A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning

तकनीकी सारांश: मीन कर्वेचर बाउंड्री पॉइंट्स (MCBP)

समस्या विवरण
उच्च-आयामी (high-dimensional), अनसुपरवाइज्ड लर्निंग में सीमाओं (boundaries) का सटीक पता लगाना एक महत्वपूर्ण चुनौती बनी हुई है, विशेष रूप से तब जब डेटा गैर-रेखीय संरचनाओं (non-linear structures), एनिसोट्रोपिक वितरणों (anisotropic distributions), या विषम घनत्वों (heterogeneous densities) को प्रदर्शित करता है। पारंपरिक दृष्टिकोण मुख्य रूप से घनत्व-आधारित सिद्धांतों (जैसे, DBSCAN, LOF) पर निर्भर करते हैं और यह मान लेते हैं कि सीमा बिंदु कम-घनत्व वाले क्षेत्रों में स्थित होते हैं। हालांकि, वर्तमान लेख यह तर्क देता है कि केवल घनत्व परिवर्तन जटिल डेटा मैनिफोल्ड्स (manifolds) को चित्रित करने के लिए अपर्याप्त हैं। शुद्ध घनत्व-संचालित विधियाँ अक्सर सपाट कम-घनत्व वाले क्षेत्रों और वास्तविक उच्च-वक्रता वाले संक्रमण क्षेत्रों (concave या convex इंटरफेस) के बीच अंतर करने में विफल रहती हैं, जिससे गैर-रेखीय मैनिफोल्ड्स और "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) वाले परिदृश्यों में सीमा का पता लगाने में अशुद्धि आती है।

कार्यप्रणाली: मीन कर्वेचर बाउंड्री पॉइंट्स (MCBP)
प्रस्तावित MCBP ढांचा डिफरेंशियल ज्योमेट्री (differential geometry) का उपयोग करके डेटा मैनिफोल्ड की आंतरिक ज्यामिति को स्पष्ट रूप से मॉडल करके घनत्व अनुमान से अलग हटकर कार्य करता है। मौलिक धारणा यह है कि सीमा बिंदु उच्च 'मीन कर्वेचर' (mean curvature) वाले क्षेत्रों के अनुरूप होते हैं, जो उन ज्यामितीय संक्रमणों को पकड़ते हैं जिन्हें घनत्व-आधारित विधियाँ अनदेखा कर देती हैं।

एल्गोरिदम निम्नलिखित कम्प्यूटेशनल पाइपलाइन के माध्यम से संचालित होता है:

1. स्थानीय पड़ोस का निर्माण (Construction of Local Neighborhoods): प्रत्येक नमूने $x_i$ के लिए, एक $k$-निकटतम पड़ोसी ($k$-NN) पैच $P_i$ बनाया जाता है।
2. मेट्रिक टेंसर (प्रथम फंडेमेंटल फॉर्म) का सन्निकटन: स्थानीय मेट्रिक संरचना को उसके पड़ोस के एम्पिरिकल कोवेरिएंस मैट्रिक्स ($\Sigma_i^{-1}$) के व्युत्क्रम का उपयोग करके अनुमानित किया जाता है। यह एक डिस्क्रीट एनालॉग के रूप में कार्य करता है जो स्थानीय एनिसोट्रॉपी और फीचर डिपेंडेंसी को कैप्चर करता है।
3. द्वितीय फंडेमेंटल फॉर्म का सन्निकटन: स्थानीय पड़ोस पर द्वितीय-डिग्री बहुपद (क्वाड्रेटिक टर्म्स) फिट करके एक स्थानीय हेसियन ऑपरेटर (Hessian operator) का अनुमान लगाया जाता है। परिणामी मैट्रिक्स ($H_i$) द्वितीय फंडेमेंटल फॉर्म का सन्निकटन करता है और यह दर्शाता है कि मैनिफोल्ड कैसे मुड़ता है।
4. शेप ऑपरेटर और मीन कर्वेचर: डिस्क्रीट शेप ऑपरेटर $S_i$ को हेसियन सन्निकटन और कोवेरिएंस मैट्रिक्स के उत्पाद के रूप में कंप्यूट किया जाता है ($S_i \approx H_i \Sigma_i$)। प्रत्येक बिंदु के लिए मीन कर्वेचर $K_i$ इस ऑपरेटर के ट्रेस ($K_i = \text{tr}(S_i)$) के रूप में परिभाषित है।
5. अनुकूली थ्रेशोल्डिंग (Adaptive Thresholding): सीमा बिंदुओं की पहचान एक अनुकूली, पर्सेंटाइल-आधारित थ्रेशोल्ड का उपयोग करके की जाती है। वे बिंदु जिनका कर्वेचर मान एक विशिष्ट पर्सेंटाइल (जैसे, शीर्ष 25%) से ऊपर है, उन्हें सीमा बिंदु के रूप में लेबल किया जाता है। यह तंत्र मनमाने घनत्व मापदंडों पर निर्भरता के बिना मल्टी-स्केल बाउंड्री निष्कर्षण को सक्षम बनाता है।

मुख्य योगदान
लेख तीन प्राथमिक योगदानों को रेखांकित करता है:

1. सीमा पहचान के लिए ज्यामितीय मानदंड: MCBP सीमा लक्षण वर्णन के लिए मीन कर्वेचर को एक सिद्धांतपूर्ण प्रतिस्थापन के रूप में स्थापित करता है। यह आउटलेर्स, संक्रमण क्षेत्रों और निर्णय सीमाओं (decision boundaries) की पहचान को एक एकल गणितीय ढांचे के तहत एकीकृत करता है, जो घनत्व धारणाओं से आगे बढ़कर अंतर्निहित ज्यामितीय जटिलता को पकड़ता है।
2. अनुकूली मल्टी-स्केल निष्कर्षण: पर्सेंटाइल-आधारित थ्रेशोल्ड तंत्र का परिचय सीमा की मोटाई पर लचीला नियंत्रण प्रदान करता है और विधि को संवेदनशील पैरामीटर ट्यूनिंग की आवश्यकता के बिना विभिन्न डेटा घनत्वों के अनुकूल होने की अनुमति देता है।
3. कर्वेचर-संचालित डेटा अपघटन (Data Decomposition): यह विधि डेटासेट को "स्मूथ" (कम कर्वेचर) और "बाउंड्री" (उच्च कर्वेचर) उपसमूहों में विभाजित करने की रणनीति प्रस्तावित करती है। यह एक गैर-रेखीय ज्यामितीय फिल्टर के रूप में कार्य करता है, जो स्थिर कोर क्षेत्रों को ज्यामितीय रूप से संदिग्ध या शोर वाले संक्रमण क्षेत्रों से प्रभावी ढंग से अलग करता है।

प्रायोगिक परिणाम
लेखकों ने OpenML रिपॉजिटरी से 25 वास्तविक दुनिया के उच्च-आयामी डेटासेट्स के साथ-साथ कई सिंथेटिक 2D डेटासेट्स (गौसियन ब्लॉब्स, एनिसोट्रोपिक एलिप्स, और दो मून्स) पर MCBP का मूल्यांकन किया।

• सिंथेटिक डेटा: विज़ुअलाइज़ेशन ने पुष्टि की कि MCBP बाहरी कंटूर और क्लस्टरों के बीच संक्रमण क्षेत्रों की सही पहचान करता है, यहाँ तक कि उन एनिसोट्रोपिक और नॉन-कॉन्वेक्स सेटिंग्स में भी जहाँ घनत्व-आधारित विधियाँ संघर्ष करती हैं।
• क्लस्टरिंग प्रदर्शन (प्रीप्रोसेसिंग): $k$-मीन्स लागू करने से पहले उच्च-कर्वेचर बिंदुओं को फ़िल्टर करने के लिए प्रीप्रोसेसिंग स्टेप के रूप में उपयोग किए जाने पर, विधि ने लगातार क्लस्टरिंग गुणवत्ता में सुधार किया। 25 डेटासेट्स में, औसत सिलुएट गुणांक (Silhouette coefficient) 0.193 से बढ़कर 0.288 हो गया, और कैलिंस्की-हाराबज़ इंडेक्स (Calinski–Harababz index) में महत्वपूर्ण सुधार हुआ, जो बेहतर क्लस्टर कॉम्पैक्टनेस और पृथक्करण को दर्शाता है।
• सेंट्रॉइड इनिशियलाइजेशन: मूल डेटा पर $k$-मीन्स चलाने के लिए फ़िल्टर किए गए (स्मूथ) डेटासेट से प्राप्त सेंट्रॉइड्स का उपयोग करने से मानक $k$-means++ इनिशियलाइजेशन की तुलना में अधिक स्थिर परिणाम मिले, विशेष रूप से शोर वाले या जटिल ज्यामिति वाले मामलों में।
• घनत्व-आधारित क्लस्टरिंग (HDBSCAN): HDBSCAN से पहले MCBP फ़िल्टरिंग लागू करने से प्रदर्शन में काफी सुधार हुआ, जिसमें औसत सिलुएट गुणांक 0.227 से बढ़कर 0.359 हो गया। यह सुझाव देता है कि उच्च-कर्वेचर शोर को हटाना घनत्व अनुमान को स्थिर करता है।
• हाइब्रिड रणनीतियाँ: स्मूथ उपसमूह पर HDBSCAN और बाउंड्री प्रोपेगेशन के लिए 1-NN का उपयोग करने वाले हाइब्रिड दृष्टिकोण ने पर्याप्त लाभ दिखाया, जिसमें औसत सिलुएट गुणांक दोगुने से अधिक (0.1047 से 0.2308) हो गया और कैलिंस्की-हाराबज़ इंडेक्स तीन गुना बढ़ गया।

महत्व और दावे
लेख MCBP को जियोमेट्रिक मशीन लर्निंग में एक ठोस योगदान के रूप में प्रस्तुत करता है, जो डिफरेंशियल ज्योमेट्री और डेटा-संचालित मॉडलिंग के बीच के अंतर को पाटता है। लेखक दावा करते हैं कि:

• एक एकीकृत प्रतिमान के रूप में कर्वेचर: मीन कर्वेचर सीमाओं, आउटलेर्स और संक्रमणों के लिए एक एकीकृत ज्यामितीय व्याख्या प्रदान करता है, जो केवल घनत्व की तुलना में अधिक मजबूत लक्षण वर्णन प्रदान करता है, विशेष रूप से उच्च-आयामी और गैर-रेखीय सेटिंग्स में।
• सिद्धांतपूर्ण प्रीप्रोसेसिंग: कर्वेचर-संचालित अपघटन केवल एक नैदानिक उपकरण नहीं है बल्कि डाउनस्ट्रीम अनसुपरवाइज्ड लर्निंग प्रक्रियाओं में सुधार के लिए एक सक्रिय घटक है। ज्यामितीय रूप से अस्थिर क्षेत्रों को फ़िल्टर करके, यह विधि अंतर्निहित क्लस्टर संरचनाओं की रिकवरेबिलिटी (recoverability) को बढ़ाता है।
• मजबूती (Robustness): यह दृष्टिकोण वैश्विक वितरण विकृतियों और उच्च आयामों में सामान्य "खाली स्थान घटना" (empty space phenomenon) के प्रति कम संवेदनशील है, क्योंकि यह वैश्विक घनत्व अनुमानों के बजाय स्थानीय ज्यामितीय ऑपरेटरों पर निर्भर करता है।

कार्य यह निष्कर्ष निकालता है कि डिफरेंशियल ज्योमेट्रिक प्रायर्स (priors), विशेष रूप से मीन कर्वेचर को शामिल करना, अनसुपरवाइज्ड लर्निंग पाइपलाइनों की स्थिरता, पृथकशीलता और व्याख्यात्मकता में सुधार के लिए एक सिद्धांतपूर्ण तंत्र प्रदान करता है।