तकनीकी सारांश: एक अनुमान प्रोफ़ाइल $\theta$ के माध्यम से विश्व-मॉडल गैर-पहचान क्षमता (Non-Identifiability) का औपचारिककरण

1. समस्या विवरण

यह शोध पत्र उस घटना को संबोधित करता है जहाँ भिन्न-भिन्न एजेंट, समान प्रेक्षणों (दस्तावेजों, सांख्यिकी, लॉग या घटनाओं) को साझा करने के बावजूद, परस्पर विरोधी निष्कर्षों पर पहुँचते हैं। पारंपरिक विमर्श में, इस विचलन को अक्सर विरोधी पक्ष के संज्ञानात्मक दोषों, अतार्किकता या दुर्भावना के रूप में आरोपित किया जाता है। यह आरोपण एकल बुद्धिमत्ता धारणा (Single Intelligence Assumption - SIA) पर निर्भर करता है, जो यह मानता है कि बुद्धिमत्ता तार्किक तर्क में केंद्रित है, इस मानक से विचलन विफलता है, और तर्कसंगत एजेंटों को समान इनपुट दिए जाने पर एक ही निष्कर्ष पर पहुँचना चाहिए (परिवर्तनीयता/commutability)।

यह पत्र तर्क देता है कि यह ढांचा उत्पादक जांच को रोकता है। इसके बजाय, यह निष्कर्ष विचलन को विश्व-मॉडल अनुमान (world-model estimation) में गैर-पहचान क्षमता (non-identifiability) के रूप में एक संरचनात्मक विशेषता के रूप में प्रस्तावित करता है। सीमित डेटा, आंशिक अवलोकन और प्रतिनिधित्व संबंधी बाधाओं की स्थितियों में, कई मॉडल या अनुमान नीतियां (inference policies) एक ही प्रेक्षणों के साथ संगत रह सकती हैं। यह पत्र असहमति को एक नैतिक या व्यक्तित्व दोष के रूप में नहीं, बल्कि दो विशिष्ट स्तरों पर होने वाली गैर-पहचान क्षमता की एक कम्प्यूटेशनल समस्या के रूप में पुनर्गठित करने का प्रयास करता है:

1. $\theta$-स्तर: विचलन जो साझा विश्व मॉडल ($W$) के बावजूद भिन्न अनुमान सेटिंग्स से उत्पन्न होता है।
2. $W$-स्तर: विचलन इसलिए उत्पन्न होता है क्योंकि बार-बार होने वाले अनुमान संचालन (inference operations) डेटा एक्सपोजर और अपडेट नियमों को पक्षपाती बनाते हैं, जिससे सीखे गए विश्व मॉडल स्वयं समय के साथ भिन्न हो जाते हैं।

2. कार्यप्रणाली और ढांचा

2.1 अनुमान प्रोफ़ाइल (Inference Profile) $\theta$

विचलन के स्रोतों को संचालित करने के लिए, यह शोध पत्र अनुमान प्रोफ़ाइल $\theta = (R, E, S, D)$ पेश करता है, जो अनुमान प्रक्रिया के चार-आयामी परिचालन स्वतंत्रता के स्तरों का प्रतिनिधित्व करता है:

• संदर्भ (Reference - $R$): अनुमान के लिए उपयोग किए जाने वाले आधारों (साक्ष्य) का भार। इसे आंशिक आधारों $\{e_i\}$ के एक भारित संयोजन के रूप में मॉडल किया गया है। भार $w_i$ एक बाह्यीकरण स्कोर (externalizability score) $x_i$ (एक आधार को कितनी आसानी से साझा और ऑडिट किया जा सकता है) और एक पैरामीटर $\beta_R$ पर निर्भर करता है। उच्च $\beta_R$ ऑडिट योग्य आधारों (लॉग, सांख्यिकी) को प्राथमिकता देता है; निम्न $\beta_R$ उच्च-विवरण-लागत वाले आधारों (अंतर्निहित ज्ञान, अंतर्ज्ञान) को निष्कर्ष को प्रभावित करने की अनुमति देता है।
• अन्वेषण (Exploration - $E$): वैकल्पिक परिकल्पनाओं का प्रतिधारण। इसे परिकल्पना वितरण की एंट्रॉपी $H(h|o)$ द्वारा अभिलक्षित किया गया है। उच्च अन्वेषण कई संभावनाओं को बनाए रखता है (उच्च एंट्रॉपी), जबकि निम्न अन्वेषण एक एकल निष्कर्ष पर केंद्रित होता है।
• स्थिरीकरण (Stabilization - $S$): अपडेट का निषेध। यह एक थ्रेशोल्ड $\tau$ या नियमितीकरण शक्ति $\lambda$ द्वारा नियंत्रित होता है। उच्च स्थिरीकरण परिवर्तन का विरोध करता है (व्यवस्था/order); निम्न स्थिरीकरण नई जानकारी के प्रति तीव्र अनुकूलन की अनुमति देता है (स्वतंत्रता/freedom)।
• क्षितिज (Horizon - $D$): मूल्यांकन का कालिक केंद्र, जिसे एक डिस्काउंट फैक्टर $\gamma$ द्वारा नियंत्रित किया जाता है। उच्च $\gamma$ दीर्घकालिक परिणामों पर जोर देता है; निम्न $\gamma$ तत्काल, स्थानीय परिणामों पर जोर देता है।

2.2 गैर-पहचान क्षमता के दो स्तर

• $\theta$-स्तर की गैर-पहचान क्षमता: भले ही दो एजेंटों के पास समान विश्व मॉडल पैरामीटर $\phi$ (और इस प्रकार समान $W_\phi$) हों, उनके निष्कर्ष $y$ भिन्न हो सकते हैं यदि उनके अनुमान प्रोफ़ाइल $\theta_A \neq \theta_B$ हों। औपचारिक रूप से: $y = \text{Infer}(W_\phi, o_{\le t}; \theta)$।
• $W$-स्तर की गैर-पहचान क्षमता: अनुमान संचालन समय के साथ दोहराए जाते हैं। $\theta$ का चयन इस बात को पक्षपाती बनाता है कि कौन सा डेटा देखा जाता है और मॉडल को कैसे अपडेट किया जाता है ($\phi_{t+1} = U(\phi_t, o_t, \theta_t)$)। फलस्वरूप, अलग-अलग प्रारंभिक $\theta$ मानों वाले एजेंट मौलिक रूप से भिन्न विश्व मॉडल $W_A$ और $W_B$ विकसित कर सकते हैं, जिससे समान नए इनपुट प्रस्तुत किए जाने पर भी भिन्न कारण संबंधी एट्रिब्यूशन और अपेक्षाएं उत्पन्न होती हैं।

2.3 तीन आधारों पर प्रक्षेपण (Projection onto Three Bases)

यह पत्र प्रतिपादित करता है कि $\theta$ के चार परिचालन आयाम स्वाभाविक रूप से तीन आवर्ती अक्षों पर प्रक्षेपित होते हैं, जो सीखने वाली प्रणालियों में सामान्य तीन मूलभूत बाधाओं के कारण होता है:

1. कम्प्यूटेशनल बाधाएं ($C_{comp}$): सीमित क्षमता और संसाधन।
2. अवलोकन संबंधी बाधाएं ($C_{obs}$): आंशिक अवलोकन और शोर (noise)।
3. समन्वय संबंधी बाधाएं ($C_{coop}$): जवाबदेही, पुनरुत्पादकता और ऑडिट क्षमता की आवश्यकताएं।

ये बाधाएं तीन ट्रेड-ऑफ (trade-offs) उत्पन्न करती हैं:

• अमूर्त बनाम मूर्त (Abstract vs. Concrete): $C_{comp}$ (रेट-डिस्टॉर्शन थ्योरी) द्वारा संचालित। उच्च अमूर्तता सूचना को संकुचित करती है; उच्च मूर्तता विवरण को संरक्षित करती है। क्षितिज ($D$) यहाँ प्रक्षेपित होता है।
• बाह्यीकरण बनाम आंतरिककरण (Externalizability vs. Internalization): $C_{obs}$ और $C_{coop}$ द्वारा संचालित। बाह्यीकरण योग्य आधार साझा करने योग्य होते हैं; आंतरिक अवस्थाएं (जैसे चिंता, अंतर्निहित जोखिम) संचार के लिए महंगी होती हैं। संदर्भ ($R$) यहाँ प्रक्षेपित होता है।
• व्यवस्था बनाम स्वतंत्रता (Order vs. Freedom): $C_{comp}$ और C_{coop ($प्लास्टिसिटी-स्टेबिलिटी द्वंद्व) द्वारा संचालित। व्यवस्था में कम एंट्रॉपी और पुनरुत्पादकता निहित है; स्वतंत्रता में उच्च एंट्रॉपी और प्रतिधारित विकल्प निहित हैं। **अन्वेषण ($E$)** और **स्थिरीकरण ($S$)** संयुक्त रूप से यहाँ प्रक्षेपित होते हैं।

2.4 डीप लर्निंग में संरचनात्मक पत्राचार

यह ढांचा डीप रिप्रेजेंटेशन लर्निंग की अवधारणाओं पर आधारित है:

• संदर्भ (Reference) प्रतिनिधित्व परतों (जैसे, ट्रांसफॉर्मर में अमूर्त अवधारणाओं के लिए उच्च स्तर बनाम मूर्त विशेषताओं के लिए निचली परतों) के चयन के अनुरूप है।
• बाह्यीकरण (Externalizability) लेटेंट-स्टेट (latent-state) अनुमान से संबंधित है, जहाँ हिडन स्टेट्स इंडक्टिव बायस या सुपरविजन के बिना गैर-पहचान योग्य होते हैं, जिसके लिए संचार के लिए बाह्यीकरण प्रक्रियाओं (प्रोबिंग, लॉगिंग) की आवश्यकता होती है।
• व्यवस्था/स्वतंत्रता (Order/Freedom) सीखने और अनुमान (जैसे, टेम्परेचर सैंपलिंग में नियमितीकरण और अन्वेषण) के बीच ट्रेड-ऑफ के अनुरूप है।

3. मुख्य योगदान

1. गैर-पहचान क्षमता का औपचारिककरण: यह पत्र $\theta$-स्तर (अनुमान सेटिंग) और $W$-स्तर (मॉडल लर्निंग) की गैर-पहचान क्षमता के बीच अंतर करता है, जो अल्पकालिक मिसअलाइनमेंट और दीर्घकालिक एपिस्टेमिक विखंडन के लिए एक एकीकृत ढांचा प्रदान करता है।
2. अनुमान प्रोफ़ाइल $\theta$: यह एक संक्षिप्त, चार-घटक प्रतिनिधित्व ($R, E, S, D$) पेश करता है ताकि अस्पष्ट व्यक्तित्व गुणों के बजाय पहचान योग्य परिचालन बिंदुओं में विचलन का पता लगाया जा सके।
3. प्रक्षेपण तंत्र: यह समझाता है कि क्यों विविध अनुमान सेटिंग्स तीन आवर्ती आधारों (अमूर्त/मूर्त, बाह्यीकरण, व्यवस्था/स्वतंत्रता) में सिमट जाती हैं, जो कम्प्यूटेशनल, अवलोकन संबंधी और समन्वय संबंधी बाधाओं द्वारा संचालित होती हैं।
4. कम्प्यूटेशनल ग्राउंडिंग: यह इन आधारों को डीप लर्निंग तंत्र (रिप्रेजेंटेशन पदानुक्रम, लेटेंट-स्टेट अनुमान, नियमितीकरण) से जोड़ता है, जिससे असहमति के विमर्श को मनोवैज्ञानिक स्पष्टीकरणों से हटाकर कम्प्यूटेशनल डिज़ाइन समस्याओं की ओर ले जाता है।

4. परिणाम और चित्रण

यह शोध पत्र प्रायोगिक प्रयोगात्मक परिणाम प्रस्तुत नहीं करता है, बल्कि ढांचे को समझाने के लिए AI विनियमन बहसों (विशेष रूप से EU AI Act के गठन) पर एक केस स्टडी प्रस्तुत करता है:

• साझा प्रेक्षण: हितधारक घटना रिपोर्ट, बेंचमार्क और आर्थिक पूर्वानुमान साझा करते हैं।
• $\theta$-स्तर का विचलन:
  • एहतियाती (Precautionary) कर्ता कठिन-से-बाह्यीकरण वाली चिंताओं (निम्न $\beta_R$), चरम-स्थिति परिदृश्यों को बनाए रखने (उच्च $H$), संस्थागत स्थिरीकरण (उच्च $\tau$), और दीर्घकालिक अपरिवर्तनीयता (उच्च $\gamma$) को प्राथमिकता देते हैं।
  • प्रोत्साहन-उन्मुख (Promotion-oriented) कर्ता बाह्यीकरण योग्य लाभों (उच्च $\beta_R$), मुख्यधारा के परिदृश्यों (निम्न $H$), लचीले संशोधन (निम्न $\tau$), और मध्यम-अवधि के अवसर लागत (मध्यम $\gamma$) पर ध्यान केंद्रित करते हैं।
• $W$-स्तर का विचलन: कर्ता इतिहास से अलग-अलग कारण अनुक्रम सीखते हैं (जैसे, "नवाचार सुधार की ओर ले जाता है" बनाम "विनियमन की कमी दुर्घटनाओं की ओर ले जाती है"), जिससे वे एक ही नए साक्ष्य को अलग-अलग कारण संरचनाओं के माध्यम से व्याख्यायित करते हैं।
• समाधान रणनीति: ढांचा सुझाव देता है कि असहमति को हल करने के लिए विभेदक प्रेक्षणों (discriminative observations) या हस्तक्षेपों (जैसे, A/B परीक्षण, विश्वास के मापने योग्य संकेतक) को डिजाइन करना आवश्यक है जो प्रतिस्पर्धी मॉडलों के बीच भविष्य कहनेवाला अंतर को अधिकतम करते हैं, न कि संघर्ष को नैतिक विफलता के रूप में देखना।

5. महत्व और दावे

यह पत्र दावा करता है कि असहमति में अक्सर एक पहचान योग्य कम्प्यूटेशनल संरचना होती है। अनुमान संचालन और विश्व-मॉडल लर्निंग में विचलन को स्थान देकर, समस्या को नैतिक मूल्यांकन (दूसरे को दोषपूर्ण कहना) से डिज़ाइन योग्य समन्वय में बदला जा सकता है।

इसका महत्व निम्नलिखित में निहित है:

• पद्धतिगत बदलाव: बहु-अनुमान धारणा (Multiple Inference Assumption - MIA) को अपनाना, जो विविधता को एक दोष के बजाय गैर-पहचान क्षमता के परिणाम के रूप में मानता है।
• परिचालन स्पष्टता: यह पहचानने के लिए एक शब्दावली ($R, E, S, D$) प्रदान करता है कि अनुमान प्रक्रिया कहाँ भिन्न होती है।
• व्यावहारिक अनुप्रयोग: संघर्षों को हल करने के लिए परिचालन सेटिंग्स को संरेखित करने ( $\theta$-स्तर के मुद्दों के लिए) या प्रतिस्पर्धी विश्व मॉडलों का परीक्षण करने के लिए विशिष्ट हस्तक्षेपों को डिजाइन करने ( $W$-स्तर के मुद्दों के लिए) का मार्ग प्रदान करना।

यह शोध पत्र विनम्रता बरतते हुए नोट करता है कि चार आयामों का तीन आधारों पर प्रक्षेपण एक "संरचनात्मक प्रवृत्ति" है जो सिद्धांत द्वारा समर्थित है न कि एक सख्त प्रमेय द्वारा, और यह ढांचा एक कम्प्यूटेशनल विवरण है न कि विविधता का एक मानद उत्सव। भविष्य के कार्य के रूप में अनुभवजन्य डेटा से प्रोफाइल निकालने और तीन-आधारों के न्यूनीकरण को मात्रात्मक रूप से मान्य करने की पहचान की गई है।