← नवीनतम पेपर
🤖 AI

RAPT: Retrieval-Augmented Post-hoc Thresholding for Multi-Label Classification

यह शोध पत्र RAPT को प्रस्तुत करता है, जो एक मॉडल-अज्ञेय (model-agnostic), रिट्रीवल-ऑगमेंटेड पोस्ट-हॉक थ्रेशोल्डिंग रैपर है, जो समान ऐतिहासिक मामलों का लाभ उठाकर मल्टी-लेबल वर्गीकरण के लिए लेबल चयन थ्रेशोल्ड को गतिशील रूप से अनुकूलित करता है, जिससे यह सटीकता और कम्प्यूटेशनल दक्षता दोनों में स्थिर बेसलाइन और फ्यू-शॉट LLMs से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Lasal Jayawardena, Nirmalie Wiratunga, Ikechukwu Nkisi-Orji, Darren Nicol

प्रकाशित 2026-05-19
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Lasal Jayawardena, Nirmalie Wiratunga, Ikechukwu Nkisi-Orji, Darren Nicol

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 विशाल, अराजक पुस्तकालय में एक लाइब्रेरियन हैं। आपका काम एक नई किताब को देखना और यह तय करना है कि वह किन श्रेणियों में आती है—जैसे कि "इतिहास," "खाना बनाना," या "विज्ञान।"

पुराने तरीके में, आप एक कठोर नियम का उपयोग करते: "यदि कोई किताब 50% इतिहास की किताब जैसी दिखती है, तो उसे इतिहास के रूप में टैग करें।" लेकिन यह समस्याग्रस्त है। कभी-कभी एक किताब 60% इतिहास की होती है लेकिन 40% खाना बनाना भी होती है (जैसे रोमन साम्राज्य के बारे में एक कुकबुक)। एक कठोर 50% का नियम कुकिंग टैग को पूरी तरह से मिस कर सकता है, या इससे भी बुरा, एक साधारण रेसिपी बुक को "इतिहास" के रूप में टैग कर सकता है क्योंकि उसमें प्राचीन सामग्रियों का उल्लेख है।

यह पेपर RAPT पेश करता है, जिसका अर्थ है Retrieval-Augmented Post-hoc Thresholding। RAPT को एक नया लाइब्रेरियन मानने के बजाय, एक स्मार्ट सहायक के रूप में सोचें जो आपके मौजूदा लाइब्रेरियन के बगल में खड़ा है और अंतिम निर्णय लेने से पहले सलाह फुसफुसाता है।

समस्या: "एक ही आकार सबके लिए" वाला जाल (The "One-Size-Fits-All" Trap)

अधिकांश AI सिस्टम जो दस्तावेजों को वर्गीकृत करते हैं, वे एक ग्लोबल थ्रेशोल्ड (जैसे कि 50% का नियम) का उपयोग करते हैं। यह भंगुर (brittle) है।

  • शोर (Noise): यदि किसी दस्तावेज़ को खराब तरीके से स्कैन किया गया है (OCR शोर), तो AI भ्रमित हो जाता है।
  • असंतुलन (Imbalance): कुछ श्रेणियां दुर्लभ होती हैं; अन्य सामान्य होती हैं। एक एकल नियम दोनों के लिए काम नहीं करता है।
  • संदर्भ (Context): "अपशिष्ट" (Waste) के बारे में एक दस्तावेज़ एक संदर्भ में कानूनी फॉर्म हो सकता है और दूसरे में एक अनौपचारिक ईमेल। एक निश्चित नियम अंतर नहीं बता सकता।

समाधान: RAPT की "पड़ोसी सलाह" (Neighborly Advice)

RAPT एक तकनीक का उपयोग करता है जिसे केस-बेस्ड रीजनिंग (Case-Based Reasoning) कहा जाता है। यह कैसे काम करता है, यहाँ चरण-दर-चरण दिया गया है:

  1. पहला अनुमान: मुख्य AI मॉडल (लाइब्रेरियन) एक नए दस्तावेज़ को देखता है और हर संभावित लेबल के लिए स्कोर देता है। वह उस दस्तावेज़ का एक "डिजिटल फिंगरप्रिंट" (एम्बेडिंग) भी बनाता है।
  2. पड़ोसियों को खोजना: RAPT पुस्तकालय के इतिहास को देखता है। वह उस डिजिटल फिंगरप्रिंट के आधार पर 10 सबसे समान पिछले दस्तावेज़ों (पड़ोसियों) को खोजता है।
  3. गलतियों से सीखना: RAPT देखता है कि उन पड़ोसियों को वास्तव में अतीत में कैसे लेबल किया गया था। वह पूछता है: "क्या AI ने उन समान दस्तावेज़ों को ओवर-टैग या अंडर-टैग किया? उस प्रकार के दस्तावेज़ के लिए कितने सही टैग होने चाहिए थे?"
  4. थ्रेशोल्ड को समायोजित करना: कठोर 50% नियम के बजाय, RAPT अपने पड़ोसियों के आधार पर इस विशिष्ट दस्तावेज़ के लिए कटऑफ को समायोजित करता है।
    • उदाहरण: यदि 10 सबसे समान दस्तावेज़ों में आमतौर पर 3 टैग होते थे, तो RAPT AI को कहता है, "हे, केवल शीर्ष 1 को न चुनें। शीर्ष 3 को खोजें।"
    • उदाहरण: यदि समान दस्तावेज़ों को वर्गीकृत करना कठिन था, तो RAPT कह सकता है, "अधिक सख्त रहें। केवल बहुत उच्च आत्मविश्वास वाले लेबल चुनें।"

यह क्यों बेहतर है: "स्मार्ट रैपर" (The "Smart Wrapper")

RAPT एक रैपर (wrapper) है। आपको अपने महंगे AI मॉडल को फिर से प्रशिक्षित (retrain) करने की आवश्यकता नहीं है। आप बस RAPT को अपने पास मौजूद किसी भी AI के ऊपर लगा सकते हैं। यह इनके साथ काम करता है:

  • मेट्रिक लर्नर्स (Metric Learners): वे AI मॉडल जो समानता खोजने में अच्छे होते हैं।
  • ट्रांसफॉर्मर्स (Transformers): बड़े भाषा मॉडल (जैसे BERT) जो टेक्स्ट को गहराई से समझते हैं।

परिणाम: तेज़, सस्ता और सटीक

शोधकर्ताओं ने औद्योगिक दस्तावेजों (एक अपशिष्ट प्रबंधन कंपनी से) और छह सार्वजनिक डेटासेट्स (समाचार, कानूनी, चिकित्सा, आदि) पर RAPT का परीक्षण किया।

  • सटीकता (Accuracy): RAPT ने लगातार पुराने "फिक्स्ड रूल" तरीकों को पछाड़ दिया। औद्योगिक परीक्षण में, इसने 87% मैक्रो-F1 स्कोर (सभी श्रेणियों में सटीकता का एक माप, विशेष रूप से दुर्लभ श्रेणियों के लिए) प्राप्त किया।
  • दक्षता (Efficiency): यह सबसे बड़ी जीत है। समान काम करने के लिए Qwen जैसे विशाल लार्ज लैंग्वेज मॉडल (LLM) का उपयोग करने की तुलना में:
    • RAPT 115 गुना तेज़ था।
    • RAPT ने 13.5 गुना कम मेमोरी का उपयोग किया।
    • RAPT इस विशिष्ट कार्य में LLM की तुलना में 2 गुना अधिक सटीक था।

रचनात्मक उपमा: थर्मोस्टेट (The Thermostat)

अपने AI क्लासिफायर को एक घर के थर्मोस्टेट की तरह समझें।

  • पुराना तरीका (ग्लोबल थ्रेशोल्ड): आप थर्मोस्टेट को ठीक 70°F पर सेट करते हैं। लेकिन सर्दियों में, 70°F ठंडा महसूस होता है। गर्मियों में, 70°F गर्म महसूस होता है। घर आरामदायक नहीं रहता।
  • RAPT तरीका (डायनेमिक थ्रेशोल्डिंग): RAPT एक स्मार्ट सेंसर की तरह है जो यह जांचता है कि पास के समान घरों में मौसम कैसा था। यदि पड़ोसी ठंड की लहर के कारण गर्म हो रहे हैं, तो RAPT आपके थर्मोस्टेट को 72°F पर समायोजित करता है। यदि दिन सुहावना है, तो यह इसे 68°F पर रखता है। यह एक कठोर वैश्विक नियम के बजाय स्थानीय संदर्भ के आधार पर "कम्फर्ट लेवल" (थ्रेशोल्ड) को अनुकूलित करता है।

सारांश में

RAPT एक हल्का, स्मार्ट लेयर है जो मौजूदा AI क्लासिफायर के ऊपर बैठता है। यह नए दस्तावेज़ को टैग करते समय AI कितना सख्त या ढीला होना चाहिए, यह तय करने के लिए समान पिछले उदाहरणों को देखता है। यह अपने AI को फिर से प्रशिक्षित किए बिना उसे अधिक सटीक बनाता है, और यह विशाल, महंगे भाषा मॉडलों की तुलना में बहुत तेज़ी से और सस्ते में ऐसा करता 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.AI →