Scalable Uncertainty Reasoning in Knowledge Graphs
यह शोध प्रबंध ज्ञान ग्राफों (knowledge graphs) में स्केलेबल अनिश्चितता तर्क (uncertainty reasoning) के लिए एक मॉड्यूलर ढांचे का प्रस्ताव करता है जो विशेष बीजगणितीय, तार्किक और ज्यामितीय तकनीकों के माध्यम से अस्पष्ट गुणों, संभाव्य ट्रिपल्स (probabilistic triples) और अपूर्ण स्कीमा को संबोधित करता है ताकि अर्थ संबंधी सटीकता और कम्प्यूटेशनल सुगमता के बीच सामंजस्य स्थापित किया जा सके।
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
एक विशाल डिजिटल लाइब्रेरी की कल्पना करें जिसे नॉलेज ग्राफ (Knowledge Graph) कहा जाता है। इसका काम दुनिया के तथ्यों को व्यवस्थित करना है, जैसे "मोटर 123 एक इलेक्ट्रिक मोटर है" या "ग्राइंडर 07812 में खराबी है।" वर्तमान में, यह लाइब्रेरी एक सख्त लाइब्रेरियन की तरह काम करती है जो केवल उन तथ्यों को स्वीकार करती है जो 100% सच या 100% गलत हों। यदि कोई तथ्य ठीक उसी तरह नहीं लिखा गया है जैसा होना चाहिए, तो लाइब्रेरियन कहता है, "मुझे नहीं पता," भले ही वहां कोई मजबूत संकेत या माप हो जो लगभग निश्चित हो।
हालाँकि, वास्तविक दुनिया में चीजें अस्त-व्य経過 (messy) होती हैं। डेटा अक्सर धुंधला, अधूरा, या केवल एक "सबसे अच्छा अनुमान" होता है। जिंगचेंग वू (Jingcheng Wu) का यह शोध प्रबंध (thesis), इस लाइब्रेरी को चलाने का एक नया तरीका प्रस्तावित करता है ताकि यह कंप्यूटर को क्रैश किए बिना अनिश्चितता (uncertainty) को संभाल सके।
लेखक का तर्क है कि आप अनिश्चितता के सभी प्रकारों को ठीक करने के लिए एक ही उपकरण का उपयोग नहीं कर सकते। इसके बजाय, वे लाइब्रेरी में तीन अलग-अलग "कमरों" में समस्या को विभाजित करते हैं, जिनमें से प्रत्येक के लिए एक अलग चाबी की आवश्यकता होती है:
कमरा 1: "धुंधला पैमाना" (एट्रिब्यूट-लेवल अनसर्टेन्टी)
समस्या: कभी-कभी हमें पता होता है कि एक तथ्य मौजूद है, लेकिन उससे जुड़ी संख्या एक अनुमान होती है।
- उदाहरण: हमें पता है कि एक मोटर का तापमान है, लेकिन सेंसर कहता है कि यह "80°C के आसपास है, +/- 1 डिग्री का अंतर है।" वर्तमान लाइब्रेरी इसे एक त्रुटिपूर्ण तथ्य मानती है क्योंकि यह "प्लस या माइनस" को नहीं संभाल सकती।
- समाधान: लेखक ने एक नया गणितीय पैमाना (एक बीजगणितीय ढांचा/algebraic framework) बनाया है। इस तथ्य को दर्ज करने के लिए कि संख्या क्या है, कंप्यूटर को हजारों बार अनुमान लगाने (जैसे औसत प्राप्त करने के लिए बार-बार पासा फेंकना) के बजाय, यह नया पैमाना तुरंत गणित कर सकता है। यह "80 ± 1" को एक एकल, सुचारू वक्र (गाऊसी वितरण/Gaussian distribution) के रूप में मानता है और कंप्यूटर को इन वक्रों को सीधे संयोजित करने की अनुमति देता है।
- परिणाम: यह एक ऐसे कैलकुलेटर से अपग्रेड करने जैसा है जिसे रेत के हर कण को गिनने की आवश्यकता होती है, बनाम एक ऐसा कैलकुलेटर जो तुरंत रेत की बोरी का वजन माप सकता है। लेखक का सिस्टम, जिसे ProbSPARQL कहा जाता है, पुराने "पासा फेंकने वाले" तरीकों की तुलना में बहुत तेज़ है और साथ ही गणित को सटीक भी रखता है।
कमरा 2: "डिटेक्टिव का मानचित्र" (ट्रिपल-लेवल अनसर्टेन्टी)
समस्या: कभी-कभी हमें यकीन नहीं होता कि कोई तथ्य मौजूद भी है या नहीं।
- उदाहरण: "इस बात की 12% संभावना है कि ग्राइंडर 07812 में ओवरहीटिंग की खराबी है।" वर्तमान लाइब्रेरी कई ऐसे "शायद" वाले तथ्यों से जुड़े जटिल परिदृश्यों की संभावना की गणना करने में संघर्ष करती है क्योंकि गणित बहुत भारी हो जाता है (एक समस्या जिसे "कंप्यूटेशनल रूप से अव्यवहार्य/intractable" कहा जाता है)।
- समाधान: लेखक नॉलेज कंपाइलेशन (Knowledge Compilation) नामक एक तकनीक का उपयोग करते हैं। कल्पना करें कि एक जासूस वास्तविकता के हर संभावित संस्करण (एक "क्या होगा अगर" परिदृश्य) की जांच करके एक केस को सुलझाने की कोशिश कर रहा है। इसे लाइव करना धीमा है। इसके बजाय, लेखक का सिस्टम भारी काम उपयोगकर्ता के पूछने से पहले ही कर लेता है। यह बिखरे हुए "शायद" वाले तथ्यों को एक साफ, व्यवस्थित फ्लोचार्ट (एक संभावabilistic सर्किट) में बदल देता है।
- परिणाम: एक बार फ्लोचार्ट बन जाने के बाद, प्रश्न का उत्तर देना एक मानचित्र का अनुसरण करने जितना तेज़ हो जाता है। सिस्टम बिना हर बार संभावनाओं के पूरे ब्रह्मांड को फिर से सिम्युलेट किए, खराबी की संभावना तुरंत बता सकता है।
कमरा 3: "आकार बदलने वाला बॉक्स" (ग्रुप-लेवल अनसर्टेन्टी)
समस्या: कभी-कभी हमारे पास चीजों के समूहों के बारे में नियम होते हैं जो सांख्यिकीय (statistical) होते हैं, पूर्ण (absolute) नहीं।
- उदाहरण: "85% एंगल ग्राइंडर में डस्ट कवर होता है।" यह हर एक ग्राइंडर के लिए नियम नहीं है; यह एक पैटर्न है। वर्तमान लाइब्रेरी इन पैटर्नों को सपाट, 2D आकृतियों (जैसे कागज पर रखे बॉक्स) में फिट करने की कोशिश करती है, जो तब अव्यवस्थित हो जाता है जब डेटा में गहरे पदानुक्रम (जैसे एक फैमिली ट्री) होते हैं।
- समाधान: लेखक सुझाव देते हैं कि सपाट स्थान के बजाय वक्राकार स्थान (विशेष रूप से हाइपरबोलिक ज्योमेट्री) का उपयोग किया जाए। एक सपाट कागज की शीट को पेड़ के तने के चारों ओर लपेटने की कल्पना करें—वह सिकुड़ जाता है। लेकिन एक वक्राकार सतह (जैसे सैडल या फनल) पेड़ में पूरी तरह फिट बैठती है।
- परिणाम: इन सांख्यिकीय नियमों को एक वक्राकार सतह पर मैप करके, कंप्यूटर डेटा के "आकार" को बहुत बेहतर तरीके से समझ सकता है। यह संभावनाओं (जैसे "इस ग्राइंडर में कवर होने की कितनी संभावना है?") का अनुमान सपाट बॉक्स में सब कुछ जबरदस्ती फिट करने की तुलना में बहुत अधिक सटीकता से लगा सकता है।
मुख्य चित्र (The Big Picture)
इस शोध प्रबंध का मुख्य विचार "विशेषज्ञता" (Specialization) है।
एक ही विशाल, भद्दा उपकरण बनाने के बजाय जो सभी प्रकार की अनिश्चितता को संभाल सके, लेखक ने तीन विशिष्ट उपकरण बनाए हैं:
- धुंधली संख्याओं के लिए बीजगणित (Algebra)।
- "शायद" वाले तथ्यों के लिए लॉजिक सर्किट्स (Logic Circuits)।
- सांख्यिकीय नियमों के लिए वक्राकार ज्यामिति (Curved Geometry)।
सही काम के लिए सही उपकरण का उपयोग करके, सिस्टम तेज़ और सटीक रहते हुए भी वास्तविक दुनिया की अनिश्चितताओं को संभाल सकता है। लेखक पहले से ही पहले उपकरण (धुंधले पैमाने) का परीक्षण 3 मिलियन तथ्यों के विशाल डेटासेट पर कर चुके हैं और पाया है कि यह मौजूदा तरीकों की तुलना में काफी तेज़ है, जिससे यह सिद्ध होता है कि यह "विभाजित करो और जीतो" (divide and conquer) की रणनीति काम करती 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।