A Statistical Framework for Algorithmic Collective Action with Multiple Collectives

तकनीकी सारांश: एकाधिक सामूहिक (Collectives) के साथ एल्गोरिद्मिक सामूहिक कार्रवाई के लिए एक सांख्यिकीय ढांचा

समस्या विवरण
एल्गोरिद्मिक सामूहिक कार्रवाई (Algorithmic Collective Action - ACA) से तात्पर्य मशीन लर्निंग मॉडलों के व्यवहार को निर्देशित करने के लिए अपने डेटा योगदान को रणनीतिक रूप से संपादित करने हेतु उपयोगकर्ताओं के समन्वय से है। जबकि मौजूदा साहित्य ने ACA को कठोरता से औपचारिक रूप दिया है, यह लगभग विशेष रूप से एकल सामूहिक (single collective) वाले परिदृश्यों पर केंद्रित रहा है। हालांकि, वास्तविक दुनिया की सामूहिक कार्रवाइयां आमतौर पर विकेंद्रीकृत, खंडित और कई विशिष्ट समूहों (collectives) से बनी होती हैं जो आकार, रणनीति और विशिष्ट कार्रवाई योग्य लक्ष्यों में भिन्न हो सकते हैं, भले ही उनके व्यापक उद्देश्य साझा हों। वर्तमान ढांचे में उन अंतःक्रियाओं को मॉडल करने की सैद्धांतिक क्षमता का अभाव है जो एक ही सिस्टम पर कार्य करने वाले कई, संभावित रूप से संघर्षरत या ओवरलैपिंग सामूहिकों के बीच होती हैं। यह शोध पत्र कई सामूहिकों वाले ACA के लिए एक व्यापक सांख्यिकीय ढांचे का प्रस्ताव करके इस अंतराल को संबोधित करता है।

कार्यप्रणाली और परिवेश
लेखक ACA के सांख्यिकीय उपचार को पूर्व कार्य (विशेष रूप से [11]) से विस्तारित करते हुए $M$ विलगित (disjoint) सामूहिकों वाले परिवेश में ले जाते हैं। यह ढांचा माप सिद्धांत (measure theory) पर आधारित है और एक परिमित फीचर स्पेस $\mathcal{X}$ तथा लेबल स्पेस $\mathcal{Y}$ को मानता है।

• जनसंख्या और सामूहिक: उपयोगकर्ता जनसंख्या को एक प्रायिकता स्थान (probability space) के रूप में मॉडल किया गया है। $M$ सामूहिकों को इस जनसंख्या के विलगित उपसमुच्चयों के रूप में परिभाषित किया गया है, जिनमें से प्रत्येक का एक विशिष्ट द्रव्यमान (mass) $\alpha_c$ है। एक "तटस्थता धारणा" (neutrality assumption) यह मानती है कि संपादन से पूर्व, प्रत्येक सामूहिक के भीतर डेटा का वितरण समग्र जनसंख्या वितरण के समान होता है।
• डेटा मिश्रण: प्लेटफॉर्म मूल जनसंख्या के अपरिवर्तित डेटा और सामूहिकों के संपादित डेटा के मिश्रण पर प्रशिक्षण लेता है। पोस्ट-एडिट अनुभवजन्य वितरण (empirical distribution), पूर्व-एडिट जनसंख्या वितरण और प्रत्येक सामूहिक के रूपांतरित वितरण का एक भारित योग (weighted sum) होता है।
• क्लासिफायर मॉडल: माना जाता है कि तैनात किया गया क्लासिफायर एक $\epsilon$-कंटैमिनेशन-सबऑप्टिमल क्लासिफायर है। इसका अर्थ है कि क्लासिफायर उस वितरण के लिए बेयस-ऑप्टिमल (या लगभग वैसा ही) है जो अनुभवजन्य प्रशिक्षण वितरण का $\epsilon$-कंटैमिनेशन है। बाउंड्स (bounds) में उपयोग किए जाने वाले $\epsilon/(1-\epsilon)$ मार्जिन थ्रेसहोल्ड को प्राप्त करने के लिए यह विशिष्ट संरचनात्मक धारणा महत्वपूर्ण है।
• रणनीतियाँ: शोध दो प्राथमिक मोड का विश्लेषण करता है:
  1. सिग्नल प्लांटिंग (Signal Planting): सामूहिकों का लक्ष्य क्लासिफायर को एक परिवर्तित फीचर $g_c(x)$ और एक लक्षित लेबल $y^*_c$ के बीच संबंध सीखने के लिए मजबूर करना है। इसमें फीचर-लेबल (दोनों फीचर्स और लेबल्स को संशोधित करना) और फीचर-ओनली (फीचर्स को संशोधित करना जबकि मूल लेबल्स को सुरक्षित रखना, जिससे गैर-लक्ष्य उदाहरणों को एक "सुरक्षित" फीचर मान की ओर धकेला जा सके) रणनीतियाँ शामिल हैं।
  2. सिग्नल अनप्लांटिंग (Signal Unplanting): सामूहिकों का लक्ष्य एक फीचर और एक लेबल के बीच मौजूदा जुड़ाव को तोड़ना है। इसका विश्लेषण एक अनुकूली रणनीति (adaptive strategy) का उपयोग करके किया गया है जहाँ एक सामूहिक अपने डेटा को एक अनुमान सेट (estimation set) और एक होल्डआउट सेट (holdout set) में विभाजित करता है ताकि संपादन को निष्पादित किया जा सके।
• सफलता मेट्रिक्स: सफलता को प्रति-सामूहिक मेट्रिक्स (लक्षित फीचर सेट पर सही भविष्यवाणी की प्रायिकता) और वैश्विक मेट्रिक्स (जैसे कि प्रति-सामूहिक सफलता के न्यूनतम या द्रव्यमान-भारित औसत के एकत्रीकरण) के माध्यम से मापा जाता है।

प्रमुख योगदान और सैद्धांतिक परिणाम
यह शोध पत्र कई सामूहिकों के साथ ACA के लिए पहला सांख्यिकीय ढांचा प्रदान करता है, और प्रत्येक सामूहिक की सफलता के मात्रात्मक निचले स्तर (lower bounds) को व्युत्पन्न करता है।

1. सिग्नल प्लांटिंग के लिए लोअर बाउंड्स (थ्योरम 3.1):
   लेखक प्रति-सामूहिक सफलता प्रायिकता पर एक निचला स्तर प्राप्त करते हैं। यह बाउंड निम्नलिखित द्वारा संचालित एक ट्रेड-ऑफ को प्रकट करता है:

   • सिग्नल स्ट्रेंथ: सामूहिक के द्रव्यमान ($\alpha_c$) और प्लांट किए गए फीचर की व्यापकता के समानुपाती।
   • संघर्ष (Conflict): अन्य सामूहिकों के "कॉन्फ्लिक्ट टर्म्स" के भारित योग ($\sum_{d \neq c} \alpha_d \Delta_{c \to d}$) के व्युत्क्रमानुपाती। यह शब्द मापता है कि अन्य सामूहिक एक ही प्लांट किए गए फीचर्स को प्रतिस्पर्धी लेबल्स के साथ कितनी मजबूती से जोड़ते हैं।
   • गैर-सामूहिक शोर (Non-collective Noise): एक पद जो बेसलाइन जनसंख्या की फीचर को गैर-लक्ष्य लेबल्स के साथ जोड़ने की प्रवृत्ति को दर्शाता है।
   • गणना योग्यता (Computability): लेखक बाउंड्स को कंप्यूट करने योग्य बनाने के लिए अनुमानों की एक श्रेणी प्रस्तावित करते हैं, जिसे अन्यों के आंशिक ज्ञान के साथ एक एकल सामूहिक द्वारा किया जा सकता है। इसमें "वर्स्ट-केस" बाउंड (अन्यों से अधिकतम संघर्ष मानते हुए) से लेकर "बेस्ट-केस" बाउंड (एकत्रित संघर्ष सांख्यिकी तक पहुंच मानते हुए) और "इंटरमीडिएट" केस (सांख्यिकीय समरूपता धारणाओं पर निर्भर) तक का विस्तार है।

2. सिग्नल अनप्लांटिंग के लिए लोअर बाउंड्स (थ्योरम 4.1):
   अनुकूली अनप्लांटिंग रणनीति के लिए एक समान निचला स्तर प्राप्त किया गया है। यह बाउंड एक सामूहिक की अन्य सामूहिकों और बेसलाइन जनसंख्या के साथ "अनप्लांटिंग कॉन्फ्लिक्ट" को कम करने के लिए एक प्रतिस्पर्धी लेबल चुनने की क्षमता पर निर्भर करता है। प्रमाण एक डेटा-स्प्लिटिंग तकनीक (अनुमान बनाम होल्डआउट) का उपयोग करता है ताकि यह सुनिश्चित किया जा सके कि लेबल चयन संघर्ष के मूल्यांकन के लिए उपयोग किए गए डेटा से स्वतंत्र है।

3. संगति (Consistency):
   यह सिद्ध किया गया है कि जब $M=1$ होता है, तो यह ढांचा [11] में स्थापित एकल-सामूहिक बाउंड्स में कम हो जाता है, जो इसके सामान्यीकरण की पुष्टि करता है।

प्रायोगिक परिणाम
इस ढांचे को स्मार्ट शहरों में जलवायु अनुकूलन हस्तक्षेपों (स्मार्ट सिटीज़ में जलवायु अनुकूलन हस्तक्षेपों से प्रेरित एक सिंथेटिक डेटासेट: 18 कैटेगोरिकल फीचर्स और 4 हस्तक्षेप वर्गों के साथ पड़ोस-स्तरीय रिकॉर्ड) का उपयोग करके संख्यात्मक रूप से प्रदर्शित किया गया है।

• दो-सामूहिक गतिशीलता (Two-Collective Dynamics): $M=2$ के साथ प्रयोग एक स्पष्ट ट्रेड-ऑफ फ्रंटियर प्रदर्शित करते हैं। एक सामूहिक की ओर द्रव्यमान को स्थानांतरित करने से दूसरे की कीमत पर उसकी सफलता बाउंड बढ़ जाती है। सामूहिकओं के बीच प्लांट किए गए फीचर्स के ओवरलैप को कम करने से संघर्ष कमजोर हो जाता है, जिससे कम फीचर्स वाला सामूहिक "अनकंटेस्टेड" (विवाद रहित) फीचर्स का लाभ उठा पाता है, जबकि दूसरा समूह सिग्नल प्रवलता खो देता है।
• एकाधिक सामूहिक ($M=4$): चार सामूहिकों के साथ सिमुलेशन दिखाते हैं कि वैश्विक सफलता लेबल संरेखण (label alignment) के प्रति अत्यधिक संवेदनशील है। जब सामूहिक अलग-अलग लेबल्स को लक्षित करते हैं (उच्च लेबल एंट्रॉपी) और उनका आकार तुलनीय होता है, तो विनाशकारी हस्तक्षेप (destructive interference) वैश्विक सफलता गारंटी को शून्य के करीब ले आता है। इसके विपरीत, एक ही लक्षित लेबल पर प्रयास केंद्रित करने से (कम लेबल एंट्रॉपी) हस्तक्षेप काफी कम हो जाता है और वैश्विक सफलता अधिकतम होती है। द्रव्यमान का संकेंद्रण एक माध्यमिक, अधिक सूक्ष्म भूमिका निभाता है।

महत्व और दावे
यह शोध पत्र कई सामूहिकों वाले एल्गोरिद्मिक सामूहिक कार्रवाई के लिए पहला कठोर सांख्यिकीय उपचार प्रदान करने का दावा करता है। इसका महत्व निम्नलिखित में निहित है:

• यथार्थवाद का मॉडलिंग: एकल-सामूहिक आदर्श सेटिंग से आगे बढ़कर वास्तविक दुनिया के आंदोलनों (जैसे जलवायु न्याय या साइबरफेमिनिज्म) की खंडित, विकेंद्रीकृत प्रकृति को दर्शाना।
• मात्रात्मक ट्रेड-ऑफ: यह स्पष्ट रूप से मापना कि सामूहिकों का आकार और उनके लक्ष्यों का संरेखण (विशेष रूप से फीचर और लेबल ओवरलैप) सामूहिक कार्रवाई की व्यवहार्यता को कैसे निर्धारित करता है।
• व्यावहारिक गणना योग्यता: व्यक्तिगत सामूहिकों द्वारा सीमित जानकारी के साथ अपने बाउंड्स की गणना करने की क्षमता प्रदान करना, जो विकेंद्रीकृत वातावरण में रणनीतिक योजना की सुविधा प्रदान करता है।
• उपयोग मामला सत्यापन: जलवायु अनुकूलन परिदृश्य के माध्यम से ढांचे की उपयोगिता का प्रदर्शन करना, जिससे प्राप्त बाउंड्स द्रव्यमान आवंटन, फीचर ओवरलैप और लक्ष्य संरेखण के बीच महत्वपूर्ण ट्रेड-ऑफ को उजागर करते हैं।

लेखक विलगित सामूहिकों की धारणा और परिमित फीचर स्पेस की सीमाओं को स्वीकार करते हैं, और मिश्रित-उद्देश्य सेटिंग्स (कुछ प्लांटिंग, कुछ अनप्लांटिंग) तथा एडवर्सरियल गेम-थ्योरेटिक विस्तारों पर भविष्य के कार्य का सुझाव देते हैं।