🤖 AI

A homotopy-type-theoretic generalization of neurosymbolic inference

यह शोधपत्र न्यूरोसिम्बोलिक इन्फरेंस (neurosymbolic inference) के लिए एक होमोटोपी टाइप थ्योरी (homotopy type theory) फ्रेमवर्क प्रस्तावित करता है जो संरचनात्मक समरूपताओं (structural symmetries) और प्रमाण बहुलता (proof multiplicities) को ध्यान में रखने के लिए पारंपरिक सेट-आधारित दृष्टिकोणों का सामान्यीकरण करता है, जिससे तर्क संबंधी शॉर्टकट (reasoning shortcuts) हल होते हैं और एक समरूपता-अपरिवर्तनीय (symmetry-invariant), क्लोज्ड-फॉर्म औसत पद्धति के माध्यम से अंशांकन (calibration) में सुधार होता है।

मूल लेखक: Fernando Zhapa-Camacho, Robert Hoehndorf

प्रकाशित 2026-06-17

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernando Zhapa-Camacho, Robert Hoehndorf

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 कंप्यूटर को एक तार्किक पहेली समझना सिखा रहे हैं, जैसे कि कोई जासूस रहस्य सुलझा रहा हो। कंप्यूटर के दो भाग हैं: एक "न्यूरल" भाग जो संभावनाओं का अनुमान लगाता है (जैसे "मुझे लगता है कि बटलर ने यह किया, 70% विश्वास के साथ") और एक "सिंबोलिक" भाग जो तर्क के नियमों को जानता है (जैसे "बटलर तभी हत्यारा हो सकता है यदि वह लाइब्रेरी में मौजूद था")।

आमतौर पर, जब ये दोनों भाग मिलकर काम करते हैं, तो कंप्यूटर एक गलती करता है जिसे "रीजनिंग शॉर्टकट" (तर्क संबंधी शॉर्टकट) कहा जाता है।

समस्या: "मिरर" (दर्पण) का जाल

एलिस और बॉब नामक दो जुड़वा बच्चों वाले एक कमरे की कल्पना करें। कंप्यूटर से पूछा जाता है: "क्या कमरे में कोई है?"

परिदृश्य A: एलिस वहां है, बॉब नहीं है।
परिदृश्य B: बॉब वहां है, एलिस नहीं है।

कंप्यूटर के तर्क के लिए, ये दो अलग-अलग उत्तर हैं। लेकिन खेल के नियमों के अनुसार, ये बिल्कुल एक ही स्थिति है क्योंकि एलिस और बॉब एक-दूसरे के स्थान पर आ सकते हैं (interchangeable)। कंप्यूटर यह नहीं जानता कि वे एक-दूसरे के स्थान पर आ सकते हैं, इसलिए वह इन्हें दो अलग-अलग, विशिष्ट संभावनाओं के रूप में मानता है। वह भ्रमित हो सकता है, यह सोचकर, "ओह, इसके होने के दो तरीके हैं, इसलिए मुझे बहुत आश्वस्त होना चाहिए," या वह मनमाने ढंग से एक जुड़वा को चुन सकता है और दूसरे को अनदेखा कर सकता है।

यह वह "शॉर्टकट" है: कंप्यूटर गलत कारण से सही उत्तर सीखना सीख जाता है, किसी विशिष्ट विवरण (जैसे "एलिस") पर पकड़ बनाकर जो वास्तव में महत्वपूर्ण नहीं है, सिर्फ इसलिए क्योंकि उसने प्रशिक्षण के दौरान उस विवरण को देखा था।

समाधान: गिनने का एक नया तरीका

लेखक एक गणितीय अपग्रेड का प्रस्ताव करते हैं। दुनिया को वस्तुओं की एक साधारण सूची (एक "सेट") के रूप में देखने के बजाय, वे इसे संबंधों के मानचित्र (होमोटॉपी टाइप थ्योरी से एक "टाइप") के रूप में देखते हैं।

यहाँ उपमा दी गई है:

पुराना तरीका (सेट्स): कल्पना करें कि आप एक कमरे में लोगों को गिन रहे हैं। आप एलिस और बॉब को देखते हैं। आप गिनते हैं "1, 2।" आपको इस बात की परवाह नहीं है कि वे एक जैसे दिखते हैं या उन्हें आपस में बदलने से कमरे के माहौल में कोई बदलाव नहीं आता। आप बस सिर गिनते हैं।
नया तरीका (टाइप्स/होमोटॉपी): कल्पना करें कि आप लोगों को गिन रहे हैं, लेकिन आपके पास एक "सिमेट्री मीटर" (सममिति मापक) भी है। यदि एलिस और बॉब जुड़वा हैं, तो मीटर यह महसूस करता है कि उन्हें आपस में बदलने से कोई नई स्थिति पैदा नहीं होती; यह वही स्थिति है जिसे एक अलग कोण से देखा गया है।
- इस नए गणित में, अत्यधिक सममिति (जैसे जुड़वा बच्चे) वाली स्थिति, बिना सममिति वाली स्थिति से कम गिनी जाती है। यह ऐसा कहने जैसा है कि: "चूंकि इन जुड़वाओं को व्यवस्थित करने के दो तरीके हैं, इसलिए यह विशिष्ट व्यवस्था केवल आधे व्यक्ति के बराबर गिनी जाएगी।"

इस नए तरीके को "बलीफ-वेटेड होमोटॉपी कार्डिनैलिटी" (Belief-Weighted Homotopy Cardinality) कहा जाता है। यह एक फैंसी तरीका है यह कहने का: "संभावनाओं को गिनें, लेकिन किसी भी ऐसी संभावना को छूट (डिस्काउंट) दें जो किसी दूसरी संभावना की दर्पण छवि (mirror image) मात्र है।"

जादू का तरीका: ऑर्बिट-एवरेजिंग (Orbit-Averaging)

पेपर दिखाता है कि इस नए गणित का उपयोग करके, आप पूरे अलग-अलग कंप्यूटरों की सेना (ensembles) या जटिल घनत्व मॉडल (density models) को प्रशिक्षित किए बिना "रीजनिंग शॉर्टकट" की समस्या को ठीक कर सकते हैं।

वे एक तकनीक पेश करते हैं जिसे "ऑर्बिट-एवरेजिंग" कहा जाता है।

उपमा: कल्पना करें कि आपके पास एक चेहरे की धुंधली फोटो है। यह अनुमान लगाने के बजाय कि वह विशेष रूप से कौन है, आप फोटो लेते हैं, उसे हर उस तरह से घुमाते हैं जो एक जैसा दिखता है (जुड़वा बच्चों को घुमाना), और उन सभी दृश्यों का औसत लेते हैं।
परिणाम: कंप्यूटर "यह एलिस है!" या "यह बॉब है!" का अनुमान लगाना बंद कर देता है और इसके बजाय कहता है, "यह जुड़वाओं में से एक है, और मैं यह जानने के लिए समान रूप से अनिश्चित हूँ कि कौन सा है।" यह कैलिब्रेटेड (सटीक) हो जाता है। इसे पता होता है कि कब यह अनुमान लगा रहा है और कब यह निश्चित है।

उन्होंने क्या पाया

लेखकों ने इस कार्य पर इसका परीक्षण किया जहाँ कंप्यूटर को अंकों (0-9) को पहचानने के लिए कहा गया था, लेकिन उसे समूहों में वर्गीकृत करने के लिए कहा गया था (जैसे 1 और 2 एक ही श्रेणी के हैं)।

पुराना कंप्यूटर: समूह को सही पहचानता था लेकिन इस बात को लेकर अत्यधिक आश्वस्त (overconfident) था कि उसने कौन सा विशिष्ट अंक (1 या 2) देखा, भले ही वह उनके बीच अंतर नहीं कर सकता था।
नया कंप्यूटर (ऑर्बिट-एवरेजिंग): समूह को सही पहचानता था, समान सटीकता बनाए रखता था, लेकिन सही ढंग से स्वीकार करता था, "मैं 1 और 2 के बीच अंतर नहीं कर सकता, इसलिए मैं 50/50 हूँ।"

यह क्यों मायने रखता है

यह एक एकल मॉडल है: आपको पांच अलग-अलग संस्करणों को प्रशिक्षित करने और उन्हें मिलाने की आवश्यकता नहीं है (जो धीमा और महंगा है)। आप एक मॉडल ले सकते हैं और इसके आत्मविश्वास को ठीक करने के लिए इस गणितीय "फ़िल्टर" को लागू कर सकते हैं।
यह सटीक है: गणित सिद्ध करता है कि सममित होने पर पूरी तरह से निष्पक्ष होने का यही एकमात्र तरीका है।
यह सामान्य है: यह किसी भी ऐसे तर्क सिस्टम के लिए काम करता है जहाँ चीजों को बदले बिना परिणाम नहीं बदलता, न कि केवल उन विशिष्ट अंकों के उदाहरणों के लिए जिनका उन्होंने परीक्षण किया।

संक्षेप में, पेपर कहता है: "संभावनाओं को एक साधारण सूची की तरह गिनना बंद करें। उन्हें एक सममित नृत्य (symmetrical dance) की तरह गिनना शुरू करें, जहाँ पार्टनर बदलना नृत्य को नहीं बदलता। यदि आप ऐसा करते हैं, तो आपका AI आपको यह झूठ बोलना बंद कर देगा कि वह कितना सुनिश्चित है।"

तकनीकी सारांश: न्यूरोसिम्बोलिक इन्फरेंस का एक होमोटोपी-टाइप-थ्योरेटिक सामान्यीकरण

समस्या विवरण
वर्तमान न्यूरोसिम्बोलिक (NeSy) प्रणालियाँ मुख्य रूप से एक एकीकृत फलन (functional) पर निर्भर करती हैं जो $\sigma$ -संरचनाओं (लॉजिकल प्रतीकों के मानों का असाइनमेंट) के स्थान पर एक विश्वास-भारित योग (belief-weighted sum) है। यह फलन, जिसे अक्सर वेटेड मॉडल काउंटिंग (WMC), प्रोबेबिलिस्टिक लॉजिक, या फजी लॉजिक के रूप में प्रतिस्थापित किया जाता है, सेट्स (sets) पर कार्य करता है। लेखक तर्क देते हैं कि सेट्स "जानबूझकर विस्मृत करने वाले" (deliberately forgetful) ऑब्जेक्ट्स हैं जो दो महत्वपूर्ण सूचनाओं को त्याग देते हैं जो संरचित NeSy के लिए आवश्यक हैं:

सममिति (Symmetry): वे उन $\sigma$ -संरचनाओं के बीच अंतर करने में विफल रहते हैं जो सिद्धांत की सममिति (जैसे, परिवर्तनीय व्यक्तियों को बदलना) के तहत समान हैं। फलस्वरूप, मानक फलन सममित संरचनाओं की गणना अधिक (overcount) करता है।
प्रमाण बहुलता (Proof Multiplicity): वे किसी क्वेरी को प्रमाणित करने वाले कई अलग-अलग व्युत्पत्तियों (derivations) को एक एकल संख्या में समाहित कर देते हैं, इस बात की अनदेखी करते हैं कि "कितने तरीकों से" कोई तथ्य सिद्ध हुआ।

यह डिकैटेगोरिफिकेशन (decategorification) एक विशिष्ट विफलता मोड की ओर ले जाता है जिसे रीजनिंग शॉर्टकट्स (reasoning shortcuts) कहा जाता है। जब एक मॉडल को केवल तार्किक आउटपुट पर प्रशिक्षित किया जाता है, तो यह एक ऐसी धारणा पर अभिसरित (converge) हो सकता है जो तार्किक आउटपुट को सुरक्षित रखते हुए भी गुप्त अवधारणाओं (latent concepts) को गलत अर्थ प्रदान करती है (एक "शॉर्टकट")। मानक विधियाँ जटिल एन्सेम्बलिंग या एक्सप्रेसिव डेंसिटी एस्टीमेशन का सहारा लिए बिना सही "शॉर्टकट-जागरूक" पोस्टीरियर (समान अवधारणाओं के समूह पर एक यूनिफॉर्म डिस्ट्रीब्यूशन) को पहचानने में संघर्ष करती हैं।

कार्यप्रणाली (Methodology)
लेखक NeSy इन्फरेंस के आधारभूत सेट्स को होमोटोपी टाइप थ्योरी (HoTT) से टाइप्स (types) से बदलने का प्रस्ताव करते हैं। इस ढांचे में, एक टाइप न केवल अपने तत्वों को याद रखता है, बल्कि तत्वों को एक-दूसरे के समान पहचानने के तरीकों (आइसोमोर्फिज्म) को भी याद रखता है।

लेखक मानक NeSy फलन (समीकरण 1) के चार घटकों को एक स्तर ऊपर "लिफ्ट" करते हैं:

स्ट्रक्चर स्पेस ( $\Omega$ ): इसे एक ऐसे टाइप द्वारा प्रतिस्थापित किया गया है जहाँ आइडेंटिटी टाइप्स सममितियों (व्यक्तियों के पुनरनामकरण) को रिकॉर्ड करते हैं। शास्त्रीय सेट ऑफ स्ट्रक्चर्स इसका 0-ट्रंकेटेड मामला है।
लॉजिक फंक्शन ( $\ell$ ): इसे एक प्रूफ फैमिली $P: \Omega \to \mathcal{U}$ द्वारा प्रतिस्थापित किया गया है। $P$ का ट्रंकेशन लेवल एक डिज़ाइन पैरामीटर है: एक प्रपोजिशन (लेवल -1) संतुष्टि की जाँच करता है; एक सेट (लेवल 0) व्युत्पत्तियों को गिनता है; एक ग्रूपॉइड (लेवल 1) सममित व्युत्पत्तियों की पहचान करता है।
इन्फरेंस (Inference): इसे विश्वास-भारित होमोटोपी कार्डिनैलिटी (belief-weighted homotopy cardinality) द्वारा प्रतिस्थापित किया गया है। एक साधारण योग के बजाय, इन्फरेंस वैल्यू की गणना इस प्रकार की जाती है:
$N(P, b) = \left\| \sum_{\omega:\Omega} P(\omega) \right\|_{V,b}$
यह प्रत्येक तत्व को उसके सिमेट्री ग्रुप के आकार के व्युत्क्रम ($1/|Aut(x)|$) द्वारा भारित करके गिनता है, जिससे यह सुनिश्चित होता है कि सममित संरचनाएं असममित संरचनाओं की तुलना में कम योगदान देती हैं।
वैल्यूएशन (Valuation): कम्यूटेटिव सेमीरिंग (जैसे, संभाव्यता के लिए $(+, \times)$ , ट्रॉपिकल के लिए $(\max, +)$ ) का चयन यह निर्धारित करता है कि होमोटोपी कार्डिनैलिटी से कौन सा संख्यात्मक इनवेरिएंट पढ़ा जाएगा।

मुख्य योगदान

सैद्धांतिक ढांचा: लेखक NeSy इन्फरेंस को विश्वास-भारित होमोटोपी कार्डिनैलिटी के रूप में औपचारिक रूप देते हैं। यह ढांचा दो स्पष्ट पैरामीटर पेश करता है जो शास्त्रीय स्वरूपों में अनुपस्थित हैं: एक सममिति पैरामीटर (अनुमत पुनरनामकरण के समूह को परिभाषित करता है) और एक ट्रंकेशन लेवल (प्रूफ ट्रैकिंग की सूक्ष्मता को परिभाषित करता है)।
कंजर्वेटिविटी थ्योरम: एक मशीन-चेक्ड थ्योरम (Lean 4 में सत्यापित) यह सिद्ध करता है कि जब सममितियाँ तुच्छ (trivial) होती हैं (ग्रुप आइडेंटिटी है) या सेमीरिंग आइडम्पोटेंट (idempotent) होती है, तो होमोटोपी कार्डिनैलिटी ठीक से शास्त्रीय सेट-आधारित फलन में सिमट जाती है। यह सुनिश्चित करता है कि नया ढांचा एक निष्ठावान सामान्यीकरण है।
रीजनिंग शॉर्टकट्स के रूप में ऑर्बिट्स (Orbits): पेपर "कन्फ्यूजन सेट" (वे अवधारणा असाइनमेंट जो समान आउटपुट देते हैं) को सिद्धांत की सममिति के तहत एक ऑर्बिट (orbit) के रूप में पहचानता है।
- "शॉर्टकट-जागरूक" कॉन्सेप्ट पोस्टीरियर को एकमात्र सममिति-अपरिवर्तनीय बिंदु (symmetry-invariant point) के रूप में पहचाना गया है: ऑर्बिट पर यूनिफॉर्म डिस्ट्रीब्यूशन।
- यह ऑर्बिट-एवरेजिंग (Orbit-Averaging) की ओर ले जाता है, जो होमोटोपी कार्डिनैलिटी का उपयोग करके इस पोस्टीरियर को कंप्यूट करने का एक क्लोज्ड-फॉर्म तरीका है:
  $\bar{p}(c | x) = \frac{1}{|G|} \sum_{g \in G} p_\theta(g^{-1} \cdot c | x)$
  यह विधि एक सिंगल बेस मॉडल को आउटपुट-प्रिजर्विंग ग्रुप $G$ पर सिमेट्राइज़ करती है, जिसके लिए एन्सेम्बल या डेंसिटी एस्टीमेशन की आवश्यकता नहीं होती।
जेनरेटिंग फंक्शंस: एक्सचेंज करने योग्य मॉडल्स के लिए, यह ढांचा स्वाभाविक रूप से साधारण जेनरेटिंग फंक्शंस के बजाय एक्सपोनेंशियल जेनरेटिंग फंक्शंस (होमोटोपी कार्डिनैलिटी के माध्यम से) प्रदान करता है, जो कॉम्बिनेटोरियल स्पीशीज (combinatorial species) के सिद्धांत के साथ संरेखित है।

प्रायोगिक परिणाम
लेखकों ने MNIST रीजनिंग-शॉर्टकट बेंचमार्क (विशेष रूप से ज्ञात सिमेट्री ग्रुप और ग्राउंड ट्रुथ कॉन्सेप्ट आइडेंटिफिएबिलिटी वाले कार्यों पर) पर ऑर्बिट-एवरेजिंग विधि का मूल्यांकन किया।

सेटअप: एक सिंगल न्यूरल नेटवर्क को मर्ज किए गए लेबल्स की भविष्यवाणी करने के लिए प्रशिक्षित किया गया था। कार्य में पहचान योग्य अंकों (ऑर्बिट साइज 1) और भ्रमित करने योग्य अंकों (ऑर्बिट साइज > 1) के बीच अंतर करना शामिल था।
तुलना: सिंगल-मॉडल ऑर्बिट-एवरेज्ड रैपर की तुलना एक बेस मॉडल और एक विविधता-प्रशिक्षित 5-मॉडल एन्सेम्बल (Bears) से की गई।
निष्कर्ष:
- बेस मॉडल भ्रमित करने योग्य अंकों पर अत्यधिक आत्मविश्वासी (overconfident) था (उच्च एक्सपेक्टेड कैलिब्रेशन एरर, ECE)।
- ऑर्बिट-एवरेजिंग ने कन्फ्यूबल डिजिट्स पर ECE को 0.614 से घटाकर 0.010 कर दिया, जबकि लेबल सटीकता को बनाए रखा और पहचान योग्य अवधारणाओं के कैलिब्रेशन को भी सुरक्षित रखा।
- विविधता-प्रशिक्षित एन्सेम्बल ने लेबल सटीकता का त्याग करके या पहचान योग्य अवधारणाओं को मिसकैलिब्रेट करके ही समान कैलिब्रेशन सुधार प्राप्त किया, जो उस ट्रेड-ऑफ को उजागर करता है जिससे सिंगल-मॉडल ऑर्बिट-एवरेजिंग बच जाता है।

महत्व और दावे
पेपर का दावा है कि NeSy इन्फरेंस को HoTT के लेंस से देखने से एक "ठोस लाभ" (concrete payoff) मिलता है, जो रीजनिंग शॉर्टकट्स के लिए जिम्मेदार सिमेट्री स्ट्रक्चर को उजागर करता है।

सैद्धांतिक एकीकरण: यह विभिन्न NeSy दृष्टिकोणों (प्रोबेबिलिस्टिक, फजी, प्रोवेनेंस) को एक समृद्ध, संरचित ऑब्जेक्ट के डिकैटेगोरिफाइड व्यू के तहत एकीकृत करता है।
व्यावहारिक दक्षता: यह प्रदर्शित करता है कि "शॉर्टकट-जागरूक" पोस्टीरियर, जिसे पहले महंगे एन्सेम्बलिंग की आवश्यकता समझी जाती थी, को सिमेट्री ग्रुप पर एक सिंगल मॉडल को औसत करके क्लोज्ड-फॉर्म में कंप्यूट किया जा सकता है।
कैलिब्रेशन: यह विधि पहचान योग्य अवधारणाओं के प्रदर्शन को खराब किए बिना अन-आइडेंटिफिएबल अवधारणाओं पर कैलिब्रेशन में सुधार करती है, जिससे NeSy लर्निंग के एक विशिष्ट विफलता मोड को हल किया जाता है।
सीमाएँ: लेखक नोट करते हैं कि वर्तमान ढांचा परिमित प्रकारों ( $\pi$ -finiteness) पर निर्भर करता है। "कोहेशन" (cohesion) के माध्यम से होमोटोपी कार्डिनैलिटी को निरंतर डोमेन तक विस्तारित करना एक खुला प्रश्न बना हुआ है।

यह कार्य सेट्स-आधारित से टाइप-आधारित रीजनिंग की ओर एक मौलिक बदलाव के रूप में प्रस्तुत किया गया है, जहाँ सेट्स की "विस्मृति" को टाइप्स की स्ट्रक्चरल मेमोरी द्वारा प्रतिस्थापित किया गया है, जो सीधे तौर पर रीजनिंग शॉर्टकट्स के मूल कारणों को संबोधित करता है।

समस्या: "मिरर" (दर्पण) का जाल

समाधान: गिनने का एक नया तरीका

जादू का तरीका: ऑर्बिट-एवरेजिंग (Orbit-Averaging)

उन्होंने क्या पाया

यह क्यों मायने रखता है

इसी तरह के और पेपर