Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation

कल्पना कीजिए कि आप एक मास्टर शेफ हैं जिसने अपने घर की रसोई में एक विशिष्ट प्रकार के सूप की रेसिपी को सिद्ध करने में वर्षों बिताए हैं (Source Domain)। आप जानते हैं कि सामग्री कैसी दिखनी चाहिए, उसकी गंध कैसी होनी चाहिए और उसका स्वाद कैसा होना चाहिए। अब, आपको एक अलग शहर में लोगों के एक नए समूह के लिए खाना पकाने के लिए काम पर रखा गया है (Target Domain)। आपके पास वही रेसिपी बुक है, लेकिन आप अपनी पुरानी रसोई में जाकर अपने नोट्स देखने के लिए वापस नहीं जा सकते, और नई रसोई में रोशनी अलग है, पानी की गुणवत्ता अलग है, और सब्जियां थोड़ी अलग दिखती हैं।

चुनौती यह है: आप अपने नए किचन स्टाफ को यह सूप बनाना कैसे सिखाएंगे, बिना खुद सामग्री को चखे या अपनी पुरानी रसोई में वापस जाए?

यह Source-Free Graph Domain Adaptation की समस्या है। ग्राफ की दुनिया में, "ग्राफ" जुड़ी हुई चीजों के नेटवर्क (जैसे सोशल नेटवर्क या अणु) होते हैं। यह पेपर एक नया तरीका पेश करता है जिसे S2PLR (Safe-Subspace Pseudo-Label Refinement) कहा जाता है ताकि इसे हल किया जा सके।

समस्या: "आत्मविश्वास से भरी गलत" गलती (The "Confidently Wrong" Mistake)

अतीत में, AI इस समस्या को नए डेटा के लिए लेबल का अनुमान लगाने (जैसे यह अनुमान लगाना कि कौन सी सब्जी गाजर है) और फिर अपने ही अनुमानों के आधार पर खुद को सिखाने की कोशिश करता था। इसे Self-Training कहा जाता है।

पेपर तर्क देता है कि यह खतरनाक है। क्योंकि नई रसोई अलग है, AI 100% आत्मविश्वास के साथ अनुमान लगा सकता है कि एक आलू वास्तव में गाजर है। यदि AI इस गलत अनुमान पर भरोसा करता है और खुद को सिखाता है, तो यह एक "डोमिनो इफेक्ट" पैदा करता है। एक ग्राफ (एक नेटवर्क) में, जानकारी पड़ोसियों के बीच बहती है। यदि AI एक नोड को गलत तरीके से लेबल करता है, तो वह त्रुटि उसके पड़ोसियों तक फैल जाती है, जिससे पूरा नेटवर्क दूषित हो जाता है। यह एक अफवाह की तरह है जो एक आत्मविश्वासी झूठे व्यक्ति से शुरू होती है; जल्द ही, पूरा शहर उस झूठ पर विश्वास करने लगता है।

समाधान: "सेफ ज़ोन" रणनीति (The "Safe Zone" Strategy)

AI द्वारा किए गए हर अनुमान पर भरोसा करने के बजाय, S2PLR कहता है: "आइए हम केवल उन अनुमानों पर भरोसा करें जो एक सख्त सुरक्षा जांच पास करते हैं।"

लेखक एक "Safe Subspace" (सुरक्षित उप-स्थान) बनाने का प्रस्ताव देते हैं—एक छोटा, सुरक्षित क्षेत्र जहाँ हमें विश्वास है कि AI के अनुमान वास्तव में सही हैं। वे इसे एक जासूस की तरह दो अलग-अलग उपकरणों के साथ करते हैं:

1. "विशेषज्ञ पैनल" (Semantic Confidence)

कल्पना कीजिए कि आपके पास केवल एक शेफ नहीं है; आपके पास तीन विशेषज्ञों का एक पैनल है जिन्होंने आपकी पुरानी रसोई में प्रशिक्षण लिया है। जब वे एक नई सब्जी को देखते हैं:

• यदि तीनों विशेषज्ञ सहमत हैं कि यह गाजर है, और वे सभी बहुत आश्वस्त हैं, तो यह एक अच्छा संकेत है।
• यदि एक विशेषज्ञ कहता है "गाजर" लेकिन अन्य अनिश्चित हैं, या यदि वे सभी असहमत हैं, तो AI इसे "संदिग्ध" (Suspicious) के रूप में चिह्नित करता है।
• लक्ष्य: केवल उन अनुमानों को रखें जहाँ विशेषज्ञ सहमत हैं और आश्वस्त हैं।

2. "पड़ोस की निगरानी" (Structural Consistency)

एक ग्राफ में, चीजें आपस में जुड़ी होती हैं। एक गाजर आमतौर पर अन्य गाजरों के पास उगती है, न कि किसी पत्थर के बगल में।

• AI नए नेटवर्क में उस सब्जी के "पड़ोसियों" को देखता है।
• यदि वह सब्जी अन्य चीजों से घिरी हुई है जो भी गाजर जैसी दिखती हैं, तो AI अधिक सुरक्षित महसूस करता है।
• यदि वह सब्जी अलग-थलग है या ऐसी चीजों से घिरी है जो पत्थरों की तरह दिखती हैं, तो AI कहता है, "रुको, यह पैटर्न में फिट नहीं बैठता," भले ही विशेषज्ञ आश्वस्त क्यों न हों।
• लक्षक: यह सुनिश्चित करना कि अनुमान उसके स्थानीय पड़ोस के भीतर तर्कसंगत हो।

प्रक्रिया: S2PLR कैसे काम करता है

पेपर डेटा को फ़िल्टर करने के लिए चार चरणों वाली प्रक्रिया का वर्णन करता है:

1. समिति की जाँच (The Committee Check): AI डेटा के बारे में वोट करने के लिए "विशेषज्ञों" (सोर्स मॉडल्स) की एक टीम का उपयोग करता है। यह उन सभी अनुमानों को हटा देता है जहाँ विशेषज्ञ असहमत होते हैं या आश्वस्त नहीं होते हैं।
2. मैप की जाँच (The Map Check): AI नए डेटा का एक नया मैप सीखता है ताकि यह देखा जा सके कि चीजें कैसे जुड़ी हुई हैं। यह जाँचता है कि क्या "गाजर" वास्तव में इस नए मैप में एक साथ समूहबद्ध हैं।
3. सेफ ज़ोन चयन (The Safe Zone Selection): केवल वे डेटा पॉइंट्स जो दोनों (विशेषज्ञ चेक और मैप चेक) को पास करते हैं, उन्हें "Safe Subspace" में डाला जाता है। ये ही वे डेटा पॉइंट्स हैं जिनका उपयोग AI "हार्ड" लेबल (निश्चित उत्तर) के साथ खुद को सिखाने के लिए करता है।
4. बाकी के लिए कोमल स्पर्श (The Soft Touch for the Rest): उस डेटा का क्या होता है जो टेस्ट में पास नहीं हुआ? पेपर कहता है कि उन्हें फेंकें नहीं! उन्हें मजबूर करने के बजाय, AI "सॉफ्ट रेगुलराइजेशन" का उपयोग करता है। इसे एक कोमल धक्के की तरह समझें जो AI को डेटा को व्यवस्थित रखने के लिए प्रेरित करता है बिना किसी विशिष्ट, संभावित रूप से गलत निर्णय को थोपे। यह ऐसा है जैसे कहना, "इन वस्तुओं को 'शायद' वाले बिन में रखें और इन्हें 'गाजर' वाले बिन को खराब न करने दें।"

यह क्यों महत्वपूर्ण है

पेपर ने विभिन्न डेटासेट्स (जैसे ग्राफ में बदले गए चित्र और वास्तविक दुनिया के रासायनिक अणु) पर परीक्षण किया। उन्होंने पाया कि:

• पुराने तरीके अक्सर "आत्मविश्वास से भरी गलत" गलती करते थे और डेटा बदलने पर विफल हो जाते थे।
• S2PLR बहुत अधिक मजबूत (robust) था। जिस डेटा पर वह भरोसा करता है, उसके प्रति चयनात्मक होकर, इसने "अफवाह फैलाने वाले प्रभाव" (rumor mill effect) से खुद को बचाया जहाँ एक गलती सब कुछ बर्बाद कर देती है।
• इसने पिछले तरीकों की तुलना में बेहतर परिणाम दिए, जिससे सिद्ध हुआ कि अनुमानों की मात्रा से अधिक महत्वपूर्ण भरोसे की गुणवत्ता है।

मुख्य निष्कर्ष (The Bottom Line)

पेपर का दावा है कि ऐसी दुनिया में जहाँ हम अपने मूल डेटा पर वापस नहीं जा सकते, हमें अपने AI के अनुमानों पर अंधाधुंध भरोसा नहीं करना चाहिए। इसके बजाय, हमें एक "Safe Subspace" बनाना चाहिए जहाँ हम केवल उन अनुमानों पर भरोसा करें जो विशेषज्ञों की सहमति और पड़ोस की निरंतरता दोनों द्वारा समर्थित हों। बाकी के लिए, हमें कोमल होना चाहिए और निर्णय थोपना नहीं चाहिए। यह AI को गलत सबक सीखने और नए वातावरण में विफल होने से रोकता है।