🤖 AI

PriorProbe: Recovering Individual-Level Priors for Personalizing Neural Networks in Facial Expression Recognition

यह शोध पत्र PriorProbe प्रस्तुत करता है, जो एक नवीन MCMC-आधारित ढांचा है जो चेहरे के भाव पहचान कार्यों में तंत्रिका नेटवर्क (न्यूरल नेटवर्क) के वैयक्तिकरण और भविष्य कहने वाली सटीकता को महत्वपूर्ण रूप से बढ़ाने के लिए सूक्ष्म स्तर के व्यक्तिगत संज्ञानात्मक पूर्वग्रहों (कॉग्निटिव प्रायर्स) को सफलतापूर्वक पुनर्प्राप्त करता है।

मूल लेखक: Haijiang Yan, Nick Chater, Adam Sanborn

प्रकाशित 2026-02-05

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Haijiang Yan, Nick Chater, Adam Sanborn

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 बहुत ही बुद्धिमान रोबोट को मानवीय चेहरे पढ़ना सिखाने की कोशिश कर रहे हैं। वह रोबोट पहले से ही इसमें बहुत माहिर है; वह एक स्पष्ट, खुशमिजाज मुस्कान देखकर 99% निश्चितता के साथ कह सकता है, "यह खुशी है!"

लेकिन समस्या यह है: मानवीय चेहरे हमेशा स्पष्ट नहीं होते। कभी-कभी, एक चेहरा मिश्रित भावनाओं का होता, या अभिव्यक्ति बहुत सूक्ष्म होती है। इन "धुंधले" क्षणों में, रोबोट भ्रमित हो जाता है। क्यों? क्योंकि रोबोट आपके व्यक्तिगत इतिहास या दुनिया को देखने के आपके विशिष्ट तरीके को नहीं जानता।

इसे इस तरह समझें: यदि आप अंधेरे में एक परछाई देखते हैं, तो आप सोच सकते हैं कि यह एक मिलनसार कुत्ता है क्योंकि आप कुत्तों से प्यार करते हैं। आपका पड़ोसी, जो कुत्तों से डरता है, वह उसे एक राक्षस समझ सकता है। छाया (डेटा) दोनों के लिए एक ही है, लेकिन आपकी पूर्व धारणाएं (आप क्या देखते हैं इसकी अपेक्षा) पूरी तरह से अलग हैं।

यह पेपर इस समस्या को ठीक करने के लिए PriorProbe नामक एक नया टूल पेश करता है। यह कैसे काम करता है, यहाँ इसके सरल चरणों में विवरण दिया गया है:

1. समस्या: रोबोट का "एक ही आकार सबके लिए" वाला दिमाग

वर्तमान AI मॉडल बहुत से लोगों के समूहों पर प्रशिक्षित होते हैं। वे चेहरों को देखने का एक "औसत" तरीका सीखते हैं। लेकिन इंसान औसत नहीं होते। जब एक चेहरा अस्पष्ट होता है, तो रोबोट यह अनुमान लगाने में विफल रहता है कि आप विशेष रूप से क्या सोचेंगे, क्योंकि वह आपके अद्वितीय "मानसिक फिल्टर" को नहीं जानता।

2. समाधान: PriorProbe (एक "मन पढ़ने वाला" खेल)

शोधकर्ताओं ने यह पता लगाने के लिए एक विशेष खेल बनाया कि आप भावनाओं के बारे में कैसे सोचते हैं, बिना रोबोट के दिमाग को बदले।

सेटअप: उन्होंने एक विशेष "फेस फैक्ट्री" (जिसे DistFace कहा जाता है) बनाई। कल्पना कीजिए कि एक ऐसी मशीन है जो चेहरों को मिला और मिला सकती है। यह किसी अजनबी का चेहरा ले सकती है और उस पर एक "खुशी" का भाव डाल सकती है, या एक "डरा हुआ" भाव डाल सकती है, बिना उस व्यक्ति की पहचान बदले। यह सुनिश्चित करता है कि रोबोट इस बात से भ्रमित न हो कि व्यक्ति कौन है, बल्कि केवल इस बात से कि वह कैसा दिख रहा है।
खेल (MCMC लूप): आपसे केवल यह पूछने के बजाय कि "क्या यह चेहरा खुश है या दुखी?", शोधकर्ता आपके साथ एक आगे-पीछे चलने वाला खेल खेलते हैं:
1. चेहरे का दौर: वे आपको एक विशिष्ट भावना (जैसे "क्रोध") दिखाते हैं और पूछते हैं, "इन दो चेहरों में से कौन सा चेहरा क्रोध जैसा दिखता है?" आप एक चुनते हैं।
2. श्रेणी का दौर: वे आपको एक चेहरा दिखाते हैं और पूछते हैं, "क्या यह चेहरा 'क्रोध' है या 'दुख'?" आप एक चुनते हैं।
3. लूप: वे आपके उत्तरों का उपयोग करके सैकड़ों बार इसे दोहराते हैं, जिससे वे धीरे-धीरे आपके विशिष्ट मस्तिष्क तक पहुँच पाते हैं। यह एक जासूस की तरह है जो विशिष्ट प्रश्न पूछकर संदिग्धों की सूची को कम करता है, जब तक कि वह यह न जान जाए कि भावनाओं का आपका मानसिक मानचित्र कैसा दिखता है।

3. परिणाम: आपका व्यक्तिगत "इमोशन मैप"

इस खेल के अंत तक, शोधकर्ताओं के पास आपकी पूर्व धारणाओं का एक सटीक मानचित्र होता है। वे जानते हैं कि किसी विशेष चेहरे को "खुश" बनाम "दुखी" समझने की संभावना कितनी है, यहाँ तक कि आपके उस चेहरे को देखने से पहले ही।

वे इसे आपका इंडिविजुअल-लेवल प्रायर (व्यक्तिगत स्तर की पूर्व धारणा) कहते हैं।

4. परीक्षण: क्या यह रोबोट की मदद करता है?

शोधकर्ताओं ने इन व्यक्तिगत मानचित्रों को एक शीर्ष श्रेणी के AI रोबोट को दिया। उन्होंने रोबोट को फिर से प्रशिक्षित नहीं किया या उसका कोड नहीं बदला; उन्होंने बस रोबट को तब "परामर्श" करने दिया जब वह अनिश्चित था।

परिणाम: जब चेहरे स्पष्ट थे, तो रोबोट पहले की तरह ही काम करता रहा (कोई नुकसान नहीं हुआ)। लेकिन जब चेहरे अस्पष्ट (कठिन वाले) थे, तो रोबोट अचानक आपके विशिष्ट चुनाव का अनुमान लगाने में बहुत बेहतर हो गया। आखिरकार वह समझ गया कि आप दुनिया की व्याख्या कैसे करते हैं, न कि केवल एक औसत व्यक्ति की तरह।

मुख्य निष्कर्ष

यह पेपर दिखाता है कि हमें AI को फिर से बनाने की आवश्यकता नहीं है ताकि इसे व्यक्तिगत बनाया जा सके। इसके बजाय, हम आपके दिमाग के भीतर क्या है, इसे "प्रोब" (खोजने) करने के लिए एक चतुर खेल का उपयोग कर सकते हैं, आपके पूर्वाग्रहों का एक व्यक्तिगत मानचित्र बना सकते हैं, और वह मानचित्र AI को सौंप सकते हैं। यह AI को विशेष रूप से आपको समझने में अधिक स्मार्ट बनाता है, खासकर उन भ्रमित करने वाले क्षणों में जहाँ उत्तर स्पष्ट नहीं होता है।

संक्षेप में: उन्होंने यह तरीका बनाया है जिससे आपके मस्तिष्क से पूछा जा सके, "आप क्या देखने की अपेक्षा करते हैं?" और फिर AI को उस उत्तर को सुनना सिखाया, जिससे AI चेहरों को पढ़ने के लिए एक बहुत बेहतर व्यक्तिगत सहायक बन गया।

तकनीकी सारांश: चेहरे के भावों की पहचान (Facial Expression Recognition) में न्यूरल नेटवर्क को व्यक्तिगत बनाने के लिए PriorProbe

समस्या विवरण
कृत्रिम बुद्धिमत्ता (AI) को व्यक्तिगत उपयोगकर्ताओं के अनुकूल बनाना व्यक्तिगत निर्णय लेने के लिए महत्वपूर्ण है, फिर भी व्यक्तिगत विशिष्ट व्यवहार को पकड़ना एक बड़ी चुनौती बनी हुई है। जबकि अत्याधुनिक डीप न्यूरल नेटवर्क (DNNs) औसत पर मानवीय व्यवहार की भविष्यवाणी कर सकते हैं, वे व्यक्तिगत धारणात्मक निर्णयों को पकड़ने में संघर्ष करते हैं, विशेष रूप से सूक्ष्म या अस्पष्ट चेहरे के भावों के मामले में जहाँ अंतर-व्यक्तिगत परिवर्तनशीलता उच्च होती है।

औपचारिक रूप से, चेहरे के भावों की पहचान को बेयस अनुमान (Bayesian inference) के रूप में मॉडल किया जा सकता है: $P(e|f) \propto P(e)P(f|e)$ , जहाँ $P(e)$ भावनात्मक अवस्थाओं पर एक व्यक्ति का पूर्व विश्वास (prior belief) है और $P(f|e)$ भावना $e$ दिए जाने पर देखे गए भाव $f$ की संभावना (likelihood) है। जब उद्दीपन (stimuli) अस्पष्ट होते हैं, तो संभावना वाला पद (likelihood term) सूचनाहीन हो जाता है, और प्रायर्स $P(e)$ में व्यक्तिगत अंतर अनुमान पर हावी हो जाते हैं। DNNs को व्यक्तिगत बनाने के मौजूदा तरीके दो मौलिक बाधाओं का सामना करते हैं:

डेटा की कमी: व्यक्तिगत स्तर के डेटा पर प्रशिक्षण अक्सर महंगा और अव्यवहारिक होता है क्योंकि इसके लिए बड़े, प्रतिनिधि डेटासेट की आवश्यकता होती है।
मॉडल का क्षरण (Model Degradation): विरल, शोर वाले व्यक्तिगत डेटा पर DNNs को फाइन-ट्यून करने से ओवरफिटिंग और सीखे गए निरूपणों (representations) के विनाशकारी विस्मरण (catastrophic forgetting) का जोखिम होता है।

इसके अलावा, प्रायर्स (priors) को प्राप्त करने के पारंपरिक संज्ञानात्मक विज्ञान (cognitive science) के तरीके अक्सर उन्हें विशिष्ट रूप से पहचानने में विफल रहते हैं या संभावना कार्य (likelihood function) को एक मुक्त पैरामीटर या एक मनमाने मैपिंग के रूप में मानकर व्यवस्थित पूर्वाग्रह उत्पन्न करते हैं।

कार्यप्रणाली
लेखक PriorProbe पेश करते हैं, जो पीपल के साथ मार्कोव चेन मोंटे कार्लो (MCMC with People - MCMCP) पर आधारित एक नवीन निष्कर्षण (elicitation) दृष्टिकोण है। वेट्स (weights) के पैरामीटर-स्तर के निजीकरण (जैसे फाइन-ट्यूनिंग) के विपरीत, PriorProbe न्यूरल नेटवर्क के वेट्स को बदले बिना उसके इन्फरेंस स्पेस को सूचित करने के लिए सूक्ष्म, व्यक्ति-विशिष्ट संज्ञानात्मक प्रायर्स और संभावनाओं (likelihoods) को रिकवर करता है।

कार्यप्रणाली के तीन मुख्य घटक हैं:

DistFace (डिसेन्टैंगल्ड अफेक्ट-आइडेंटिटी स्पेस):
पूर्वाग्रह रहित सैंपलिंग सक्षम करने के लिए, लेखकों ने एक नियंत्रित जनरेटिव स्पेस का निर्माण किया जहाँ चेहरे के प्रभाव (affect) को चेहरे की पहचान (identity) से अलग (disentangle) किया गया है।
- आर्किटेक्चर: एक हाइब्रिड वेरिएशनल ऑटो-एनकोडर (VAE) जिसमें शामिल है:
  - एनकोडर: तीन प्री-ट्रेन्ड शाखाएं फीचर्स निकालती हैं: ResEmoteNet (अभिव्यक्ति), FMAE-IAT (एक्शन यूनिट्स, आइडेंटिटी-एडवर्सरियल), और ArcFace (पहचान)।
  - लेटेंट स्पेस: इन फीचर्स को अलग-अलग सब-लेटेंट स्पेस ( $V_{af}$ प्रभाव के लिए, $V_{id}$ पहचान के लिए) में मैप किया जाता है।
  - डिनोइजिंग: एक डिनोइजिंग ऑटो-एनकोडर 128-डायमेंशनल अफेक्ट स्पेस को कुशल सैंपलिंग के लिए 16-डायमेंशनल शुद्ध प्रभाव (pure affect) स्पेस में संकुचित करता है।
- प्रशिक्षण: मॉडल को BU-4DFE डेटासेट पर रिकंस्ट्रक्शन, आइडेंटिटी-प्रिजर्वेशन और अफेक्ट-प्रिजर्वेशन लॉस के साथ प्रशिक्षित किया गया था ताकि यह सुनिश्चित हो सके कि अफेक्ट ब्रांच अभिव्यक्ति को संचालित करती है और आइडेंटिटी ब्रांच पहचान को संचालित करती है।
PriorProbe निष्कर्षण प्रक्रिया:
PriorProbe एक ब्लॉक मेट्रोपोलिस-हैस्टिंग्स एल्गोरिदम के साथ मानव-इन-द-लूप (human-in-the-loop) का उपयोग करके 16-डायमेंशनल अफेक्ट स्पेस के भीतर कार्य करता है। यह व्यक्ति की संभावना $P(f|e)$ और प्रायर $P(e)$ को संयुक्त रूप से सैंपल करने के लिए दो प्रकार के परीक्षणों के बीच बारी-बारी से चलता है:
- फेस ट्रायल्स (Face Trials): प्रतिभागियों को एक इमोशन कैटेगरी $e$ और दो चेहरे के विकल्प ( $f, f'$ ) दिखाए जाते हैं। वे उस चेहरे का चयन करते हैं जो श्रेणी का सर्वोत्तम प्रतिनिधित्व करता है। सैंपलिंग को तेज करने के लिए, एक इंडिपेंडेंट मेट्रोपोलिस-हैस्टिंग्स (IMH) स्कीम का उपयोग किया जाता है जहाँ एक "गेटकीपर" (ResEmoteNet) उन चेहरों का प्रस्ताव देता है जिनके लक्षित श्रेणी से संबंधित होने की संभावना अधिक होती है।
- कैटेगराइजेशन ट्रायल्स (Categorization Trials): प्रतिभागियों को एक चेहरा $f$ और दो इमोशन कैटेगरी ( $e, e'$ ) दिखाई जाती हैं। वे सर्वश्रेष्ठ विवरण का चयन करते हैं। कैटेगरी के लिए प्रोपोज़ल डिस्ट्रीब्यूशन को भी गेटकीपर द्वारा निर्देशित किया जाता है।
- रिकवरी: परिणामी मार्कोव चेन संयुक्त वितरण $\pi(f, e)$ पर अभिसरित (converge) होती है। व्यक्तिगत प्रायर्स $P(e)$ को $1/G_e(e|f)$ द्वारा सैंपल की गई कैटेगरी को रीवेट करके रिकवर किया जाता है, जहाँ $G_e$ , गेटकीपर का प्रोबेबिलिटी असाइनमेंट है, जो प्रभावी रूप से प्रोपोज़ल बायस को ठीक करता है।
एकीकरण और मूल्यांकन:
रिकवर किए गए व्यक्तिगत प्रायर्स को एक अत्याधुनिक DNN (ResEmoteNet) के साथ उसके इन्फरेंस स्पेस के भीतर एकीकृत किया जाता है। सिस्टम का मूल्यांकन नवीन, अस्पष्ट उत्तेजनाओं (images जहाँ DNN का कॉन्फिडेंस $<0.25$ है) को वर्गीकृत करने के कार्य पर किया जाता है। लक्ष्य यह निर्धारित करना है कि क्या अस्पष्ट उत्तेजनाओं पर मानव वर्गीकरण के साथ मॉडल का संरेखण (alignment) सुधारने के लिए व्यक्तिगत प्रायर्स को शामिल करने से ग्राउंड-ट्रुथ लेबल्स पर प्रदर्शन में गिरावट आए बिना प्रदर्शन में सुधार होता है।

प्रमुख योगदान

PriorProbe फ्रेमवर्क: सूक्ष्म, व्यक्ति-विशिष्ट मानसिक निरूपणों (प्रायर्स और संभावनाओं) को कुशलतापूर्वक रिकवर करने का एक सामान्य, व्याख्या योग्य तरीका, जो भारी व्यक्तिगत डेटासेट या वेट मॉडिफिकेशन की आवश्यकता के बिना काम करता है।
DistFace डेटासेट/मॉडल: एक जनरेटिव मॉडल जो चेहरे के प्रभाव को पहचान से अलग करता है, जो चेहरे के भावों के कार्यों के लिए आवश्यक "शुद्ध प्रभाव स्पेस" (pure affect space) प्रदान करता है।
अनुभवजन्य सत्यापन (Empirical Validation): एक व्यापक मानव प्रयोग जो यह प्रदर्शित करता है कि प्रायर्स से सूचित न्यूरल नेटवर्क, अस्पष्ट उत्तेजनाओं पर व्यक्तिगत विकल्पों की भविष्यवाणी करने में अकेले नेटवर्क या वैकल्पिक प्रायर स्रोतों का उपयोग करने वाले नेटवर्क की तुलना में बेहतर प्रदर्शन करते हैं।

परिणाम
55 प्रतिभागियों के एक प्रयोग में, लेखकों ने सात बुनियादी भावनाओं पर व्यक्तिगत प्रायर्स को रिकवर किया।

व्यक्तिगत अंतर: रिकवर किए गए प्रायर्स प्रतिभागियों के बीच पर्याप्त विषमता (heterogeneity) प्रदर्शित करते हैं, जो पुष्टि करता है कि व्यक्तियों के पास भावनात्मक श्रेणियों के संबंध में विशिष्ट संज्ञानात्मक पूर्वाग्रह होते हैं।
प्रदर्शन लाभ: न्यूरल नेटवर्क में PriorProbe-व्युत्पन्न प्रायर्स को एकीकृत करने से अस्पष्ट उत्तेजनाओं पर व्यक्तिगत वर्गीकरण की भविष्यवाणी करने में पर्याप्त प्रदर्शन लाभ हुआ।
मजबूती (Robustness): वैयक्तिकरण ने अस्पष्ट (ग्राउंड-ट्रुथ) उत्तेजनाओं पर मॉडल के इन्फरेंस प्रदर्शन को कम किए बिना व्यक्तिगत मानवीय निर्णयों के साथ संरेखण में सुधार किया।

महत्व और दावे
यह पेपर डीप न्यूरल नेटवर्क को व्यक्तिगत बनाने के लिए एक सामान्य, व्याख्या योग्य और मजबूत फ्रेमवर्क प्रदान करने का दावा करता है। पैरामीटर-स्तरीय अनुकूलन से हटकर संज्ञानात्मक प्रायर्स की रिकवरी पर ध्यान केंद्रित करके, PriorProbe डेटा की कमी और विनाशकारी विस्मरण की सीमाओं को संबोधित करता है। लेखक का तर्क है कि यह दृष्टिकोण ऐसे डिजिटल सिस्टम विकसित करने के लिए एक सिद्धांतवादी मार्ग प्रदान करता है जो वास्तविक व्यक्तिगत सहायता प्रदान कर सकें, विशेष रूप से चेहरे के भावों की पहचान जैसे डोमेन में जहाँ व्यक्तिगत धारणात्मक अंतर महत्वपूर्ण हैं और मानक मॉडल उन्हें पकड़ने में विफल रहते हैं। यह कार्य प्रदर्शित करता है कि व्यक्तिगत-स्तर के संज्ञानात्मक प्रायर्स को सटीक रूप से निकाला जा सकता है और विशिष्ट उपयोगकर्ताओं के लिए AI सिस्टम की भविष्य कहने वाली शक्ति को बढ़ाने के लिए प्रभावी ढंग से उपयोग किया जा सकता है।

1. समस्या: रोबोट का "एक ही आकार सबके लिए" वाला दिमाग

2. समाधान: PriorProbe (एक "मन पढ़ने वाला" खेल)

3. परिणाम: आपका व्यक्तिगत "इमोशन मैप"

4. परीक्षण: क्या यह रोबोट की मदद करता है?

मुख्य निष्कर्ष

इसी तरह के और पेपर