An extremely coarse feedback signal is sufficient for learning human-aligned visual representations
यह अध्ययन प्रदर्शित करता है कि न्यूरल नेटवर्क को अत्यंत मोटे फीडबैक संकेतों, जैसे कि केवल आठ व्यापक श्रेणियों के बीच अंतर करने के साथ प्रशिक्षित करना, ऐसे दृश्य प्रतिनिधित्व (visual representations) सीखने के लिए पर्याप्त है जो फाइन-ग्रेन्ड या सेल्फ-सुपरवाइज्ड उद्देश्यों के साथ प्रशिक्षित मॉडलों की तुलना में मानव मस्तिष्क की गतिविधि और धारणात्मक निर्णयों के साथ अधिक निकटता से संरेखित होते हैं।
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 दुनिया को देखना सिखाने की कोशिश कर रहे हैं, ठीक वैसे ही जैसे एक इंसान देखता है। पिछले एक दशक से, वैज्ञानिक मानते आए हैं कि एक रोबोट के "दिमाग" को इंसान जैसा बनाने के लिए, आपको उसे एक बहुत बड़ा, विस्तृत होमवर्क असाइनमेंट देना होगा। आप उसे लाखों तस्वीरें दिखाएंगे और कहेंगे, "क्या यह एक गोल्डन रिट्रीवर है या पोडल? क्या यह एक लाल स्पोर्ट्स कार है या एक नीली सेडान?" विचार यह था कि जितने अधिक विशिष्ट लेबल होंगे, रोबोट दुनिया को उतनी ही बेहतर समझ पाएगा।
लेकिन जॉन्स हॉपकिन्स यूनिवर्सिटी का यह नया शोध पत्र सुझाव देता है कि रोबोट को इतनी बारीकी की आवश्यकता नहीं है। वास्तव में, वह बेहतर सीख सकता है यदि आप उसे एक बहुत सरल, धुंधला (blurry) संस्करण होमवर्क के रूप में दें।
यहाँ बताया गया है कि उन्होंने क्या पाया, जिसे सरल शब्दों में समझाया गया है:
"धुंधला मानचित्र" (The "Blurry Map") प्रयोग
शोधकर्ता यह परीक्षण करना चाहते थे कि क्या एक रोबोट केवल कुछ व्यापक श्रेणियों के साथ मानव की तरह देखना सीख सकता है, बजाय हजारों विशिष्ट श्रेणियों के।
दुनिया की छवियों की कल्पना एक विशाल पुस्तकालय की तरह करें।
- पुराना तरीका (बारीक-दानेदार/Fine-Grained): आप रोबोट को हर एक किताब को अपने स्वयं के विशिष्ट दराज में छाँटने के लिए कहते हैं। यहाँ 1,000 दराज हैं, जिनमें से प्रत्येक एक विशिष्ट प्रकार की पुस्तक के लिए है (जैसे, "19वीं सदी की फ्रांसीसी कविता," "20वीं सदी का साइंस-फिक्शन," आदि)।
- नया तरीका (मोटा-दानेदार/Coarse-Grained): आप रोबोट को किताबों को केवल 8 बड़े डिब्बों में छाँटने के लिए कहते हैं। शायद एक डिब्बा "जानवर" है, एक "भोजन" है, एक "वाहन" है, और इसी तरह। आपको इस बात की परवाह नहीं है कि वह बिल्ली और कुत्ते के बीच अंतर जानता है या नहीं; आप बस यह जानना चाहते हैं कि क्या वह एक जानवर और एक कार के बीच अंतर जानता है।
इसे निष्पक्ष रूप से करने के लिए, उन्होंने केवल इन 8 श्रेणियों का अनुमान नहीं लगाया। उन्होंने एक चालाकी भरी तकनीक का उपयोग किया: उन्होंने एक स्मार्ट, पहले से प्रशिक्षित कंप्यूटर मस्तिष्क लिया और उससे पूछा, "यदि आपको इन 1.2 मिलियन छवियों को उनके दिखने के आधार पर केवल 2, 4, या 8 समूहों में बांटना हो, तो आप इसे कैसे करेंगे?" उन्होंने इन व्यापक समूहों को बनाने के लिए कंप्यूटर के अपने "अंतर्ज्ञान" का उपयोग किया।
बड़ी हैरानी
उन्होंने विभिन्न स्तरों के विवरण वाले सैकड़ों अलग-अलग रोबोट दिमागों को प्रशिक्षित किया। फिर, उन्होंने दो चीजें जाँचीं:
- "न्यूरल" परीक्षण: क्या रोबोट की आंतरिक वायरिंग एक बंदर के मस्तिष्क या मानव मस्तिष्क स्कैन की तरह दिखती थी?
- "मानवीय भावना" परीक्षण: जब रोबोट दो वस्तुओं को देखता था, तो क्या वह उन्हें उसी तरह समान मानता था जैसे एक इंसान मानता है? (उदाहरण के लिए, क्या एक इंसान कहेगा कि "शेर" और "बाघ" एक दूसरे के समान हैं, बजाय "शेर" और "टोस्टर" के? क्या रोबोट भी सहमत था?)
परिणाम चौंकाने वाले थे:
- न्यूरल संरेखण (Neural Alignment): केवल 8 व्यापक श्रेणियों पर प्रशिक्षित रोबोट ने दुनिया को उतना ही अच्छा सीखा जितना कि (और कभी-कभी उससे भी बेहतर) उन रोबोटों ने जिन्हें 1,000 विशिष्ट श्रेणियों पर प्रशिक्षित किया गया था। उनके दुनिया के "मानचित्र" मानव और बंदर के मस्तिष्क के लगभग समान थे।
- मानवीय भावनाएं: यह और भी अजीब था। मोटे (coarse), 8-श्रेणी वाले कार्य पर प्रशिक्षित रोबोट ने अन्य सभी परीक्षण किए गए रोबोटों की तुलना में मानवीय अंतर्ज्ञान को बेहतर तरीके से समझा। वे यह अनुमान लगाने में बेहतर थे कि मनुष्य चीजों को एक साथ कैसे समूहबद्ध करते हैं, बजाय उन रोबोटों के जिन्हें सुपर-विस्तृत 1,000-श्रेणी वाले कार्य पर प्रशिक्षित किया गया था।
ऐसा क्यों होता है?
शोध पत्र सुझाव देता है कि जब आप एक रोबोट को बड़ी तस्वीर (जानवर बनाम वाहन) पर ध्यान केंद्रित करने के लिए मजबूर करते हैं, तो वह स्वाभाविक रूप से उन सबसे महत्वपूर्ण, मौलिक तरीकों को सीख जाता है जिनसे हमारे मस्तिष्क दुनिया को व्यवस्थित करते हैं।
जब आप रोबोट को 1,000 सूक्ष्म विवरणों को याद करने के लिए मजबूर करते हैं, तो वह शोर (noise) से विचलित हो जाता है। वह "लाल स्पोर्ट्स कार" और "नीली सेडान" के बीच के सूक्ष्म अंतर को पहचानने में तो माहिर हो जाता है, लेकिन वह पेड़ों के बीच के जंगल को देखना भूल सकता है। केवल कुछ बड़े बक्सों तक कार्य को सरल बनाकर, रोबोट एक मजबूत, स्पष्ट आधार बनाने के लिए मजबूर होता है जो हमारे प्राकृतिक बोध से मेल खाता है।
"कम-डेटा" का बोनस
शोधकर्ताओं ने यह भी पाया कि यह "धुंधला मानचित्र" दृष्टिकोण अविश्वसनीय रूप से कुशल है।
- एक रोबोट जिसे 1.2 मिलियन छवियों के साथ विस्तृत 1,000-श्रेणी वाले कार्य पर प्रशिक्षित किया गया था, वह उस रोबोट से खराब प्रदर्शन करता था जिसे केवल 1% छवियों (लगभग 12,000 चित्र) के साथ सरल 8-श्रेणी वाले कार्य पर प्रशिक्षित किया गया था।
- यह ऐसा है जैसे आप एक विशाल एटलस में हर एक सड़क का पता याद करने के बजाय, 8 मुख्य जिलों वाले एक सरल रेखाचित्र को देखकर पूरे शहर के लेआउट को सीख सकते हैं।
निष्कर्ष
पत्र यह निष्कर्ष निकालता है कि एक कंप्यूटर विज़न सिस्टम बनाने के लिए जो इंसान की तरह सोचता है, आपको उसे हजारों विशिष्ट प्रश्नों के साथ पीएचडी-स्तर की परीक्षा देने की आवश्यकता नहीं है। आपको बस उसे एक बहुत ही सरल, मोटा असाइनमेंट देना है: "इन चीजों को कुछ बड़े ढेरों में छाँटो।"
यह सरल फीडबैक पर्याप्त है जिससे रोबोट का दिमाग चमक उठता है और जानकारी को इस तरह व्यवस्थित करता है जो उल्लेखनीय रूप से हमारे अपने मस्तिष्क के समान है। यह साबित होता है कि कभी-कभी, कम विवरण से दुनिया की अधिक स्पष्ट और मानवीय समझ विकसित होती 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।