Cohort Organized Learning: Clustering Through Agreement
यह शोध पत्र कोहोर्ट ऑर्गेनाइज्ड लर्निंग (CoOL) का परिचय देता है, जो एक न्यूरल नेटवर्क-आधारित क्लस्टरिंग विधि है जो प्रशिक्षण, अभिसरण निगरानी (convergence monitoring) और विभिन्न डेटा प्रकारों में मूल्यांकन के लिए एक्सपेक्टेशन मैक्सिमाइजेशन का उपयोग करके स्पष्ट दूरी या समानता गणना के बिना डेटा को समूहित करती है।
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 बड़ी समस्या: बिना लेबल वाले पत्थरों के ढेर को छाँटना
कल्पना कीजिए कि एक वैज्ञानिक के पास पत्थरों का एक विशाल ढेर है। वह जानता है कि उनमें अलग-अलग प्रकार के पत्थर मिले हुए हैं (जैसे ग्रेनाइट, सैंडस्टोन और लाइमस्टोन), लेकिन किसी ने भी उन्हें लेबल करने का समय नहीं निकाला है। वास्तविक दुनिया में, दूरबीनों, कण त्वरकों (particle accelerators), या यहाँ तक कि आपके फोन से मिलने वाले डेटा के साथ ऐसा ही होता है। डेटा इतना अधिक है कि इंसान उसे छाँट नहीं सकते।
आमतौर पर, इन पत्थरों को छाँटने के लिए कंप्यूटर एक रूलर (पैमाने) का उपयोग करते हैं। वे हर पत्थर और दूसरे हर पत्थर के बीच की दूरी को मापते हैं ताकि देख सकें कि कौन से आपस में "करीब" हैं। लेकिन लाखों वस्तुओं के बीच की दूरी मापना धीमा, महंगा है, और कभी-कभी "रूलर" ठीक से काम नहीं करता यदि पत्थरों का आकार अजीब हो।
नया समाधान: पर्यवेक्षकों का "कोहॉर्ट" (समूह)
इस शोध पत्र के लेखक एक नई विधि पेश करते हैं जिसे CoOL (कोहॉर्ट ऑर्गेनाइज्ड लर्निंग) कहा जाता है। दूरी मापने के लिए रूलर का उपयोग करने के बजाय, CoOL सहमति के आधार पर पत्थरों को छाँटने के लिए पर्यवेक्षकों (जो कि न्यूरल नेटवर्क नामक कंप्यूटर प्रोग्राम हैं) के एक पैनल का उपयोग करता है।
इसे 5 विशेषज्ञों के एक पैनल के साथ "श्रेणी पहचानो" (Guess the Category) के खेल की तरह समझें:
- सेटअप: आप सभी 5 विशेषज्ञों को एक ही समय में पत्थरों का एक ही ढेर दिखाते हैं।
- अनुमान: प्रत्येक विशेषज्ञ एक पत्थर को देखता है और कहता है, "मुझे लगता है कि यह ग्रेनाइट है," या "मुझे लगता है कि यह सैंडस्टोन है।"
- टकराव: शुरुआत में, विशेषज्ञ असहमत होते हैं। एक कहता है "ग्रेनाइट," दूसरा कहता है "सैंडस्टोन।"
- सीखना: विशेषज्ञ आपस में बात करते हैं (गणितीय रूप से)। वे महसूस करते हैं, "रुको, अगर मैं एक ही पत्थर के लिए 'ग्रेनाइट' कहता हूँ और तुम 'सैंडस्टोन' कहते हो, तो हम दोनों शायद गलत हैं।"
- सहमति: वे अपने आंतरिक नियमों को तब तक बदलते रहते हैं जब तक कि वे सभी इस बात पर सहमत नहीं होने लगते कि पत्थर वास्तव में क्या हैं। यदि सभी 5 विशेषज्ञ सहमत हैं कि एक पत्थर "ग्रेनाइट" है, तो इसकी संभावना अधिक है कि वह एक "ग्रेनाइट" क्लस्टर है।
बिना शिक्षक के यह कैसे काम करता है
आमतौर पर, कंप्यूटर को सिखाने के लिए आपको एक शिक्षक की आवश्यकता होती है जो कहता है, "नहीं, यह वास्तव में सैंडस्टोन है।" इसे "सुपरवाइज्ड लर्निंग" कहा जाता है। CoOL अनसुपरवाइज्ड (unsupervised) है, जिसका अर्थ है कि यहाँ कोई शिक्षक नहीं है।
यह शोध पत्र एक्सपेक्टेशन मैक्सिमाइजेशन (EM) नामक एक गणितीय ट्रिक का उपयोग करता है। कल्पना कीजिए कि विशेषज्ञ एक ऐसे "सत्य" को खोजने की कोशिश कर रहे हैं जिस पर वे सभी सहमत हो सकें।
- "विश्वसनीयता" की जाँच: सिस्टम यह जाँचता है कि प्रत्येक विशेषज्ञ कितना विश्वसनीय है। यदि विशेषज्ञ A बार-बार अपना विचार बदलता रहता है जबकि अन्य लोग सहमत होते हैं, तो सिस्टम यह सीख जाता है कि विशेषज्ञ A पर कम भरोसा करना है।
- "डिटरमिनेंट" का नियम: विशेषज्ञों को आलसी होने से रोकने के लिए (जैसे, सभी का यह तय कर लेना कि "सब कुछ ग्रेनाइट है" क्योंकि यह सबसे आसान उत्तर है), गणित एक दंड (penalty) जोड़ता है। यह विशेषज्ञों को मजबूर करता है कि वे पत्थरों को अलग-अलग समूहों में फैलाएं। यदि वे सब कुछ एक ही ढेर में डाल देते हैं, तो गणित कहता है, "नहीं, यह एक बुरा समाधान है!" और उन्हें अधिक विशिष्ट समूह खोजने के लिए प्रेरित करता है।
"ग्रुपिंग" की ट्रिक: अलग-अलग उत्तरों को संभालना
इस विधि का एक कठिन हिस्सा यह है कि विशेषज्ञ एक रन में किसी समूह को "क्लस्टर A" कह सकते हैं और अगले रन में "क्लस्टर B" कह सकते हैं। यह वैसा ही है जैसे एक विशेषज्ञ एक कुत्ते को "कैनिन" कहे और दूसरा उसे "पप्पी" कहे। नाम बदलते हैं, लेकिन समूह वही रहता है।
इसे ठीक करने के लिए, लेखक एक ग्रुपिंग (Grouping) रणनीति का उपयोग करते हैं।
- कल्पना कीजिए कि आप विशेषज्ञों को 5 बार चलाते हैं।
- पत्थर #1 को लेबल किया जाता है: (समूह 1, समूह 3, समूह 1, समूह 2, समूह 1)।
- पत्थर #2 को लेबल किया जाता है: (समूह 1, समूह 3, समूह 1, समूह 2, समूह 1)।
- भले ही संख्याएँ बदल जाएँ, लेकिन सहमति का पैटर्न वही रहता है। कई रन के दौरान लेबल के पैटर्न को देखकर, सिस्टम देख सकता है कि पत्थर #1 और पत्थर #2 निश्चित रूप से एक ही प्रकार के पत्थर हैं, भले ही उन्हें दिए गए नाम बदल गए हों।
उन्होंने क्या परीक्षण किया
लेखकों ने दो चीजों पर परीक्षण किया:
- एक सरल 2D मैप: उन्होंने रंगीन बिंदुओं के साथ एक नकली मैप बनाया। भले ही बिंदु एक जटिल तरीके से मिले हुए थे, 5 विशेषज्ञों ने बिंदुओं के बीच की दूरी मापे बिना ही उन्हें सही समूहों में छाँट लिया।
- MNIST हस्तलिखित अंक: उन्होंने प्रसिद्ध हस्तलिखित नंबरों (0 से 9 तक) के डेटासेट का उपयोग किया।
- सफलता: जब उन्होंने सिस्टम को 3 या 5 अंकों को छाँटने के लिए कहा, तो इसने बहुत अच्छा काम किया। विशेषज्ञों ने लगभग 100% समय लेबल पर सहमति जताई।
- सीमा: जब उन्होंने सिस्टम को एक साथ सभी 10 अंकों को छाँटने के लिए कहा, तो इसे थोड़ा संघर्ष करना पड़ा। विशेषज्ञ भ्रमित होने लगे और आसानी से सहमत नहीं हो पाए। इससे पता चलता है कि यह विधि तब सबसे अच्छा काम करती है जब समूहों की संख्या बहुत अधिक न हो।
"अजीब" डेटा का पता लगाना
इस विधि का एक शानदार साइड-इफेक्ट एनोमली डिटेक्शन (anomaly detection) है।
कल्पना कीजिए कि आप विशेषज्ञों को सामान्य पत्थरों पर प्रशिक्षित करते हैं। फिर, आप उन्हें एक पत्थर दिखाते हैं जो वास्तव में प्लास्टिक का टुकड़ा है।
- विशेषज्ञ उस प्लास्टिक को देखेंगे और बहस करने लगेंगे। एक कहता है "ग्रेनाइट," दूसरा कहता है "सैंडस्टोन," तीसरा कहता है "लाइमस्टोन।"
- क्योंकि वे सहमत नहीं हो पाते, सिस्टम जान जाता है कि कुछ "आउट ऑफ डिस्ट्रीब्यूशन" (अजीब) है।
- शोध पत्र सुझाव देता है कि इसका उपयोग यह पता लगाने के लिए किया जा सकता है कि समय के साथ डेटा कैसे बदल रहा है (जैसे मशीन के सेंसर का खराब होना या किसी नए प्रकार के कण का प्रकट होना), बिना यह जाने कि वह नया डेटा वास्तव में क्या है।
सारांश
CoOL डेटा को छाँटने का एक तरीका है जो दूरी मापने के बजाय काम करता है। इसके बजाय, यह कंप्यूटर प्रोग्रामों की एक टीम का उपयोग करता है जो इस बात पर सहमत होने के लिए सीखते हैं कि डेटा क्या है। यदि वे सहमत होते हैं, तो डेटा छाँटा जाता है। यदि वे बहस करते हैं, तो डेटा अजीब है या सिस्टम को समायोजन की आवश्यकता है। यह ब्रह्मांड के डेटा को व्यवस्थित करने का एक तरीका है—एक समिति (committee) के माध्यम से वोटिंग करवाकर।
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।