When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning
यह शोध पत्र उन वर्गों को सीखने की चुनौती को संबोधित करने के लिए स्टेज-अवेयर क्लास-इन्क्रीमेंटल लर्निंगिंग (Stage-CIL) प्रस्तुत करता है जो समय के साथ रूपात्मक विकास (morphological evolution) से गुजरते हैं, और इंटर-क्लास फॉरगेटिंग (inter-class forgetting) एवं इंट्रा-क्लास स्टेज-लेवल डिग्रेडेशन (intra-class stage-level degradation) दोनों को प्रभावी ढंग से कम करने के लिए स्टेज-बेंच (Stage-Bench) बेंचमार्क और STAGE फ्रेमवर्क का प्रस्ताव करता 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 जानवरों को पहचानना सिखा रहे हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, एक प्रसिद्ध चुनौती है जिसे "क्लास-इन्क्रीमेंटल लर्निंग" (Class-Incremental Learning) कहा जाता है। इसे एक छात्र द्वारा परीक्षाओं की एक लंबी श्रृंखला लेने जैसा समझें। पहले, वह कुत्तों को पहचानना सीखता है। फिर, वह बिल्लियों को सीखता है। फिर, पक्षियों को। पेचीदा हिस्सा यह है कि रोबोट की याददाश्त बहुत सीमित होती है। हर बार जब वह एक नया जानवर सीखता है, तो वह पुराने जीवों को "भूलने" लगता है, जिसे एक गड़बड़ी के रूप में जाना जाता है जिसे "कैटैस्ट्रोफिक फॉरगेटिंग" (catastrophic forgetting) कहते हैं। आमतौर पर, वैज्ञानिक यह मान लेते हैं कि एक बार जब रोबोट ने सीख लिया कि "कुत्ता" कैसा दिखता है, तो कुत्ता हमेशा एक कुत्ता ही रहता है। वे मान लेते हैं कि जानवर समय के साथ अपना आकार या रूप नहीं बदलता है।
लेकिन वास्तविक दुनिया में चीजें इतनी स्थिर नहीं होती हैं। एक कैटरपिलर (इल्ली) कैटरपिलर नहीं रहता; वह तितली में बदल जाता है। एक पुरानी कार सालों बाद बिल्कुल वैसी नहीं दिखती जैसी वह नई थी। यदि रोबोट को सिखाया जाता है कि "कैटरपिलर" और "तितली" दो पूरी तरह से अलग चीजें हैं, तो वह उस जीव के असली अर्थ को समझने में चूक जाता है जो अलग-अलग अवस्थाओं में होता है। यदि उसे सिखाया जाता है कि वे एक ही हैं लेकिन उसे उनके भारी बदलाव को संभालने का तरीका नहीं पता, तो वह भ्रमित हो जाता है। यह शोध पत्र इस समस्या के एक विशिष्ट कोने को संबोधित करता है: क्या होता है जब आप जिन चीजों को पहचानने के लिए सीख रहे हैं, वे सीखते समय वास्तव में विकसित (evolve) हो रही हैं?
इस शोध पत्र के पीछे के शोधकर्ताओं ने, जिनका नेतृत्व झेंग झांग और ताओ हू ने किया, महसूस किया कि मानक AI प्रशिक्षण विधियाँ इस विशिष्ट कार्य में विफल हो रही हैं। उनका तर्क है कि वर्तमान विधियाँ बदलती हुई वस्तु के साथ ऐसे व्यवहार करती हैं जैसे कि वह एक स्थिर वस्तु हो, जिसके कारण AI वस्तु की वास्तविक पहचान को खो देता है क्योंकि वह बदल रही होती है। इसे ठीक करने के लिए, उन्होंने AI के लिए एक नया "खेल" बनाया जिसे स्टेज-अवेयर क्लास-इन्क्रीमेंटल लर्निंग (Stage-Aware Class-Incremental Learning - Stage-CIL) कहा जाता है। केवल यह पूछने के बजाय कि, "क्या यह एक कुत्ता है?", नया खेल पूछता है, "क्या यह एक कुत्ता है, और क्या यह एक पिल्ला है या वयस्क?" जबकि यह भी सुनिश्चित करता है कि रोबोट उन पिल्लों को न भूले जिन्हें उसने हफ्तों पहले देखा था।
इसे एक वास्तविक समस्या साबित करने के लिए, टीम ने एक विशाल परीक्षण सूट बनाया जिसे स्टेज-बेंच (Stage-Bench) कहा गया। कल्पना कीजिए कि 10 अलग-अलग अध्यायों (जैसे जानवर, पौधे और वस्तुएं) वाला एक विशाल फोटो एल्बम है। प्रत्येक अध्याय के भीतर, 20 अलग-अलग वस्तुएं हैं, और प्रत्येक वस्तु के लिए, दो तस्वीरें हैं: एक उसकी "प्रारंभिक अवस्था" (जैसे एक अंकुर या लार्वा) की और एक उसकी "बाद की अवस्था" (जैसे एक पेड़ या तितली) की। कुल मिलाकर, उन्होंने लगभग 19,000 छवियों वाला एक डेटासेट बनाया। उन्होंने इसका उपयोग यह परीक्षण करने के लिए किया कि विभिन्न AI मॉडल पुराने जीवों को भूले बिना नए जीवों को कितनी अच्छी तरह सीख सकते हैं, और महत्वपूर्ण रूप से, यह भी कि वे यह न भूलें कि "प्रारंभिक संस्करण" और "बाद का संस्करण" वास्तव में एक ही जीव हैं।
जब उन्होंने परीक्षण किए, तो परिणाम चौंकाने वाले थे। उन्होंने उन सभी शीर्ष प्रदर्शन करने वाली AI विधियों को आज़माया जो आमतौर पर नई चीजों को सीखने के लिए "चैंपियन" मानी जाती हैं। हालांकि, विकसित होती वस्तुओं का सामना करने पर, मौजूदा बेहतरीन विधियां भी संघर्ष करती दिखीं। वे उस समस्या से जूझती हैं जिसे लेखक "इंट्रा-क्लास फॉरगेटिंग" (intra-class forgetting) कहते हैं। यह एक फैंसी तरीका है यह कहने का कि AI एक तितली को पहचानना तो सीख जाएगा, लेकिन फिर वह पूरी तरह से भूल जाएगा कि कैटरपिलर कैसा दिखता था, भले ही वे एक ही प्रजाति के हों। मानक विधियों ने कैटरपिलर और तितली को एक ही स्थिर ढांचे में फिट करने की कोशिश की, और AI उनके दिखने के बड़े अंतर के कारण भ्रमित हो गया।
इसे हल करने के लिए, लेखकों ने STAGE नामक एक नई विधि पेश की। STAGE को एक स्मार्ट जासूस के रूप में सोचें जो वस्तु के प्रारंभिक रूप का एक "मगशॉट" (पहचान की तस्वीर) रखता है (आइडेंटिटी एंकर)। जब वस्तु बाद में, एक विकसित रूप में दिखाई देती है, तो STAGE केवल अनुमान नहीं लगाता; यह परिवर्तन पैटर्न के एक विशेष "मेमोरी पूल" का उपयोग करके भविष्यवाणी करता है कि पुराने वाले के आधार पर नया संस्करण कैसा दिखना चाहिए। यह एक मानसिक मानचित्र की तरह है जो कहता है, "यदि मैं एक कैटरपिलर देखता हूँ, तो मुझे पता है कि वह तितली बनने के बाद बिल्कुल कैसा दिखेगा।"
प्रयोगों ने दिखाया कि STAGE प्रतिस्पर्धा में काफी बेहतर था। मुख्य परीक्षण पर, STAGE ने 75.11% की औसत सटीकता प्राप्त की, जबकि अगली सर्वश्रेष्ठ विधि केवल 59.74% तक ही पहुँच पाई। अधिक महत्वपूर्ण बात यह है कि STAGE ने वस्तुओं के प्रारंभिक चरणों को लगभग नहीं भुलाया, जिसका "इंट्रा-क्लास फॉरगेटिंग" स्कोर केवल 7.48% था, जबकि अन्य विधियां 58.61% के स्कोर के साथ संघर्ष करती रहीं। यह सुझाव देता है कि AI को यह स्पष्ट रूप से सिखाकर कि वस्तुएं समय के साथ बदल सकती हैं, बजाय इसके कि यह मान लिया जाए कि वे एक जैसी रहती हैं, हम बहुत अधिक स्मार्ट और अनुकूलन योग्य सिस्टम बना सकते हैं। शोध पत्र निष्कर्ष निकालता है कि जबकि मौजूदा विधियां नई श्रेणियों को सीखने में अच्छी हैं, उन्हें हमारे जीवन की जटिल और विकसित होती वास्तविकता को संभालने के लिए एक बड़े अपग्रेड की आवश्यकता 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।