Neurosymbolic Framework for Concept-Driven Logical Reasoning in Skeleton-Based Human Action Recognition
यह शोध पत्र कंकाल-आधारित मानव क्रिया पहचान (skeleton-based human action recognition) के लिए एक न्यूरोसिंबोलिक ढांचे (neurosymbolic framework) को प्रस्तुत करता है जो गति प्रिमिटिव्स (motion primitives) को व्याख्या योग्य तार्किक अवधारणाओं (interpretable logical concepts) में मैप करके डीप लर्निंग और सिंबोलिक रीजनिंग के बीच सेतु बनाता है, जिससे पारदर्शी, मानव-पठनीय स्पष्टीकरणों के साथ प्रतिस्पर्धी प्रदर्शन सक्षम होता है।
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 कंप्यूटर को मानव गतिविधियों को समझना सिखाने की कोशिश कर रहे हैं, जैसे कि किसी व्यक्ति का कूदना, हाथ हिलाना या चश्मा पहनना। वर्तमान में, अधिकांश कंप्यूटर प्रोग्राम इसे एक "ब्लैक बॉक्स" (black box) को देखकर करते हैं। वे कंकाल (skeleton) को हिलते हुए देखते हैं और अनुमान लगाते हैं कि वह क्या क्रिया है, लेकिन वे आपको यह नहीं बता सकते कि उन्होंने वह अनुमान क्यों लगाया। यह एक ऐसे छात्र की तरह है जो गणित की परीक्षा में सही उत्तर तो लिख देता है लेकिन अपना काम (steps) नहीं दिखा पाता।
यह शोध पत्र एक नया सिस्टम पेश करता है जिसे REASON कहा जाता है, जो एक मानव शिक्षक की तरह कार्य करता है। केवल अनुमान लगाने के बजाय, यह गति को छोटे, समझने योग्य "विचारों" (concepts) में तोड़ देता है और यह पता लगाने के लिए तार्किक नियमों का उपयोग करता है कि वास्तव में क्या हो रहा है।
यह कैसे काम करता है, इसके लिए सरल उपमाओं (analogies) का उपयोग किया गया है:
1. "कॉन्सेप्ट बैंक" (शब्दावली)
कल्पना कीजिए कि आप एक नृत्य का वर्णन करना चाहते हैं। आप बस कह सकते हैं "वे हिले," लेकिन यह बहुत अस्पष्ट है। इसके बजाय, आप इसे विशिष्ट गतिविधियों में तोड़ते हैं: "हाथ ऊपर," "घुटने का झुकना," "आगे बढ़ना," "तेज गति।"
शोधकर्ताओं ने एक स्मार्ट AI (एक LLM) का उपयोग करके एक कॉन्सेप्ट बैंक (Concept Bank) बनाया है ताकि इन विशिष्ट गति संबंधी विचारों का एक शब्दकोश तैयार किया जा सके।
- स्थानिक अवधारणाएं (Spatial Concepts): ये इस बारे में हैं कि शरीर के अंग कहाँ हैं (जैसे, "हाथ उठा हुआ," "घुटना मुड़ा हुआ")।
- कालिक अवधारणाएं (Temporal Concepts): ये इस बारे में हैं कि वे कैसे और कब चलते हैं (जैसे, "ऊपर की ओर गति," "पहले हाथ," "तेज गति")।
यह महत्वपूर्ण है क्योंकि दो क्रियाएं एक ही फ्रेम में एक जैसी दिख सकती हैं (जैसे चश्मा पहनना बनाम उतारना), लेकिन गति की दिशा और क्रम अलग होते हैं। सिस्टम इन "समय-आधारित" सुरागों को पहचानने के लिए इनका उपयोग करता है।
2. अनुवादक (The Decoder)
कंप्यूटर पहले कच्चे कंकाल डेटा (जोड़ों के बिंदु और रेखाएं) को देखता है। यह एक उलझे हुए स्केच को देखने जैसा है।
सिस्टम उस उलझे हुए स्केच को बैंक के "अवधारणाओं" की एक साफ सूची में बदलने के लिए एक विशेष अनुवादक (STC-Decoder) का उपयोग करता है।
- उपमा: यह एक अनुवादक की तरह है जो एक विदेशी भाषा को अंग्रेजी शब्दों में बदलता है। कंप्यूटर देखता है "जोड़ों की गति," और अनुवादक कहता है, "आह, इसका मतलब 'हाथ उठाना' और 'ऊपर की ओर गति' है।"
3. तर्क इंजन (The Logic Engine)
एक बार जब कंप्यूटर के पास अवधारणाओं की सूची आ जाती है, तो वह केवल क्रिया का अनुमान नहीं लगाता। यह तर्क नियमों (Logic Rules) का उपयोग करता है, जो एक फ्लोचार्ट या रेसिपी की तरह होते हैं।
- उपमा: एक सुरक्षा गार्ड के बारे में सोचें जो नियमों की सूची की जांच कर रहा है।
- नियम 1: यदि (पैर झुकते हैं) और (शरीर ऊपर जाता है) और (हाथ झूलते हैं) → तो यह एक कूदना (JUMP) है।
- नियम 2: यदि (हाथ चेहरे के पास हैं) और (गति ऊपर की ओर है) → तो यह चश्मा पहनना (PUTTING ON GLASSES) है।
- नियम 3: यदि (हाथ चेहरे के पास हैं) और (गति नीचे की ओर है) → तो यह चश्मा उतारना (TAKING OFF GLASSES) है।
यह सिस्टम इन नियमों को स्वचालित रूप से सीखता है। यह समझता है कि अवधारणाओं का कौन सा संयोजन किस क्रिया की ओर ले जाता है।
4. यह क्यों विशेष है ("ग्लास बॉक्स")
अधिकांश AI मॉडल "ब्लैक बॉक्स" होते हैं—आप डेटा डालते हैं, और एक उत्तर बाहर आता है, लेकिन आप बीच के चरणों को नहीं जानते।
यह सिस्टम एक "ग्लास बॉक्स" (Glass Box) है। क्योंकि यह तर्क नियमों का उपयोग करता है, आप इसके अंदर देख सकते हैं और समझ सकते हैं कि वास्तव में क्या हुआ:
- "कंप्यूटर ने इसे कूदना समझा क्योंकि उसने देखा 'पैर मुड़े' और 'शरीर ऊपर गया'।"
- यदि कंप्यूटर कोई गलती करता है, तो आप देख सकते हैं कि उसने किस "अवधारणा" को गलत समझा (जैसे, उसने सोचा कि गति "नीचे" थी जबकि वास्तव में वह "ऊपर" थी)।
परिणाम
शोधकर्ताओं ने इसे मानक डेटासेट्स पर परखा जहाँ कंप्यूटर मानवीय क्रियाओं को पहचानने की कोशिश करते हैं।
- प्रदर्शन: यह उन्नत "ब्लैक बॉक्स" मॉडलों के समान या उनसे बेहतर काम करता है।
- व्याख्यात्मकता (Explainability): अन्य मॉडलों के विपरीत, यह अपने तर्क को सरल अंग्रेजी तर्क में समझा सकता है (जैसे, "मैंने 'कूदना' को इसलिए चुना क्योंकि पैर मुड़े और शरीर ऊपर गया")।
सारांश
यह शोध पत्र एक ऐसा सिस्टम प्रस्तुत करता है जो केवल यह याद नहीं रखता कि "कूदना" कैसा दिखता है। इसके बजाय, यह कूदने के सामग्री/अंगों (पैर मोड़ना, ऊपर जाना) और उन्हें मिलाने की विधि/रेसिपी (तर्क नियम) को सीखता है। यह कंप्यूटर को मानवीय क्रियाओं को समझने में सक्षम बनाता है जो अत्यधिक सटीक होने के साथ-साथ मनुष्यों के लिए समझने में आसान और विश्वसनीय भी 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।