Learning a Normal World Model for Few-Shot Boundary-Calibrated Abnormality Detection

तकनीकी सारांश: अल्प-नमूनों (Few-Shot) के साथ सीमा-अंशांकन (Boundary-Calibrated) आधारित असामान्यता पहचान हेतु एक सामान्य विश्व मॉडल (Normal World Model) सीखना

1. समस्या का निरूपण (Problem Formulation)

यह शोध पत्र जटिल बहुभिन्नरूपी प्रणालियों (जैसे औद्योगिक मशीनरी, नैदानिक निगरानी) में असामान्यता पहचान (Abnormality Detection) की दो प्राथमिक बाधाओं को संबोधित करता है:

1. लेबल की कमी (Label Scarcity): वास्तविक दुनिया में विफलताएं दुर्लभ, विविध और एकत्र करने में महंगी होती हैं। पारंपरिक पर्यवेक्षित शिक्षण (Supervised Learning) तब विफल हो जाता है जब किसी नए दोष मोड (Fault Mode) के लिए केवल एक या दो असामान्य उदाहरण ही उपलब्ध हों।
2. स्कोरिंग की सीमाएं (Scoring Limitations): बाइनरी लेबल यह नहीं बताते कि असामान्यता की डिग्री क्या है। बहुभिन्नरूपी प्रणालियों में, एक एकल सेंसर सामान्य दिख सकता है, जबकि चरों (Variables) का संयुक्त विन्यास भौतिक बाधाओं का उल्लंघन कर सकता है। मौजूदा विधियों में अक्सर इस बात का कोई सिद्धांत-आधारित, क्रमिक स्कोर नहीं होता कि कोई घटना सामान्य व्यवहार से "कितनी दूर" चली गई है।

लेखक दृष्टिकोण में बदलाव का प्रस्ताव करते हैं: असामान्य वर्गों के एक बड़े, अपूर्ण स्थान को सीखने के बजाय, मॉडल को प्रचुर मात्रा में उपलब्ध सामान्य डेटा से एक सामान्य विश्व मॉडल (Normal World Model) सीखना चाहिए। इसके बाद, असामान्यता को दोष वर्ग की सदस्यता के रूप में नहीं, बल्कि इस सीखे गए सामान्य विश्व से विचलन के रूप में परिभाषित किया जाता है। असामान्य उदाहरणों की एक छोटी संख्या का उपयोग केवल सामान्यता की सीमा को अंशांकित (Calibrate) करने के लिए किया जाता है, न कि स्वयं प्रतिनिधित्व (Representation) को सीखने के लिए।

2. कार्यप्रणाली: हाइपरग्राफ एंट्रोपिक नॉर्मल-वर्ल्ड मॉडल (Hypergraph Entropic Normal-World Model)

प्रस्तावित ढांचा, हाइपरग्राफ एंट्रोपिक नॉर्मल-वर्ल्ड मॉडल, इस अवधारणा को तीन मुख्य घटकों के माध्यम से क्रियान्वित करता है:

A. संदर्भ-सशर्त हाइपरग्राफ प्रतिनिधित्व (Context-Conditioned Hypergraph Representation)

• संरचना: बहुभिन्नरूपी सेंसर विंडो को हाइपरग्राफ के रूप में दर्शाया जाता है जहाँ सेंसर नोड्स हैं और हाइपरएज (Hyperedge) चरों के समूहों (जैसे तापमान, दबाव और गति मिलकर एक थर्मल अवस्था को परिभाषित करते हैं) के बीच उच्च-क्रम संबंधों को कैप्चर करते हैं।
• संदर्भ अनुकूलन (Context Conditioning): स्थिर ग्राफों के विपरीत, हाइपरग्राफ इनसिडेन्स मैट्रिक्स (Incidence Matrix) ऑपरेटिंग संदर्भ (जैसे लोड, गति सेटिंग्स) पर आधारित होता है। यह मॉडल को यह सीखने की अनुमति देता है कि वैध सेंसर संबंध विभिन्न ऑपरेटिंग व्यवस्थाओं (Operating Regimes) में बदल जाते हैं, जो टर्बोफैन इंजनों जैसे सिस्टम के लिए एक महत्वपूर्ण विशेषता है जहाँ एक सेंसर मान एक संदर्भ में सामान्य हो सकता है लेकिन दूसरे में असामान्य।

B. एंट्रोपिक नॉर्मल-वर्ल्ड एनर्जी (Entropic Normal-World Energy)
मॉडल एक एंट्रॉपी-जागरूक ऊर्जा फलन (Entropy-aware energy function), $E_\Theta(x, c)$ के माध्यम से असामान्यता को परिभाषित करता है, जो सीखे गए सामान्य मॉडल के तहत किसी घटना के "सूचनात्मक आश्चर्य" (Information Surprise) को मापता है। कम ऊर्जा का अर्थ है सामान्य विश्व के साथ उच्च अनुकूलता। ऊर्जा तीन पूरक पदों का योग है:

1. डायनेमिक एनर्जी ($E_{dyn}$): यह टेम्पोरल प्रेडिक्शन (Temporal Prediction) के आश्चर्य को मापता है। मॉडल भविष्य की सेंसर अवस्थाओं की भविष्यवाणी करता है; इन भविष्यवाणियों से विचलन ऊर्जा में योगदान देता है।
2. हाइपरग्राफ कंसिस्टेंसी एनर्जी ($E_{hyp}$): यह रिलेशनल (Relational) आश्चर्य को मापता है। यह हाइपरग्राफ से क्रॉस-वेरिएबल संदेशों का उपयोग करके प्रत्येक सेंसर को पुनर्गठित (Reconstruct) करता है (स्वयं के एन्कोडिंग को छोड़कर)। यदि किसी सेंसर की व्याख्या अन्य सेंसरों के साथ उसके उच्च-क्रम संबंधों द्वारा नहीं की जा सकती है, तो ऊर्जा बढ़ जाती है।
3. लेटेंट मैनिफोल्ड एनर्जी ($E_{man}$): यह घटना के लेटेंट प्रतिनिधित्व (Latent Representation) की सीखे गए सामान्य लेटेंट क्षेत्र के केंद्र से दूरी को मापता है।

C. अल्प-नमूना सीमा अंशांकन (Few-Shot Boundary Calibration)

• प्रशिक्षण (Training): मॉडल के मापदंडों को विशेष रूप से प्रचुर मात्रा में उपलब्ध सामान्य डेटा पर अपेक्षित 'नॉर्मल-वर्ल्ड सरप्राइज' को कम करने के लिए प्रशिक्षित किया जाता है।
• अंशांकन (Calibration): प्रशिक्षण के बाद, मापदंडों को फ्रीज (Freeze) कर दिया जाता है। असामान्य उदाहरणों के एक छोटे सेट ($K \in \{1, 2, 4, 8\}$) का उपयोग केवल निर्णय सीमा ($\tau_K$) को समायोजित करने के लिए किया जाता है जो सामान्य और असामान्य के बीच अंतर करती है। मॉडल इन कुछ नमूनों के आधार पर अपने आंतरिक प्रतिनिधित्व को अपडेट नहीं करता है।

3. प्रमुख योगदान

1. नॉर्मल-वर्ल्ड मॉडलिंग फ्रेमवर्क: एक ऐसा प्रारूप जहाँ प्रचुर मात्रा में उपलब्ध सामान्य डेटा ऑपरेटिंग वर्ल्ड को सीखता है, और दुर्लभ असामान्य डेटा केवल निर्णय सीमा को अंशांकित करता है।
2. एंट्रॉपी-जागरूक ऊर्जा स्कोर: एक मात्रात्मक असामान्यता स्कोर जो टेम्पोरल प्रेडिक्शन, उच्च-क्रम हाइपरग्राफ कंसिस्टेंसी और लेटेंट मैनिफोल्ड दूरी को जोड़ता है, जो एक बाइनरी वर्गीकरण के बजाय एक क्रमिक जोखिम माप प्रदान करता है।
3. मैकेनिस्टिक सत्यापन (Mechanistic Validation): मानक मेट्रिक्स के अलावा, लेखक यह सत्यापित करने के लिए परीक्षण पेश करते हैं कि ऊर्जा संरचनात्मक विश्व ज्ञान (जैसे अनदेखे स्वस्थ इंजन को स्वीकार करना, क्षरण के साथ निरंतर बढ़ना, और संदर्भ-मिसमैच कपलिंग ब्रेक का पता लगाना) को एनकोड करती है।

4. प्रयोगात्मक परिणाम

मॉडल का मूल्यांकन NASA C-MAPSS टर्बोफैन डिग्रेडेशन बेंचमार्क पर किया गया, जिसमें विभिन्न जटिलताओं (ऑपरेटिंग स्थितियाँ और दोष मोड) वाले चार उपसमुच्चय शामिल हैं।

• प्रदर्शन:

  • मॉडल ने मजबूत जीरो-शॉट (Zero-shot) प्रदर्शन हासिल किया (थ्रेशहोल्डिंग के लिए कोई असामान्य उदाहरण उपयोग नहीं किए गए), विशेष रूप से जटिल उपसमुच्चयों पर।
  • सबसे चुनौतीपूर्ण उपसमुच्चय (FD004, 6 ऑपरेटिंग स्थितियाँ, 2 दोष मोड) पर, जीरो-शॉट AUROC 0.9843 था।
  • फुल-बाउंड्री कैलिब्रेशन (थ्रेशहोल्ड सेट करने के लिए सभी उपलब्ध असामान्य उदाहरणों का उपयोग करने) के साथ, AUROC 0.9983 तक पहुँच गया, जो KNN, GDN-lite और विभिन्न डीप फोरकास्टिंग मॉडल्स (GRU, Transformer, TCN) सहित मजबूत बेसलाइन्स से बेहतर प्रदर्शन करता है।
  • फ्यू-शॉट (Few-shot) सेटिंग्स (1–8 असामान्य उदाहरण) में, प्रदर्शन जीरो-शॉट की तुलना में काफी सुधरा, जो बाउंड्री कैलिब्रेशन की प्रभावकारिता को दर्शाता है।

• एब्लेशन स्टडीज (Ablation Studies):

  • हाइपरग्राफ कंसिस्टेंसी एनर्जी ($E_{hyp}$) को प्रमुख घटक के रूप में पहचाना गया, विशेष रूप से मल्टी-कंडीशन सेटिंग्स में जहाँ केवल टेम्पोरल प्रेडिक्शन विफल रहा (AUROC ~0.51)।
  • तीनों पदों का संयोजन सबसे स्थिर और मजबूत प्रदर्शन प्रदान करता है।

• मैकेनिस्टिक सत्यापन:

  • अनसीन नॉर्मल एक्सेप्टेंस: मॉडल ने उन इंजनों के स्वस्थ विंडोज़ को सही ढंग से स्वीकार किया जो प्रशिक्षण के दौरान नहीं देखे गए थे (स्वीकृति दर >93%)।
  • डिग्रेडेशन ऑर्डरिंग: जैसे-जैसे इंजन विफलता के करीब पहुँचे, ऊर्जा स्कोर निरंतर बढ़ा, जो RUL (Remaining Useful Life) लेबल के बिना भी RUL के साथ सह-संबंध प्रदर्शित करता है।
  • कपलिंग ब्रेक्स (Coupling Breaks): जब सेंसर समूहों को अलग-अलग ऑपरेटिंग संदर्भों के मानों से बदल दिया गया (भौतिक रूप से असंभव स्थितियाँ पैदा की गईं), तो ऊर्जा नाटकीय रूप से बढ़ गई, जिससे सिद्ध हुआ कि मॉडल ने केवल मार्जिनल सेंसर वितरण के बजाय उच्च-क्रम रिलेशनल कंसिस्टेंसी सीखी है।

5. महत्व और दावे

यह शोध पत्र दावा करता है कि नॉर्मल-वर्ल्ड एनर्जी गंभीर लेबल की कमी के तहत असामान्यता पहचान के लिए एक व्यावहारिक आधार के रूप में कार्य करती है। सीखने के उद्देश्य को उलटकर—विभिन्न विफलताओं के बजाय सामान्यता की संरचना पर ध्यान केंद्रित करके—मॉडल व्यापक दोष कवरेज की आवश्यकता से बचता है।

लेखक इस बात पर जोर देते हैं कि सीखा गया ऊर्जा केवल एक इनपुट-आउटपुट मैपिंग नहीं है, बल्कि यह सामान्य ऑपरेटिंग वर्ल्ड के संरचित ज्ञान (Structured Knowledge) को एनकोड करता है। यह मॉडल की निम्नलिखित क्षमताओं से प्रमाणित होता है:

• अनदेखे स्वस्थ सिस्टम के लिए सामान्यीकरण करना।
• भौतिक क्षरण पथों (Physical Degradation Trajectories) को प्रतिबिंबित करना।
• उच्च-क्रम चर कपलिंग और संदर्भ संगतता के सूक्ष्म उल्लंघनों का पता लगाना।

यह कार्य सुझाव देता है कि उन डोमेन में जहाँ सामान्य संचालन प्रचुर है लेकिन विफलताएं दुर्लभ और विविध हैं, असामान्य वर्गों पर डिस्क्रिमिनेटिव क्लासिफायर सीखने के बजाय एक 'नॉर्मल वर्ल्ड मॉडल' सीखना और उसके 'बाउंड्री' को कुछ उदाहरणों के साथ अंशांकित करना अधिक व्यवहार्य रणनीति है। यह अध्ययन एक सत्यापन-चरण प्रयोग के रूप में प्रस्तुत किया गया है, जहाँ लेखक नोट करते हैं कि भविष्य के कार्यों को इन निष्कर्षों को व्यापक औद्योगिक और नैदानिक डेटासेट तक विस्तारित किया जाना चाहिए।