🤖 AI

Technical Report -- A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study

यह शोध पत्र मौजूदा प्रस्तावात्मक दृष्टिकोणों की सीमाओं को संबोधित करने के लिए संदर्भ-संवेदी भारों के साथ सिंटैक्स-संवेदनशील भाषा मॉडलों को एकीकृत करने वाले एक चार-स्तरीय पैरामीट्रिक मॉडल का प्रस्ताव करके, फर्स्ट-ऑर्डर लॉजिक तर्कों में समानता मापने के लिए एक व्यापक, स्वयंसिद्ध ढांचे (एक्सियोमैटिक फ्रेमवर्क) को प्रस्तुत करता है।

मूल लेखक: Victor David, Jérôme Delobelle, Jean-Guy Mailly

प्रकाशित 2026-04-15

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Victor David, Jérôme Delobelle, Jean-Guy Mailly

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 डिबेट क्लब के जज हैं। दो छात्र, एलिस और बॉब, अपने तर्क रखने के लिए खड़े होते हैं। आपका काम सिर्फ यह तय करना नहीं है कि कौन जीता; बल्कि आपको यह समझना है कि उनके तर्क कितने समान हैं। क्या वे बिल्कुल एक ही बात कह रहे हैं? क्या वे एक-दूसरे की बात को अनसुना कर रहे हैं? या क्या वे एक ही विचार के थोड़े अलग संस्करण हैं?

लंबे समय तक, कंप्यूटर सरल तर्कों (जैसे "बारिश हो रही है" बनाम "बूंदाबांदी हो रही है") की तुलना करने में अच्छे थे। लेकिन जब तर्क जटिल हो जाते हैं—चर (variables), संबंध और गहरा तर्क (logic) का उपयोग करते हुए (जैसे "हर कुत्ता कुछ हड्डियाँ पसंद करता है")—तो कंप्यूटर भ्रमित हो जाते हैं। वे या तो बारीकियों को चूक जाते हैं या गणित से अभिभूत हो जाते हैं।

यह शोध पत्र एक नया, सुपर-स्मार्ट फ्रेमवर्क पेश करता है जो जटिल तर्कों की समानता को मापने के लिए है। इसे एक "मल्टी-लेवल सिमिलैरिटी टेलीस्कोप" की तरह समझें जो बड़े चित्र और सूक्ष्म विवरणों को देखने के लिए ज़ूम इन और ज़ूम आउट करता है।

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

1. समस्या: "अनुवाद" का अंतर (The Translation Gap)

कल्पना कीजिए कि आपके पास दो वाक्य हैं:

वाक्य A: "एक कुत्ता चिड़ियाघर में एक बंदर को चिढ़ा रहा है।"
वाक्य B: "एक बंदर चिड़ियाघर में एक कुत्ते को चिढ़ा रहा है।"

एक इंसान के लिए, ये बहुत अलग हैं। वाक्य A में, कुत्ता हमलावर है। वाक्य B में, बंदर है। लेकिन एक बुनियादी कंप्यूटर के लिए, ये लगभग समान दिखते हैं क्योंकि वे समान शब्दों ("कुत्ता," "बंदर," "चिढ़ाना," "चिड़ियाघर") का उपयोग करते हैं।

लेखक कहते हैं: "हमें एक ऐसे सिस्टम की आवश्यकता है जो संरचना (कौन क्या कर रहा है और किसके साथ) और अर्थ (यह समझना कि 'चिढ़ाना' कितना महत्वपूर्ण है 'चिड़ियाघर' की तुलना में) दोनों को समझ सके।"

2. समाधान: चार-स्तरीय टेलीस्कोप (The Four-Level Telescope)

लेखकों ने एक फ्रेमवर्क बनाया है जो तर्कों को चार परतों में तोड़ता है, जैसे प्याज के छिलके उतारना या किसी इमारत को अलग-अलग कोणों से देखना:

स्तर 1: ईंटें (Predicates & Terms): यह शब्दावली है। क्या "कुत्ता" "पिल्ला" के समान है? क्या "चिढ़ाना" "खेलना" के समान है? सिस्टम AI (एक स्मार्ट अनुवादक की तरह) का उपयोग करता है यह जानने के लिए कि "कुत्ता" और "पिल्ला" करीब हैं, लेकिन "कुत्ता" और "केला" नहीं हैं।
स्तर 2: मसाला/मोर्टार (Literals): यह ईंटों को जोड़ता है। यह पूरे वाक्यांश "कुत्ता बंदर को चिढ़ाता है" को देखता है। यह जाँचता है कि क्या भूमिकाएँ मेल खाती हैं।
स्तर 3: कमरे (Clauses): एक क्लॉज (clause) एक पूर्ण विचार या नियम है। सिस्टम तर्क के पूरे कमरों की तुलना करता है।
स्तर 4: इमारत (Full Arguments): अंत में, यह पूरी संरचना को देखता है: आधार (तर्क के प्रमाण) और निष्कर्ष (दावा)।

3. गुप्त नुस्खा: "संदर्भगत भार" (Contextual Weights)

यह सबसे रचनात्मक हिस्सा है। कल्पना कीजिए कि आप दो रेसिपी की तुलना कर रहे हैं।

रेसिपी A: "एक चुटकी नमक और 2 कप मैदा डालें।"
रेसिपी B: "एक चुटकी नमक और 2 कप ग्लिटर (चमक) डालें।"

यदि आप केवल शब्दों को गिनते हैं, तो वे समान दिखते हैं। लेकिन यदि आप केक बना रहे हैं, तो मैदा 99% महत्वपूर्ण है, और नमक 1%। ग्लिटर एक आपदा है।

लेखकों का फ्रेमवर्क आपको "महत्व के भार" (Importance Weights) असाइन करने की अनुमति देता है।

एक कानूनी तर्क में, निष्कर्ष सबसे महत्वपूर्ण हिस्सा हो सकता है।
एक वैज्ञानिक तर्क में, डेटा (आधार) अधिक महत्वपूर्ण हो सकता है।
हमारे "कुत्ता बनाम बंदर" के उदाहरण में, क्रिया "चिढ़ाना" वाक्य का सबसे महत्वपूर्ण हिस्सा है। स्थान "चिड़ियाघर" कम महत्वपूर्ण है।

सिस्टम समानता की गणना इस प्रकार करता है: "ठीक है, स्थान पूरी तरह से मेल खाते हैं (100%), लेकिन मुख्य क्रिया उलट गई है (50% मिलान)। चूंकि क्रिया 90% महत्वपूर्ण है और स्थान केवल 10% महत्वपूर्ण है, इसलिए कुल समानता लगभग 60% है।"

यही कारण है कि कंप्यूटर जानता है कि "कुत्ता बंदर को चिढ़ाता है" और "बंदर कुत्ते को चिढ़ाता है" एक ही बात नहीं है, भले ही वे समान शब्दों का उपयोग करते हों।

4. "एक्सिओमैटिक" नियम (The Axiomatic Rules - नियम पुस्तिका)

लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने यह सुनिश्चित करने के लिए एक सख्त नियम पुस्तिका (जिसे एक्सिओमैटिक फाउंडेशन कहा जाता है) लिखी कि सिस्टम तार्किक रूप से व्यवहार करे।

दर्पण नियम (The Mirror Rule): यदि तर्क A, B के समान है, तो B को A के समान होना चाहिए।
पहचान नियम (The Identity Rule): एक तर्क हमेशा अपने आप के प्रति 100% समान होता है।
"शून्यता" का नियम (The "Nothingness" Rule): यदि दो तर्कों में कोई भी शब्द या अवधारणा साझा नहीं है, तो उनकी समानता शून्य होनी चाहिए।
"जोड़" का नियम (The "Addition" Rule): यदि आप एक नया जानकारी जोड़ते हैं जो दूसरे तर्क से बिल्कुल असंबंधित है, तो समानता स्कोर जादुчески बढ़ नहीं जाना चाहिए।

5. यह क्यों मायने रखता है?

यह केवल गणित के दीवानों के लिए नहीं है। यह फ्रेमवर्क कंप्यूटरों को निम्नलिखित में मदद करता है:

बहस का सारांश बनाना: यह एक जज को बता सकता है, "ये दो वकील एक ही बिंदु पर बहस कर रहे हैं लेकिन अलग-अलग शब्दों का उपयोग कर रहे हैं," या "ये दोनों वास्तव में दो बिल्कुल अलग चीजों के बारे में लड़ रहे हैं।"
छिपे हुए अर्थों को डिकोड करना: कभी-कभी लोग तर्क के हिस्सों को छोड़ देते हैं (जैसे यह कहना कि "वह एक कुत्ता है, इसलिए वह वफादार है" बिना यह कहे कि "कुत्ते वफादार होते हैं")। यह सिस्टम समान तर्कों को ढूंढकर इन खाली जगहों को भर सकता है।
AI निर्णयों को समझाना: कंप्यूटर केवल यह कहने के बजाय कि "मुझे लगता है कि यह समान है," यह कह सकता है, "मुझे लगता है कि यह 60% समान है क्योंकि मुख्य क्रियाएं मेल खाती हैं, लेकिन विषय (subjects) बदल गए हैं।"

निचोड़ (The Bottom Line)

लेखकों ने एक अनुवादक और एक जज दोनों को मिलाकर एक प्रणाली बनाई है। यह जटिल, तार्किक तर्कों को लेता है, उन्हें उनके सबसे छोटे हिस्सों में तोड़ता है, संदर्भ के आधार पर प्रत्येक भाग के महत्व को तौलता है, और समानता का एक स्पष्ट, व्याख्या योग्य स्कोर देता है।

यह एक सुपर-इंटेलिजेंट लाइब्रेरियन की तरह है जो केवल यह नहीं गिनता कि दो किताबों में कितने शब्द समान हैं, बल्कि वास्तव में कहानी पढ़ता है, पात्रों की भूमिकाओं को समझता है, और आपको बताता है कि उनके कथानक (plots) कितने ओवरलैप होते हैं।

यहाँ शोध पत्र "A Context-Sensitive Multi-Level Similarity Framework for First-Order Logic Arguments: An Axiomatic Study" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

औपचारिक तर्कशास्त्र (Formal argumentation) एक ग्राफ संरचना के भीतर तर्कों की स्वीकार्यता का आकलन करने पर निर्भर करता है। इस क्षेत्र में एक महत्वपूर्ण चुनौती तर्क समानता (argument similarity) है: यह निर्धारित करना कि दो तर्क एक-दूसरे से कितने मिलते-जुलते हैं ताकि एकत्रीकरण (जैसे, क्रमिक अर्थशास्त्र/gradual semantics में) में अतिरेकता (redundancy) से बचा जा सके या एन्थीमीम डिकोडिंग (incomplete arguments का पुनर्निर्माण) की गुणवत्ता का मूल्यांकन किया जा सके।

जबकि मौजूदा ढांचे प्रपोजिशनल लॉजिक (Propositional Logic) में समानता को संबोधित करते हैं, वे फर्स्ट-ऑर्डर लॉजिक (FOL) के समृद्ध परिवेश में संघर्ष करते हैं, जिसके कारण निम्नलिखित समस्याएं होती हैं:

सिंटैक्टिक निकटता (Syntactic Proximity): वेरिएबल इंस्टेंटिएशन (variable instantiation) और संरचनात्मक विविधताओं को संभालने में कठिनाई।
स्केलेबिलिटी (Scalability): पूर्ण वेरिएबल इंस्टेंटिएशन के कारण होने वाला कॉम्बिनेटोरियल विस्फोट।
संदर्भ का अभाव (Lack of Context): मौजूदा विधियाँ अक्सर सभी तार्किक प्रतीकों को समान मानती हैं, प्राकृतिक भाषा के संदर्भों में विशिष्ट प्रेडिकेट्स या टर्म्स के 'सिमेंटिक महत्व' की अनदेखी करती हैं।

यह शोध पत्र एक ऐसा ढांचा प्रस्तावित करके इस अंतर को पाटने का लक्ष्य रखता है जो संरचनात्मक कठोरता (structural rigor), सिमेंटिक सूक्ष्मता (semantic nuance), और संदर्भात्मक भार (contextual weighting) के साथ FOL तर्कों को संभाल सके।

2. कार्यप्रणाली (Methodology)

लेखक एक चार-स्तरीय पैरामीट्रिक समानता मॉडल (four-level parametric similarity model) प्रस्तावित करते हैं जो FOL तर्कों के संकलित CNF (Conjunctive Normal Form) प्रतिनिधित्व पर आधारित है। कार्यप्रणाली में तीन चरण शामिल हैं:

A. तार्किक रूपांतरण और प्रतिनिधित्व (Logical Transformation & Representation)

तर्क की परिभाषा: एक तर्क को एक जोड़े $\langle \Phi, \alpha \rangle$ के रूप में परिभाषित किया जाता है जहाँ $\Phi$ दावे $\alpha$ का समर्थन करने वाले न्यूनतम सुसंगत आधार (premises) का एक सेट है।
CNF संकलन (CNF Compilation): FOL की जटिलता को संभालने के लिए, तर्कों को एक संकलित CNF रूप ( $\text{CNF}(\Phi)$ ) में परिवर्तित किया जाता है। इसमें अस्तित्व संबंधी क्वांटिफायर (existential quantifiers) को हटाने के लिए स्कोलेमाइजेशन (Skolemization) और मानक सामान्यीकरण (normalization) शामिल है। यह सैटिस्फिएबिलिटी और संरचना को सुरक्षित रखते हुए पूर्ण ग्राउंडिंग (full grounding) की अव्यवहारिकता से बचता है।
बाइजेक्टिव समतुल्यता (Bijective Equivalence): तर्कों को तब समतुल्य माना जाता है यदि उनके सपोर्ट और क्लेम घटकों के बीच एक बाइजेक्शन (bijection) हो जो तार्किक समतुल्यता को बनाए रखता है।

B. बहु-स्तरीय समानता वास्तुकला (Multi-Level Similarity Architecture)

यह ढांचा पदानुक्रमित रूप से समानता की गणना करता है, परमाणु तत्वों से लेकर पूर्ण तर्कों तक:

प्रेडिकेट और टर्म स्तर ( $sim_P$ ): प्रेडिकेट्स (जैसे, Tease) और कॉन्स्टेंट्स/वेरिएबल्स (जैसे, dog) के बीच समानता को मापता है। यह सिंटैक्स-संवेदनशील (SBERT जैसे लैंग्वेज मॉडल्स का उपयोग करके) या सिंटैक्स-स्वतंत्र (सटीक मिलान) हो सकता है।
लिटरल स्तर ( $sim_L$ ): प्रेडिकेट और टर्म की समानता को जोड़ता है। यह $\lambda$ द्वारा नियंत्रित क्रमित (positional) और अक्रमित (best-match) तुलनाओं का समर्थन करता है।
क्लॉज स्तर ( $sim_C$ ): क्लॉज के भीतर लिटरल समानता को एकत्रित करने के लिए एक फजी ट्वेर्स्की माप (fuzzy Tversky measure) का उपयोग करता है। यह आंशिक मिलान की अनुमति देता है और विभिन्न लंबाई के क्लॉज को संभालता है।
सेट-ऑफ-क्लॉज स्तर ( $sim_S$ ): क्लॉज की समानता को वेटेड बेस्ट-मैच (weighted best-match) रणनीति का उपयोग करके एकत्रित करता है। क्लॉज को उनके विपरीत सेट में उनके सर्वश्रेष्ठ समकक्ष से मिलाया जाता है, जिसे उनके प्रासंगिक महत्व द्वारा भारित (weighted) किया जाता है।

C. संदर्भ-संवेदनशील भार (Context-Sensitive Weighting)

एक प्रमुख नवाचार प्रेडिकेट्स, टर्म्स और क्लॉज को दिए गए संदर्भात्मक भार (contextual weights) ( $w_p, w_c$ ) का परिचय है।

गतिशील महत्व (Dynamic Importance): भार विशिष्ट संदर्भ में तत्वों की सिमेंटिक प्रासंगिकता को दर्शाते हैं (उदाहरण के लिए, एक विशिष्ट तर्क में AtLocation की तुलना में Tease प्रेडिकेट अधिक महत्वपूर्ण हो सकता है)।
एकत्रीकरण (Aggregation): इन भारों को समानता गणनाओं में एकीकृत किया जाता है, जिससे यह सुनिश्चित होता है कि अत्यधिक महत्वपूर्ण लेकिन थोड़ी असंगत घटकों का प्रभाव मामूली रूप से मेल खाने वाले घटकों की तुलना में अधिक हो।

D. अंतिम तर्क समानता (Final Argument Similarity)

दो तर्कों $A$ और $B$ के बीच की समानता उनके सपोर्ट ( $S$ ) और क्लेम ( $C$ ) की समानता के वेटेड योग के रूप में कंप्यूट की जाती है:
$sim_{Arg}(A, B) = \eta \times sim_S(S(A^c), S(B^c)) + (1 - \eta) \times sim_S(C(A^c), C(B^c))$
जहाँ $\eta$ आधारों (premises) बनाम निष्कर्षों (conclusions) के महत्व को संतुलित करता है।

3. मुख्य योगदान (Key Contributions)

विस्तारित एक्सिओमैटिक आधार (Extended Axiomatic Foundation): शोध पत्र तर्क समानता के लिए 14 सिद्धांतों (axioms) का एक व्यापक सेट परिभाषित करता है, जिसमें शामिल हैं:
- मैक्सिमैलिटी (Maximality), सिमिट्री (Symmetry), सब्स्टिट्यूशन (Substitution): मानक गुण।
- सिंटैक्स इंडिपेंडेंस (Syntax Independence): (मॉडल के चयन के आधार पर वैकल्पिक)।
- मिनिमैलिटी और नॉन-ज़ीरो (Minimality & Non-Zero): यह सुनिश्चित करना कि समानता आधार स्तरों से प्रसारित होती है।
- मोनोटोनी और रीइन्फोर्समेंट (Monotony & Reinforcement): यह औपचारिक बनाना कि जानकारी जोड़ने से समानता स्कोर कैसे प्रभावित होता है।
  लेखक सिद्ध करते हैं कि उनका ढांचा विशिष्ट स्थितियों के तहत इन सिद्धांतों को संतुष्ट करता है।
दो मॉडल परिवार (Two Model Families):
- सिंटैक्स-संवेदनशील ( $M_{sb}$ ): $sim_P$ के लिए लैंग्वेज मॉडल्स (जैसे, SBERT) का उपयोग करता है, जो सिमेंटिक बारीकियों (जैसे, "house" $\approx$ "apartment") को पकड़ता है।
- सिंटैक्स-स्वतंत्र ( $M_{eq}$ ): सटीक मिलान का उपयोग करता है, जो सख्त तार्किक समतुल्यता के लिए उपयुक्त है।
  दोनों परिवार संदर्भात्मक भार तंत्र को एकीकृत करते हैं।
हाइब्रिड पाइपलाइन (Hybrid Pipeline): तीन चरणों वाली पाइपलाइन जो:
- सिंबोलिक रूपांतरण (Text $\to$ FOL $\to$ CNF) को जोड़ती है।
- संदर्भात्मक भार असाइनमेंट (मैनुअल या सीखा हुआ) को जोड़ती है।
- संरचित समानता गणना (बहु-स्तरीय एकत्रीकरण) को जोड़ती है।

4. परिणाम और मूल्यांकन (Results and Evaluation)

केस स्टडी (STSb डेटासेट): ढांचे का परीक्षण FOL में परिवर्तित प्राकृतिक भाषा वाक्यों पर किया गया।
- परिदृश्य: "A dog is teasing a monkey" बनाम "A monkey is teasing a dog" की तुलना करना।
- प्रदर्शन: ढांचे ने 0.628 का समानता स्कोर प्राप्त किया, जो मानव औसत 0.630 के बहुत करीब है।
- तुलना:
  - SBERT ने 0.985 दिया (बहुत अधिक, भूमिका परिवर्तन/role reversal को अनदेखा करता है)।
  - S3BERT ने 0.990 दिया (बहुत अधिक, स्पष्ट व्याख्या का अभाव)।
  - ChatGPT-4o ने 0.400 दिया (बहुत कम, संरचना का अभाव)।
- व्याख्यात्मकता (Interpretability): ढांचे ने एक पारदर्शी ब्रेकडाउन प्रदान किया, जिससे पता चला कि कैसे स्थान (location) क्लॉज के पूर्ण मिलान (कम भार) के बावजूद, Tease प्रेडिकेट में भूमिका परिवर्तन (उच्च भार) ने स्कोर को काफी कम कर दिया।
तर्क तुलना (Argument Comparison): पशु व्यवहार के बारे में तीन तर्कों की तुलना करने के एक परिदृश्य में, ढांचे ने दिखाया कि तर्कों के बीच समानता रैंकिंग $\eta$ (आधार बनाम क्लेम) पैरामीटर के आधार पर बदल सकती है, जो विभिन्न तर्क कार्यों (जैसे, बहस बनाम एन्थीमीम डिकोडिंग) के लिए इसकी लचीलापन प्रदर्शित करता है।
सैद्धांतिक गारंटी (Theoretical Guarantees): प्रमेय 1-10 औपचारिक रूप से सिद्ध करते हैं कि प्रस्तावित मॉडल परिभाषित एक्सिओमैटिक सिद्धांतों (जैसे, मैक्सिमैलिटी, सिमिट्री, मोनोटोनी) को संतुष्ट करते हैं, सिवाय SBERT-आधारित मॉडल के सिंटैक्स इंडिपेंडेंस के (डिजाइन द्वारा) और विशिष्ट मामलों में नॉन-ज़ीरो के।

5. महत्व (Significance)

लॉजिक और NLP के बीच सेतु: यह कार्य प्राकृतिक भाषा प्रसंस्करण (NLP) में औपचारिक तर्कशास्त्र (formal argumentation theory) को लागू करने की दिशा में एक महत्वपूर्ण कदम है। यह सिमेंटिक अस्पष्टता को संभालने के लिए लैंग्वेज मॉडल्स का उपयोग करते हुए, XAI (Explainable AI) प्रदान करने के लिए FOL की संरचना का लाभ उठाता है।
व्याख्यात्मकता (Explainability): "ब्लैक-बॉक्स" एम्बेडिंग मॉडल्स के विपरीत, यह ढांचा सिंबोलिक डिकंपोजिशन प्रदान करता है। उपयोगकर्ता बिल्कुल देख सकते हैं कि किन प्रेडिकेट्स, टर्म्स या क्लॉज ने समानता स्कोर को प्रभावित किया, जो इसे निर्णय समर्थन और कानूनी/चिकित्सा तर्कशास्त्र के लिए अत्यधिक मूल्यवान बनाता है।
ओपन डोमेन में स्केलेबिलिटी: स्कोलेमाइजेशन का उपयोग करके और वेरिएबल्स को कॉन्स्टेंट्स के रूप में अनुमानित करके, यह ढांचा पूर्ण FOL इंस्टेंटिएशन की कम्प्यूटेशनल जटिलता से बचता है, जिससे यह वास्तविक दुनिया के ओपन-डोमेन परिदृश्यों के लिए लागू करने योग्य बनता है।
संदर्भ जागरूकता (Context Awareness): संदर्भात्मक भार का परिचय पारंपरिक तार्किक समानता की एक बड़ी सीमा को संबोधित करता है, जहाँ सभी प्रतीकों को समान माना जाता है। यह सिस्टम को बहस या विशिष्ट डोमेन की बारीकियों के अनुकूल होने की अनुमति देता है।

निष्कर्षतः, यह शोध पत्र एक सैद्धांतिक रूप से सुदृढ़, व्यावहारिक रूप से लागू करने योग्य ढांचा प्रस्तुत करता है जो फर्स्ट-ऑर्डर लॉजिक में तर्क समानता के मूल्यांकन को बढ़ाता है, जो विशुद्ध रूप से सांख्यिकीय या विशुद्ध रूप से सिंटैक्टिक दृष्टिकोणों के लिए एक मजबूत विकल्प प्रदान करता है।