💻 computer science

Non-Negative Matrix Factorization for Event Data

यह शोध पत्र EventNMF को प्रस्तुत करता है, जो एक गणितीय रूप से सिद्धांतबद्ध और गणनात्मक रूप से कुशल निरंतर-समय गैर-ऋणात्मक मैट्रिक्स गुणनखंडन (non-negative matrix factorization) मॉडल है, जो पारंपरिक बिनिंग या स्मूथिंग प्रीप्रोसेसिंग से जुड़ी सूचना की हानि के बिना व्याख्या योग्य टेम्पोरल संरचनाओं को उजागर करने के लिए पॉइसन प्रक्रियाओं (Poisson processes) और बी-स्प्लाइन्स (B-splines) के माध्यम से सीधे कच्चे इवेंट समय का विश्लेषण करता है।

मूल लेखक: Raphaël Romero

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Raphaël Romero

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 व्यस्त शहर की लय (रदम) को समझने की कोशिश कर रहे हैं। आपके पास अलग-अलग लोगों से मिलने वाले लाखों छोटे "पिंग्स" की एक सूची है: जैसे 8:03 पर बस का आना, 8:15 पर कॉफी शॉप का खुलना, 8:42 पर एक सायरन बजना, इत्यादि। ये इवेंट डेटा (घटना डेटा) हैं—जो समय की एक निरंतर रेखा के बजाय, समय के विशिष्ट क्षणों को दर्शाते हैं।

लंबे समय तक, इस डेटा में पैटर्न खोजने की कोशिश करने वाले वैज्ञानिकों को "डॉट कनेक्ट करने" का खेल खेलना पड़ता था, जिसमें वे समय के चारों ओर बॉक्स बनाते थे (जैसे 8:00–8:15, 8:15–8:30) और प्रत्येक बॉक्स में कितने पिंग गिरे, उन्हें गिनते थे। शोध पत्र इसे बिनिंग (binning) कहता है।

लेखक, राफेल रोमेरो (Raphaël Romero), तर्क देते हैं कि यह "बॉक्सिंग" विधि ऐसी है जैसे आप केवल यह गिनने की कोशिश कर रहे हों कि प्रत्येक 10 सेकंड के टुकड़े में कितने नोट बजाए गए, जबकि आप एक सिम्फनी (स्वरलहरी) को समझने का प्रयास कर रहे हैं। इस प्रक्रिया में आप मेलोडी, सटीक समय और प्रत्येक वाद्य यंत्र की अनूठी लय को खो देते हैं।

समस्या: "बॉक्सिंग" का जाल

जब आप निरंतर समय को बॉक्स (बिन) में जबरदस्ती फिट करते हैं, तो आप दो जोखिम उठाते हैं:

विवरणों का धुंधला होना: आप गतिविधि के एक त्वरित और महत्वपूर्ण उछाल (स्पाइक) को मिस कर सकते हैं क्योंकि वह अपने आस-पास के शांत समय के साथ औसत होकर मिट गया।
कृत्रिम शोर पैदा करना: यदि आपके बॉक्स बहुत छोटे हैं, तो आपको खाली बॉक्स (शोर) मिलेंगे। यदि वे बहुत बड़े हैं हैं, तो वे अलग-अलग पैटर्न को आपस में मिला देंगे। यह सही "बॉक्स साइज" खोजने का एक निराशाजनक अनुमान लगाने वाला खेल बन जाता है।

समाधान: EventNMF (एक "डायरेक्ट स्ट्रीम" दृष्टिकोण)

यह शोध पत्र EventNMF नामक एक नया टूल पेश करता है। डेटा को बॉक्स में डालने के बजाय, EventNML हर एक इवेंट के कच्चे (raw) और सटीक टाइमस्टैम्प को देखता है।

इसे इस तरह समझें:

पुराना तरीका (Binning): आप पानी की एक बाल्टी लेते हैं और उसे निश्चित आकार के कपों में डालकर मापने की कोशिश करते हैं। इसमें आप पानी के बहाव का आकार खो देते हैं।
EventNMF: आप सीधे नल से बहते पानी को देखते हैं। आप देख सकते हैं कि धारा कब तेज होती है, कब धीमी होती है, और कब रुक जाती है, बिना किसी कप की आवश्यकता के।

यह कैसे काम करता है: "रेसिपी" की उपमा

मूल विचार यह है कि प्रत्येक इकाई (एक व्यक्ति, एक न्यूरॉन, या एक शहर का ब्लॉक) की अपनी एक अनूठी "रेसिपी" होती है कि घटनाएं कब होती हैं। लेकिन ये रेसिपी यादृच्छिक (रैंडम) नहीं हैं; ये कुछ मुख्य सामग्रियों (master ingredients) के मिश्रण से बनी होती हैं (लेटेंट फैक्टर्स)।

मुख्य सामग्रियां (टेम्पोरल फैक्टर्स): कल्पना करें कि समय के कुछ बुनियादी "फ्लेवर्स" (स्वाद) हैं।
- फ्लेवर A: शुरुआत में एक तीखा उछाल (जैसे स्टार्टर गन की आवाज)।
- फ्लेवर B: बीच में एक स्थिर गूंज (जैसे बैकग्राउंड में बातचीत)।
- फ्लेवर C: अंत में एक धीमी गिरावट (जैसे सूर्यास्त)।
मिश्रण (लोडिंग्स): प्रत्येक इकाई इन फ्लेवर्स को अलग-अलग मात्रा में मिलाती है।
- इकाई 1 शायद 90% फ्लेवर A और 10% फ्लेवर B हो सकती है।
- इकाई 2 शायद 50% फ्लेवर B और 50% फ्लेवर C हो सकती है।

EventNMF का काम यह पता लगाना है कि:

मुख्य सामग्रियों के आकार क्या हैं?
प्रत्येक इकाई ने प्रत्येक सामग्री का कितना उपयोग किया?

यह एक गणितीय "रेसिपी" का उपयोग करके ऐसा करता है जिसे पॉइसन प्रोसेस (Poisson process) कहा जाता है, जो समय के साथ होने वाली यादृच्छिक घटनाओं को मॉडल करने का मानक तरीका है। यह सामग्रियों के आकार को सुचारू रूप से बनाने के लिए लचीली कर्व्स (B-splines) का उपयोग करता है, जिससे समय को बॉक्स में काटने की आवश्यकता नहीं पड़ती।

शोध पत्र ने क्या पाया (परिणाम)

लेखक ने इस पद्धति का तीन तरीकों से परीक्षण किया:

नकली डेटा (सिंथेटिक): उन्होंने एक नकली दुनिया बनाई जिसमें ज्ञात पैटर्न थे। EventNMF ने पैटर्न को पूरी तरह से खोज निकाला, जबकि पुराने "बॉक्सिंग" तरीकों को संघर्ष करना पड़ा, जब तक कि बॉक्स का आकार बिल्कुल सटीक न हो। EventNML बहुत कम डेटा (स्पार्स डेटा) होने पर भी अच्छी तरह काम करता है।
भूकंप: उन्होंने कैलिफोर्निया और नेवादा के भूकंप डेटा का विश्लेषण किया। इस टूल ने कंपन के दो अलग-अलग "फ्लेवर्स" को खोजा:
- एक जुलाई 2019 में एक विशाल, तीखा उछाल (रिजक्रेस्ट भूकंप) था जिसके बाद एक त्वरित गिरावट (आफ्टरशॉक्स) आई।
- दूसरा "द गेयर्स" क्षेत्र के पास एक धीमी, स्थिर, कम स्तर की गूंज थी जो दस वर्षों तक लगातार हुई।
- इसने इन दो बहुत ही अलग व्यवहारों को आपस में मिलाए बिना सफलतापूर्वक अलग कर दिया।
मस्तिष्क के न्यूरॉन्स: उन्होंने एक चूहे के मस्तिष्क की गतिविधि का अध्ययन किया जब वह एक दृश्य उत्तेजना (विजुअल स्टिमुलस) देख रहा था। टूल ने मस्तिष्क की फायरिंग के चार अलग-अलग "लयों" को खोजा: एक तीखी शुरुआत, एक स्थिर धड़कन, एक विलंबित प्रतिक्रिया, और एक दमन (शांत होना)। यह बता सका कि मस्तिष्क के कौन से हिस्से किस लय का हिस्सा थे।
स्कूली संपर्क: उन्होंने विश्लेषण किया कि एक प्राथमिक विद्यालय के छात्र आपस में कब मिलते हैं। टूल ने स्वचालित रूप से क्लास शेड्यूल का पता लगा लिया। इसने "पाठ का समय" पैटर्न (कक्षा के भीतर स्थिर बातचीत) और "खाली समय" पैटर्न (लंच के समय जब अलग-अलग कक्षाओं के बच्चे मिलते हैं, तब तीखे उछाल) को खोजा। इसने यह भी गौर किया कि शिक्षक कक्षाओं के बीच घूमते रहते हैं, इसलिए वे केवल एक "क्लास" पैटर्न में फिट नहीं होते।

यह क्यों महत्वपूर्ण है

शोध पत्र का दावा है कि EventNMF है:

गणितीय रूप से सुदृढ़: यह मनमाने ढंग के बॉक्स पर निर्भर नहीं है।
तेज़: यह एक सामान्य कंप्यूटर पर सेकंडों में हजारों इकाइयों और लाखों घटनाओं को प्रोसेस कर सकता है।
लचीला: यह भूकंपों, मस्तिष्क की तरंगों और सामाजिक अंतःक्रियाओं पर काम करता है।

संक्षेप में, EventNMF हमें समय के संगीत को सीधे सुनने की अनुमति देता है, बजाय इसके कि हम एक बॉक्स के भीतर नोट्स को गिनने की कोशिश करें।

तकनीकी सारांश: इवेंट डेटा के लिए नॉन-नेगेटिव मैट्रिक्स फैक्टराइजेशन (EventNMF)

समस्या विवरण
सतत-समय (continuous-time) इवेंट डेटा, जहाँ संस्थाएँ (entities) समय के साथ तात्कालिक घटनाएँ उत्सर्जित करती हैं (जैसे, न्यूरोनल स्पाइक्स, भूकंपीय घटनाएँ, सामाजिक संपर्क), विभिन्न डोमेन में सर्वव्यापी है। जबकि नॉन-नेगेटिव मैट्रिक्स फैक्टराइजेशन (NMF) ऐसे डेटा में व्याख्यात्मक संरचना को उजागर करने के लिए एक मानक उपकरण है, मौजूदा अनुप्रयोगों में आमतौर पर कच्चे इवेंट समय को बिनिंग (binning) या स्मूथिंग (smoothing) के माध्यम से प्रीप्रोसेसिंग की आवश्यकता होती है ताकि टेम्पोरल सिग्नल उत्पन्न किए जा सकें। यह विवेकीकरण (discretization) महत्वपूर्ण कमियाँ पेश करता है: यह संस्था-स्तरीय विषमताओं और सूक्ष्म टेम्पोरल विशेषताओं को मिटाने का जोखिम उठाता है, अंतर्निहित पॉइंट प्रोसेस के सांख्यिकीय गुणों को बदल देता है, और बिन चौड़ाई या कर्नेल बैंडविड्थ चयन के संबंध में एक कठिन-से-नियंत्रित बायस-वेरिएंस ट्रेडऑफ (bias-variance tradeoff) पेश करता है।

कार्यप्रणाली: EventNMF
यह शोध पत्र EventNMF प्रस्तुत करता है, जो एक सतत-समय नॉन-नेगेटिव फैक्टराइजेशन मॉडल है जो बिनिंग के बिना सीधे इवेंट समय पर कार्य करता है। मुख्य कार्यप्रणाली निम्नलिखित घटकों पर आधारित है:

जेनरेटिव मॉडल (Generative Model): प्रत्येक संस्था $i$ को एक इनहोमोजेनियस पॉइसन प्रोसेस (inhomogeneous Poisson process) के रूप में मॉडल किया गया है जिसकी तीव्रता फलन (intensity function) $\lambda_i(t)$ है। यह माना गया है कि तीव्रता एक लो-रैंक फैक्टराइजेशन को स्वीकार करती है:
$\lambda_i(t) = \sum_{r=1}^R u_{ir} f_r(t)$
जहाँ $u_{ir} \geq 0$ संस्था-विशिष्ट नॉन-नेगेटिव लोडिंग्स हैं, और $f_r(t) \geq 0$ साझा लेटेंट टेम्पोरल फैक्टर्स हैं।
पैरामेट्रिक बेसिस (Parametric Basis): मॉडल को पैरामेट्रिक बनाने के लिए, प्रत्येक लेटेंट फैक्टर $f_r(t)$ को एक निश्चित नॉन-नेगेटिव बी-स्प्लाइन (B-spline) बेसिस $\{\phi_b\}_{b=1}^B$ पर विस्तारित किया गया है:
$f_r(t) = \sum_{b=1}^B \gamma_{rb} \phi_b(t)$
जहाँ $\gamma_{rb} \geq 0$ है। यह मॉडल विभिन्न प्रकार के तीव्रता आकारों (intensity shapes) को नॉन-नेगेटिविटी बनाए रखते हुए अनुमानित करने की अनुमति देता है।
ऑब्जेक्टिव फंक्शन (Objective Function): पैरामीटर्स (लोडिंग मैट्रिक्स $U$ और कोएफिशिएंट मैट्रिक्स $\Gamma$ ) का अनुमान पॉइसन प्रोसेस धारणा के तहत देखे गए काउंटिंग मेजर्स के नेगेटिव लॉग-लाइक्लिहुड को मिनिमाइज करके लगाया जाता है। संस्था $i$ के लिए लॉस फंक्शन है:
$l_i(U, \Gamma) = u_i^\top \Gamma I(\Phi) - \sum_{\tau \in E_i} \log(u_i^\top \Gamma \Phi(\tau))$
जहाँ $I(\Phi)$ बेसिस फंक्शन्स के इंटीग्रल्स का वेक्टर है और $E_i$ संस्था $i$ के इवेंट समय का सेट है।
ऑप्टिमाइजेशन (Optimization): लेखक $U$ और $\Gamma$ के लिए कुशल मल्टीप्लिकेटिव अपडेट्स (multiplicative updates) प्राप्त करते हैं जो अनुकूलन प्रक्रिया के दौरान नॉन-नेगेटिविटी की गारंटी देते हैं। प्रति इटरेशन कम्प्यूटेशनल कॉम्प्लेक्सिटी $O(RBE)$ है, जो इवेंट्स की संख्या के रैखिक (linear) है, जिससे यह विधि स्केलेबल बनती है।
सैद्धांतिक संबंध (Theoretical Connection): शोध पत्र प्रदर्शित करता है कि जब बी-स्प्लाइन डिग्री शून्य होती है, तो EventNMF सटीक रूप से बिन्ड काउंट्स पर मानक पॉइसन-NMF के समान हो जाता है। इस प्रकार, EventNMF मौजूदा बिन्डेड दृष्टिकोणों को निरंतर डोमेन में सामान्यीकृत करता है।

प्रमुख योगदान

प्रत्यक्ष सतत-समय मॉडलिंग: EventNMF बिनिंग या स्मूथिंग की आवश्यकता को समाप्त करता है, जो सूक्ष्म टेम्पोरल विशेषताओं और सांख्यिकीय गुणों को संरक्षित करने के लिए सीधे कच्चे इवेंट समय पर कार्य करता है।
एकीकृत ढांचा (Unified Framework): यह पॉइसन लाइक्लिहुड्स का उपयोग करके एक ही ढांचे के भीतर डाइमेंशनलिटी रिडक्शन (NMF) को पॉइंट प्रोसेस एस्टीमेशन के साथ जोड़ता है।
कुशल एल्गोरिदम: मल्टीप्लिकेटिव अपडेट्स का व्युत्पन्न एक सरल, गणितीय रूप से सिद्धांतित और कम्प्यूटेशनल रूप से कुशल एस्टीमेशन प्रक्रिया प्रदान करता है।
अनुभवजन्य सत्यापन (Empirical Validation): विधि को सिंथेटिक डेटा और तीन वास्तविक दुनिया के अनुप्रयोगों पर सत्यापित किया गया है:
- सीस्मोलॉजी (Seismology): कैलिफोर्निया-नेवादा भूकंप डेटा (2014–2024) का विश्लेषण, जिसने विशिष्ट भूकंपीय पैटर्न (जैसे, 2019 रिजक्रेस्ट मुख्य झटका बनाम निरंतर गाइसर्स गतिविधि) को व्याख्यात्मक टेम्पोरल और स्पेशियल फैक्टर्स में सफलतापूर्वक अलग किया।
- न्यूरोसाइंस (Neuroscience): एलन विजुअल कोडिंग न्यूरोपिक्सल्स डेटासेट का सिंगल-ट्रायल विश्लेषण, जो जनसंख्या-स्तर के रिस्पॉन्स मोटिफ्स (ऑनसेट ट्रांजिएंट्स, सस्टेन्ड रिदम्स, सप्रेशन) को रिकवर करता है और उन्हें विशिष्ट मस्तिष्क क्षेत्रों से मैप करता है।
- सोशल नेटवर्क (Social Networks): एक प्राथमिक विद्यालय में आमने-सामने के संपर्कों का विश्लेषण, अनसुपरवाइज्ड तरीके से क्लास-विशिष्ट इंटरेक्शन पैटर्न की रिकवरी, और लेसन-टाइम (स्थिर) तथा फ्री-पीरियड (पीक्ड) इंटरेक्शन के बीच अंतर करना।

परिणाम और प्रदर्शन

सिंथेटिक प्रयोग: ज्ञात लेटेंट फैक्टर्स वाले सिंथेटिक डेटा पर, EventNMF बिन्डेड NMF बेसलाइन्स (NARFD) और फंक्शनल PCA विधियों (PPCA) से बेहतर प्रदर्शन करता है। अध्ययन एक बायस-वेरिएंस ट्रेडऑफ को उजागर करता है: उच्च-डिग्री वाले स्प्लाइन्स डिग्री-0 (बिन्डेड) दृष्टिकोणों की तुलना में स्मूथ लेटेंट प्रोसेस को बेहतर ढंग से कैप्चर करते हैं, जबकि अत्यधिक बेसिस फंक्शन्स ओवरफिटिंग का कारण बन सकते हैं। इष्टतम कॉन्फ़िगरेशन स्प्लाइन डिग्री $p=3$ पर पाया गया।
स्पैरसिटी रोबस्टनेस (Sparsity Robustness): विधि स्पर्स रेजीम में मजबूती प्रदर्शित करती है; जब प्रति संस्था इवेंट्स कम (<1) होते हैं, तो अधिक संस्थाओं का होना रिकवरी में काफी सुधार करता है, जबकि घने (dense) रेजीम में प्रदर्शन स्थिर हो जाता है।
तुलना: PPCA के विपरीत, जो साइनेड कंपोनेंट्स देता है और मोनोटोन क्युमुलेटिव्स के साथ संघर्ष करता है, EventNMF नॉन-नेगेटिव लोडिंग्स और रेट टेम्पलेट्स प्रदान करता है जो इवेंट रेट्स की भौतिक प्रकृति के अनुरूप हैं। NARFD के विपरीत, EventNMF बिन चौड़ाई मापदंडों के प्रति संवेदनशीलता से बचता है।

महत्व और दावे
शोध पत्र दावा करता है कि EventNMF इवेंट डेटा के लिए वर्तमान अत्याधुनिक विधियों के लिए एक "गणितीय रूप से सिद्धांतित, लागू करने में आसान और कम्प्यूटेशनल रूप से कुशल" विकल्प प्रदान करता है। इसका प्राथमिक महत्व बिनिंग के प्रीप्रोसेसिंग बॉटलनेक को हटाना है, जिससे उन व्याख्यात्मक टेम्पोरल पैटर्न की खोज संभव होती है जो अन्यथा स्मूथ आउट हो सकते हैं या खो सकते हैं। लेखक इस कार्य को फंक्शनल डेटा एनालिसिस और पॉइंट प्रोसेस मॉडलिंग के बीच एक सेतु के रूप में देखते हैं।

लेखक भविष्य की दिशाओं के संबंध में विनम्र बने हुए हैं, यह नोट करते हुए कि हालांकि वर्तमान विधि पॉइसन प्रक्रियाओं को प्रभावी ढंग से संभालती है, सेल्फ-एक्साइटिंग प्रोसेस (जैसे, कपल्ड मल्टीवेरिएट हॉक्स प्रोसेस) तक ढांचे का विस्तार करना एक खुला सैद्धांतिक और अनुभवजन्य चुनौती बना हुआ है। वे यह भी सुझाव देते हैं कि अरबों इवेंट्स वाले डेटासेट तक स्केलेबिलिटी को रैंडम सब-सैंपलिंग के माध्यम से और बेहतर किया जा सकता है।