🤖 AI

Unbiased Canonical Set-Valued Oracles Via Lattice Theory

यह शोधपत्र स्व-संदर्भित (self-referential) एआई ओरेकल के लिए एक कैनोनिकल, गैर-तुच्छ क्रेडल सेट (credal set) का निर्माण करने हेतु नैस्टर-टार्स्की फिक्स्ड-पॉइंट प्रमेय (Knaster–Tarski fixed-point theorem) का उपयोग करते हुए एक लैटिस-सैद्धांतिक ढांचे का प्रस्ताव करता है, जो भविष्य की घटनाओं को प्रभावित करने के बाद भी निष्पक्ष और स्व-सुसंगत बना रहता है, जिससे काउंटरफैक्चुअल दृष्टिकोणों की सीमाओं को दूर किया जा सके।

मूल लेखक: Jobst Heitzig

प्रकाशित 2026-06-26

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jobst Heitzig

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

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

समस्या: "स्व-सिद्ध भविष्यवाणी" (Self-Fulfilling Prophecy) का जाल

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट AI भविष्यवक्ता (oracle) है जो भविष्य की भविष्यवाणी कर सकता है। आप उससे पूछते हैं, "क्या मेरा नया स्टार्टअप सफल होगा?"

यदि AI कहता है, "नहीं, यह विफल हो जाएगा," और आप यह सुनकर निराश हो जाते हैं, तो आप कोशिश करना छोड़ सकते हैं। क्योंकि आपने कोशिश करना बंद कर दिया, इसलिए स्टार्टअप वाकई विफल हो जाता है। AI की भविष्यवाणी सच साबित हुई, लेकिन केवल इसलिए क्योंकि उसने आपको उत्तर बताया।

यदि AI कहता है, "हाँ, यह सफल होगा," तो आप अति-आत्मविश्वासी हो सकते हैं, लापरवाही से जोखिम उठा सकते हैं और कंपनी को डुबो सकते हैं। फिर से, भविष्यवाणी सच साबित हुई क्योंकि उत्तर ही वह कारण था।

यह स्व-संदर्भ समस्या (Self-Reference Problem) है: जिस क्षण AI कोई उत्तर देता है, वह उत्तर दुनिया को बदल देता है, जिससे मूल भविष्यवाणी संभावित रूप से गलत हो जाती है।

पुराना समाधान ("क्या होगा अगर" वाला खेल):
कुछ शोधकर्ता सुझाव देते हैं कि AI से पूछें: "क्या होगा यदि आपने हमें एक उत्तर दिया, लेकिन हमने उसे वास्तव में कभी सुना ही न हो?"
यह शोध पत्र तर्क देता है कि यह बेकार है। जैसे ही आप प्रश्न पूछते हैं, आप जानते हैं कि आप उत्तर सुनने जा रहे हैं। "क्या होगा अगर" वाला परिदृश्य एक झूठ है। यह पूछने जैसा है कि, "अगर मैं कभी बाहर न निकला होता तो मौसम कैसा होता?" जबकि आप वर्तमान में बाहर खड़े हैं। वह उत्तर वास्तविक दुनिया में आपकी मदद नहीं करता।

नया समाधान: "सुरक्षित क्षेत्र" (Safe Zone - Credal Sets)

एक एकल संख्या (जैसे "सफलता की 90% संभावना") मांगने के बजाय, लेखक सुझाव देते हैं कि AI से एक सुरक्षित क्षेत्र (संभावित संभावनाओं का एक सेट) मांगें।

इसे इस तरह सोचें: "क्या पुल पार करने के लिए सुरक्षित है?" (हाँ/नहीं) पूछने के बजाय, आप पूछते हैं, "मुझे उन वजन सीमाओं की सूची दें जो निश्चित रूप से सुरक्षित हैं।"

यदि AI कहता है "500 किलोग्राम," और आपका वजन 501 किलोग्राम है, तो आप पुल पार करने की कोशिश कर सकते हैं और पुल टूट सकता है।
यदि AI कहता है "100 किलोग्राम से 600 किलोग्राम के बीच का कोई भी वजन सुरक्षित है," और आपका वजन 500 किलोग्राम है, तो आप जानते हैं कि आप "सुरक्षित क्षेत्र" में हैं।

लक्ष्य एक स्व-सुसंगत सुरक्षित क्षेत्र (Self-Consistent Safe Zone) खोजना है। यह संभावनाओं की एक ऐसी सूची है जहाँ, यदि AI आपको बताता है कि "उत्तर इस सूची में कहीं है," तो वास्तविक परिणाम उस सूची के भीतर ही होगा।

बड़ी समस्या: बहुत सारे उत्तर

एक पेच है। "सुरक्षित क्षेत्रों" की संख्या बहुत अधिक है।

सूची [0.1, 0.9] सुरक्षित हो सकती है।
सूची [0.1] सुरक्षित हो सकती है।
[0, 1] (यानी "कुछ भी संभव है") निश्चित रूप से सुरक्षित है, लेकिन यह बेकार है। यह कहने जैसा है कि, "मौसम जमा देने वाली ठंड से लेकर उबलती गर्मी के बीच कहीं भी होगा।" यह सच तो है, लेकिन यह आपको कुछ भी नहीं बताता।

हमें एक ऐसा एक विशिष्ट, गैर-बेकार उत्तर चुनने का तरीका चाहिए जो निष्पक्ष और पूर्वाग्रह मुक्त हो।

जादुвई उपकरण: "लैटिस" (Lattice) और "बॉटम-अप" खोज

लेखक एक गणितीय उपकरण का उपयोग करते हैं जिसे लैटिस थ्योरी (Lattice Theory) कहा जाता है (इसे सभी संभावित सूचियों की एक विशाल, व्यवस्थित फाइलिंग कैबिनेट के रूप में सोचें) ताकि सही उत्तर खोजा जा सके।

कल्पना कीजिए कि आप सबसे छोटी संभव "सुरक्षित क्षेत्र" खोजने की कोशिश कर रहे हैं।

शून्य से शुरुआत करें: कल्पना करें कि AI एक खाली सूची (या "मुझे नहीं पता" वाले आधार रेखा) के साथ शुरू करता है।
AI से पूछें: "यदि मैंने आपको यह खाली सूची दी, तो क्या होगा?"
सूची अपडेट करें: AI एक नया नंबर देता है। आप उस नंबर को अपनी सूची में जोड़ देते हैं।
दोहराएं: आप पूछते रहते हैं, "यदि मैंने आपको वर्तमान सूची दी, तो क्या होगा?" और आप नए परिणामों को सूची में जोड़ते जाते हैं।

यह शोध पत्र सिद्ध करता है कि यदि आप इसे जारी रखते हैं, तो सूची अंततः बढ़ना बंद कर देगी और एक विशिष्ट आकार पर स्थिर हो जाएगी। इसे फिक्स्ड पॉइंट (Fixed Point) कहा जाता है।

"न्यूनतम" फिक्स्ड पॉइंट (The "Least" Fixed Point): लेखक उस सबसे छोटी सूची को चुनते हैं जो बढ़ना बंद कर देती है। यह "कैनोनिकल" (canonical) उत्तर है। यह सबसे ईमानदार, कम प्रतिबद्ध उत्तर है। यह अनुमान नहीं लगाता; यह केवल उस न्यूनतम सीमा की रिपोर्ट करता है जो गारंटी के साथ सच है।

एक विशेष मोड़: "एंकर" (The Anchor)

गणित में एक छोटी सी विचित्रता है। यह सुनिश्चित करने के लिए कि सूची कभी खाली न रहे, गणित AI को मजबूर करता है कि वह "मुझे नहीं पता" (खाली सूची) के प्रति अपनी प्रतिक्रिया को अंतिम उत्तर में शामिल करे।

इसे एक एंकर (Anchor) के रूप में सोचें। भले ही AI अनिश्चित हो, उसे अंतिम सुरक्षित क्षेत्र में अपना "आधारभूत अनुमान" शामिल करना ही होगा।
यह सुनिश्चित करता है कि उत्तर कभी खाली न हो, लेकिन इसका मतलब यह भी हो सकता है कि अंतिम सूची आवश्यकता से थोड़ी बड़ी हो।

"स्टार्टअप" का उदाहरण

यह शोध पत्र यह दिखाने के लिए स्टार्टअप के उदाहरण का उपयोग करता है कि यह कैसे काम करता है:

यदि संस्थापक को कम संख्या (जैसे 10%) बताई जाती है, तो वे हार मान लेते हैं, और सफलता की संभावना कम बनी रहती है।
यदि उन्हें उच्च संख्या (जैसे 90%) बताई जाती है, तो वे लापरवाह हो जाते हैं, और सफलता की संभावना गिर जाती है।
यहाँ "स्थिर" बिंदु (10% और 90%) हैं जहाँ भविष्यवाणी परिणाम से मेल खाती है।

गणित दिखाता है कि खोज कैसे शुरू करने के आधार पर:

न्यूनतम उत्तर (Minimal Answer): यदि आप "मुझे नहीं पता" से शुरू करते हैं, तो आप एक ऐसी सूची पर समाप्त हो सकते हैं जो केवल "निराशावादी" पक्ष (जैसे 10% से 26%) को कवर करती है। आप आशावादी 90% को चूक जाते हैं क्योंकि शुरुआती बिंदु ने आपको नीचे खींच लिया।
"निष्पक्ष" उत्तर (Fair Answer): शोध पत्र एक ऐसा संस्करण सुझाता जो AI को शुरुआत से ही सभी स्थिर बिंदुओं (10%, 90%, आदि) को शामिल करने के लिए मजबूर करता है। इसके परिणामस्वरूप एक बड़ी सूची (10% से 90%) मिलती है, लेकिन यह "अधिक निष्पक्ष" है क्योंकि यह आशावादी संभावना को केवल इसलिए अनदेखा नहीं करता क्योंकि शुरुआती बिंदु कम था।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र AI भविष्यवक्ताओं के लिए भविष्य के बारे में प्रश्नों का उत्तर देने का एक नया तरीका प्रस्तावित करता है ताकि वे स्व-सिद्ध भविष्यवाणियों के जाल में न फंसें:

एक संख्या न मांगें; एक सीमा (रेंज/सेट) मांगें।
एक सबसे छोटी सीमा खोजने के लिए गणितीय "बॉटम-अप" खोज का उपयोग करें जो सुनने के बाद सच रहने की गारंटी दे।
यह तरीका सरल हाँ/ना वाले प्रश्नों के लिए काम करता है और इसे किसी भी चर (variable) (जैसे शेयर की कीमतें या मौसम के पैटर्न) के बारे में जटिल भविष्यवाणियों के लिए विस्तारित किया जा सकता है।

यह एक ऐसा तरीका है जिससे ऐसी भविष्यवाणी प्राप्त की जा सकती है जो ईमानदार, स्व-सुसंगत है और दुनिया को सच बनाने के लिए धोखा देने की कोशिश नहीं करती।

तकनीकी सारांश: जाली सिद्धांत (Lattice Theory) के माध्यम से निष्पक्ष कैनोनिकल सेट-वैल्यूड ओरेकल

समस्या विवरण
यह शोधपत्र भविष्य की घटनाओं की भविष्यवाणी करने के लिए डिज़ाइन किए गए गैर-एजेंटिक (non-agentic) "ओरेकल" एआई में निहित "स्व-संदर्भ समस्या" (self-reference problem) को संबोधित करता है। जब किसी ओरेकल के आउटपुट को सीखा और उस पर कार्य किया जाता है, तो यह उस संभावना को ही बदल सकता है जिसके बारे में पूछा गया था (परफॉर्मेटिविटी/performativity)। जबकि मौजूदा प्रस्ताव (जैसे, Fornasiere et al., 2026; Bengio et al., 2025b) केवल प्रतितथ्यात्मक (counterfactual) प्रश्न पूछने का सुझाव देते हैं (यह मानते हुए कि उत्तर का कोई प्रभाव नहीं होगा), लेखक का तर्क है कि यह उत्तर को अप्रासंगिक बना देता है क्योंकि प्रतितथ्यात्मक आधार एक बार सीख लिए जाने के बाद असत्य हो जाता है। इसके विपरीत, एक शुद्ध स्व-संदर्भित दृष्टिकोण ("आपके उत्तर को सीखने के बाद क्या होता है?") गैर-विशिष्टता (non-uniqueness) से ग्रस्त है; कई स्व-संगत संभावनाएँ (या सेट) मौजूद हो सकती हैं, जिनमें तुच्छ और अनुपयोगी सेट $[0, 1]$ भी शामिल है। मुख्य चुनौती एक ऐसा तरीका परिभाषित करना है जो एक अद्वितीय, गैर-तुच्छ और निष्पक्ष सेट-वैल्यूड उत्तर प्रदान करे जो स्वयं के सीखे जाने के परिणामों के साथ स्व-संगत रहे।

कार्यप्रणाली
लेखक स्व-संगत क्रेडल सेट्स (credal sets) की गैर-विशिष्टता को हल करने के लिए एक जाली-सैद्धांतिक (lattice-theoretic) निर्माण का प्रस्ताव करते हैं।

डोमेन परिभाषा: समस्या को $[0, 1]$ के सभी बंद उपसमुच्चयों (closed subsets) के पूर्ण जाली (complete lattice) $D$ के भीतर फ्रेम किया गया है, जो सेट समावेशन (set inclusion) द्वारा क्रमबद्ध है। इसमें 'मीट' (meet) इंटरसेक्शन है, और 'जॉइन' (join) यूनियन का क्लोजर (closure) है।
ऑपरेटर निर्माण: एक रिएक्शन फंक्शन $f(C) = P(B \mid A, C)$ एक रिपोर्ट किए गए सेट $C$ को घटना $B$ की परिणामी संभावना में मैप करता है, जो आधार $A$ के दिए होने पर आधारित है। फिक्स्ड-पॉइंट थ्योरी लागू करने के लिए, लेखक एक आइसटोन (isotone/monotonic) ऑपरेटर $F: D \to D$ को परिभाषित करते हैं:
$F(C) = \{ f(C') : C' \subseteq C, C' \text{ बंद है} \}$
यह ऑपरेटर $C$ के भीतर समाहित सभी संभावित प्रतिक्रिया संभावनाओं को एकत्र करता है।
फिक्स्ड-पॉइंट चयन: शोधपत्र नास्ट्रोस्कर-टारस्की फिक्स्ड-पॉइंट प्रमेय (Knaster–Tarski fixed-point theorem) का उपयोग करता है। चूंकि $D$ $D$ एक पूर्ण जाली है और $F$ $F$ एक आइसटोन ऑपरेटर है, इसलिए फिक्स्ड-पॉइंट्स का सेट $\text{Fix}(F)$ $Fix (F)$ एक गैर-रिक्त पूर्ण जाली बनाता है। लेखक न्यूनतम फिक्स्ड पॉइंट ( $\mu_F$ $μ_{F}$ ) को कैनोनिकल उत्तर के रूप में चुनते हैं।
- वेरिएंट: एक दूसरा उम्मीदवार, $C^\star$ , उन सेट्स के सबलैटिस के भीतर न्यूनतम फिक्स्ड पॉइंट के रूप में परिभाषित किया गया है जिनमें सभी "स्व-संगत सिंगलटन" (वे बिंदु $p$ जहाँ $f(\{p\}) = p$ ) और एक एंकर $f(\emptyset)$ शामिल हैं। यह वेरिएंट सुनिश्चित करता है कि कोई भी स्व-सिद्ध स्व-पूर्ण बिंदु अनुमान (self-fulfilling point estimate) चुपचाप बाहर न रह जाए।

प्रमुख परिणाम और सैद्धांतिक गुण

अस्तित्व और गैर-रिक्तता: न्यूनतम फिक्स्ड पॉइंट $\mu_F$ हमेशा अस्तित्व में रहता है और गैर-रिक्त होता है। महत्वपूर्ण रूप से, इसमें एंकर मान $f(\emptyset)$ (ओरेकल का अनुमान जब कोई जानकारी प्रदान नहीं की जाती) शामिल है, जो समाधान को खाली सेट (empty set) में ढहने से रोकता है।
स्व-संगति: प्रत्येक फिक्स्ड पॉइंट $C \in \text{Fix}(F)$ इस शर्त को संतुष्ट करता है कि $f(C) \in C$ । रिपोर्ट किया गया सेट उस संभाव्यता वितरण के साथ सुसंगत है जो उस सेट को सीखने के परिणामस्वरूप उत्पन्न होता है।
गैर-तुच्छता: तुच्छ उत्तर $[0, 1]$ तब तक मजबूर नहीं होता जब तक कि रिएक्शन फंक्शन $[0, 1]$ में सघन (dense) न हो। अधिकांश मामलों में, $\mu_F$ एक छोटा, गैर-तुच्छ सेट होता है।
शास्त्रीय उत्तरों में पतन: गैर-परफॉर्मेटिव प्रश्नों के लिए (जहाँ उत्तर परिणाम को प्रभावित नहीं करता है), निर्माण शास्त्रीय सिंगलटन पॉइंट एस्टीमेट $\{P(B \mid A)\}$ में सिमट जाता है।
पुनरावृत्ति गणना (Iterative Computation): निरंतरता की परिकल्पना (हाउसबडॉरफ मेट्रिक के संबंध में) के तहत, $\mu_F$ को खाली सेट से शुरू होने वाले क्लीनी पुनरावृत्ति (Kleene iteration) के माध्यम से प्राप्त किया जा सकता है: $C_0 = \emptyset$ , $C_{i+1} = F(C_i)$ , जो $C_\omega = \mu_F$ की ओर अभिसरित होता है।
इंटरवल लक्षण वर्णन (बाइनरी केस): बाइनरी घटनाओं के लिए, यदि रिएक्शन फंक्शन "हल-फैक्टर्ड" (hull-factored) है (केवल रिपोर्ट किए गए सेट के मिन/मैक्स पर निर्भर है) और निरंतर है, तो $C^\star$ के लिए एक बंद अंतराल (closed interval) होना सुनिश्चित है। हालांकि, न्यूनतम समाधान $\mu_F$ एक विच्छेदित (disconnected) सेट हो सकता है (जैसे, एक भरा हुआ बेसिन प्लस एक डिस्क्रीट टेल), जैसा कि एक टॉय स्टार्टअप मॉडल में दिखाया गया है जहाँ एंकर एक "निराशावादी बेसिन" में स्थित है, जिसके कारण $\mu_F$ "आशावादी" स्व-संगत इक्विलिब्रियम को छोड़ देता है।
सामान्यीकरण: इस निर्माण को $X$ के लिए अनिश्चित रैंडम वेरिएबल्स तक बिना किसी बदलाव के विस्तारित किया जा सकता है, जहाँ संभाव्यता के स्थान में कंडीशनल लॉ $L(X \mid A, C)$ का उपयोग किया जाता है, बशर्ते कि वह स्थान $T_1$ हो (बिंदु बंद हों)।

महत्व और दावे
शोधपत्र यह दावा करता है कि यह प्रतितथ्यात्मकता का सहारा लिए बिना, गैर-एजेंटिक ओरेकल क्वेरी के लिए एक विशुद्ध गणितीय समाधान प्रदान करता है। सेट-वैल्यूड क्रेडल सेट्स (बिंदु अनुमानों के बजाय) में बदलकर, यह विधि परफॉर्मेटिव प्रेडिक्शन में निहित अनिश्चितता को किसी मनमाने चयन के माध्यम से तोड़ने के बजाय उसे आत्मसात कर लेती है।

निष्पक्षता: न्यूनतम फिक्स्ड पॉइंट का चयन को "कम प्रतिबद्ध" (least-committal) समाधान के रूप में प्रस्तुत किया गया है, जो किसी विशिष्ट मान (जैसे न्यूनतम या अधिकतम) को विशेषाधिकार दिए बिना सभी उम्मीदवार संभाव्यता मानों के साथ सममित व्यवहार करता है।
साइंटिस्ट एआई का पूरक: इस दृष्टिकोण को "साइंटिस्ट एआई" कार्यक्रम के पूरक के रूप में रखा गया है। जहाँ प्रतितथ्यात्मक प्रश्न भविष्यवाणी और परिणाम के बीच के लिंक को काटने का प्रयास करते हैं, वहीं यह स्व-संदर्भित दृष्टिकोण लिंक को स्वीकार करता है लेकिन यह सुनिश्चित करता है कि ओरेकल एक ऐसा सेट रिपोर्ट करे जो अपने स्वयं के प्रकटीकरण के परिणामों के साथ स्थिर और सुसंगत हो।
सीमाएं और खुले प्रश्न: लेखक विनम्रतापूर्वक नोट करते हैं कि हालांकि एक कैनोनिकल सेट का अस्तित्व सिद्ध है, इस सेट की "अनुमान लगाने की क्षमता" (estimability) एक खुला कम्प्यूटेशनल प्रश्न है ("कंप्यूटेशनल गैप")। इसके अलावा, बाइनरी घटनाओं के लिए अंतराल लक्षण वर्णन उच्च-आयामी रैंडम वेरिएबल्स में स्वतः सामान्यीकृत नहीं होता है, और यह सुरक्षा संबंधी प्रश्न कि क्या एक सेट रिपोर्ट करना ओरेकल की "गैर-एजेंटिक" प्रकृति को बनाए रखता है, खुले प्रश्न के रूप में छोड़े गए हैं।

निष्कर्ष
यह शोधपत्र गैर-एजेंटिक सिस्टम में परफॉर्मेटिव प्रेडिक्शन को संभालने के लिए एक कठोर विकल्प प्रदान करते हुए, निष्पक्ष, स्व-संगत, सेट-वैल्यूड भविष्यवाणियों के लिए एक जाली-सैद्धांतिक ढांचा स्थापित करता है। यह एक कैनोनिकल न्यूनतम फिक्स्ड पॉइंट के अस्तित्व को सिद्ध करता है जो $[0, 1]$ की तुच्छता और प्रतितथ्यात्मकता की अप्रासंगिकता दोनों से बचता है।