने से रिकवर किए गए प्रक्षेपवपथों के मीन स्क्वेर्ड एरर (MSE) में काफी कमी आई।
डाउनस्ट्रीम प्रभाव: जब सिम्बोलिक रिग्रेशन एल्गोरिदम (SINDy और PySR) के साथ जोड़ा गया, तो MAAT द्वारा पुनर्निर्मित प्रक्षेपवक्रों ने बेसलाइन मेथड्स की तुलना में अधिक सटीक इक्वेशन डिस्कवरी की ओर ले जाने वाले उच्च-गुणवत्ता वाले एनालिटिक डेरिवेटिव्स प्रदान किए।
वास्तविक दुनिया का अनुप्रयोग: COVID-19 डेटासेट पर, बीमारी की गतिशीलता को रिकवर करने के लिए उपयोग किए जाने पर MAAT ने सभी बेसलाइन्स की तुलना में काफी कम टेस्ट MSE प्राप्त किया।

महत्व और दावे

यह पेपर MAAT को वैज्ञानिक मशीन लर्निंग में "रिप्रेजेंटेशनल बॉटलनेक" के समाधान के रूप में प्रस्तुत करता है। अवस्था पुनर्निर्माण को विशुद्ध रूप से संख्यात्मक प्रीप्रोसेसिंग स्टेप से फंक्शन स्पेस में ज्ञान-सूचित अनुमान (knowledge-informed inference) की ओर ले जाकर, MAAT सक्षम बनाता है:

फिजिकली कंसिस्टेंट एस्टिमेट्स: ऐसे प्रक्षेपवक्र जो डोमेन बाधाओं (जैसे गैर-ऋणात्मकता, संरक्षण नियम) का सम्मान करते हैं।
मैकेनिकल डिस्कवरी: उच्च-गुणवत्ता वाले एनालिटिक डेरिवेटिव्स जो सफल सिम्बोलिक रिग्रेशन के लिए महत्वपूर्ण इनपुट हैं, जिससे शोधकर्ताओं को खंडित डेटा से गवर्निंग इक्वेशंस खोजने में मदद मिलती है।
नैदानिक प्रासंगिकता (Clinical Relevance): यह फ्रेमवर्क क्वांटिटेटिव सिस्टम फार्माकोलॉजी (QSP) के वर्कफ़्लो के साथ संरेखित है, जहाँ मॉडल व्याख्या योग्य मॉड्यूल से असेंबल किए जाते हैं। MAAT स्पार्स, सबसिस्टम-विशिष्ट मापन को डेंस इनडायरेक्ट सिग्नल्स के साथ जोड़ने और चिकित्सकीय रूप से सार्थक बाधाओं को लागू करने में सहायता करता है, जो इसे मॉडल-इंफोर्मड ड्रग डेवलपमेंट और नियामक निर्णय लेने के लिए उपयुक्त बनाता है।

लेखक नोट करते हैं कि MAAT की प्रभावशीलता उपलब्ध अवलोकनों की सूचनात्मकता और इंजेक्टेड प्रायर्स की वैधता पर निर्भर करती है। यदि माप बहुत स्पार्स हैं या प्रायर्स गलत तरीके से निर्दिष्ट हैं, तो पुनर्निर्माण पक्षपाती हो सकता है। हालाँकि, उन संरचित वैज्ञानिक डोमेन के संदर्भ में जहाँ ऐसे प्रायर्स उपलब्ध हैं, MAAT खंडित डेटा से मैकेनिकल समझ तक पहुँचने का एक सिद्धांतपूर्ण मार्ग प्रदान करता है।