🔢 mathematics

An Information-Geometric Justification for Composite Coherence in Event-Based Narrative Extraction

यह शोधपत्र घटना-आधारित आख्यान निष्कर्षण (event-based narrative extraction) में संयुक्त सुसंगतता मीट्रिक $C=\sqrt{A\cdot T}$ के लिए एक सूचना-ज्यामितीय औचित्य प्रदान करता है, जिसमें यह सिद्ध किया गया है कि ज्यामितीय माध्य (geometric mean) एक उत्पाद मैनिफोल्ड (product manifold) पर चार स्वाभाविक अभिगृहितों (axioms) को संतुष्ट करने वाला अद्वितीय संयोजन है, जहाँ अनुभवजन्य परिणाम फिशर-राओ (Fisher-Rao) मीट्रिक के साथ इसके संरेखण और सुसंगत कथा-धाराओं को यादृच्छिक (random) कथाओं से अलग करने में इसके बेहतर प्रदर्शन की पुष्टि करते हैं।

मूल लेखक: Brian Keith-Norambuena

प्रकाशित 2026-06-30

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Brian Keith-Norambuena

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 समाचार पत्रों की कतरनों या शोध पत्रों के ढेर से एक कहानी बनाने की कोशिश कर रहे हैं। आप उन्हें इस तरह व्यवस्थित करना चाहते हैं कि एक घटना स्वाभाविक रूप से अगली घटना की ओर ले जाए, जिससे एक सहज कथानक (narrative) बन सके। सबसे बड़ी चुनौती यह तय करना है कि कौन से दो दस्तावेज़ एक साथ फिट बैठते हैं।

यह शोध पत्र एक विशिष्ट समस्या पर काम करता है: हम गणितीय रूप से कैसे तय करें कि दो घटनाएँ एक कहानी में एक साथ "फिट" बैठती हैं?

लेखक एक विशेष फॉर्मूले को देखते हैं जिसका उपयोग अतीत में सफलतापूर्वक किया गया है लेकिन जिसमें ठोस सैद्धांतिक स्पष्टीकरण की कमी थी। वे इस फॉर्मूले को "कंपोजिट कोहेरेंस मेट्रिक" (Composite Coherence Metric) कहते हैं। इसे एक दो पैरों वाले स्टूल की तरह समझें। यदि एक पैर कमजोर है, तो स्टूल गिर जाएगा।

यहाँ इस शोध पत्र के कार्यों का सरल विवरण दिया गया है:

1. स्टूल के दो पैर

यह तय करने के लिए कि दस्तावेज़ A, दस्तावेज़ B से कैसे जुड़ता है, फॉर्मूला एक साथ दो चीजों की जाँच करता है:

पहला पैर: "वाइब" (कोणीय समानता/Angular Similarity)। यह शब्दों के सामान्य अर्थ को देखता है। क्या वे समान चीजों के बारे में बात कर रहे हैं? यह यह देखने जैसा है कि क्या दो लोग एक ही भाषा बोल रहे हैं या समान बोलचाल (slang) का उपयोग कर रहे हैं।
दूसरा पैर: "थीम" (विषय समानता/Topic Similarity)। यह उस विशिष्ट श्रेणी या क्लस्टर को देखता है जिससे दस्तावेज़ संबंधित हैं। क्या वे दोनों "राजनीति" के बारे में हैं या दोनों "विज्ञान" के बारे में हैं? यह यह देखने जैसा है कि क्या दो लोग पार्टी में एक ही कमरे में हैं।

फॉर्मूला इन दोनों जाँचों को ज्यामितीय माध्य (Geometric Mean) का उपयोग करके जोड़ता है। रोजमर्रा की गणित में, ज्यामितीय माध्य संख्याओं को औसत निकालने का एक तरीका है जो आपको तब दंडित करता है जब उनमें से एक बहुत कम हो। यदि "वाइब" एकदम सही (10/10) है लेकिन "थीम" पूरी तरह से बेमेल (0/10) है, तो अंतिम स्कोर शून्य होगा। कहानी टूट जाएगी।

2. "क्यों" (सूचना-ज्यामितीय औचित्य/Information-Geometric Justification)

लंबे समय तक, लोगों ने इस दो-पैर वाले स्टूल का उपयोग इसलिए किया क्योंकि यह काम करता था, लेकिन उन्हें यह नहीं पता था कि यह इतना अच्छा क्यों काम करता है। यह शोध पत्र उस स्टूल के लिए "निर्देश पुस्तिका" प्रदान करता है।

लेखक सूचना ज्यामिति (Information Geometry) नामक गणित की एक शाखा का उपयोग करते हैं। कल्पना कीजिए कि सभी संभावित दस्तावेज़ों का स्थान एक विशाल, बहु-आयामी परिदृश्य है।

"वाइब" एक गोले (Sphere) पर रहता है (जैसे ग्लोब की सतह)।
"थीम" एक त्रिभुज (Triangle) पर रहता है (एक आकार जो संभावनाओं का प्रतिनिधित्व करता है)।

शोध पत्र यह सिद्ध करता है कि फॉर्मूले का "थीम" वाला हिस्सा उस त्रिभुज पर एक प्रसिद्ध, गणितीय रूप से "शुद्ध" तरीके (जिसे फिशर-रावो मेट्रिक कहा जाता है) के साथ पूरी तरह से संरेखित है। यह ऐसा है जैसे यह खोज लेना कि आपके स्टूल के पैर ठीक उसी सामग्री से बने हैं जिससे फर्श बना है। यह फॉर्मूले को एक गहरा, गणितीय आधार देता जो पहले इसके पास नहीं था।

3. "वीटो" शक्ति (The "Veto" Power)

इनमें से एक सबसे महत्वपूर्ण निष्कर्ष स्वयं ज्यामितीय माध्य (Geometric Mean) के बारे में है। लेखक दिखाते हैं कि औसत निकालने का यह विशिष्ट तरीका ही एकमात्र है जो चार प्राकृतिक नियमों का पालन करता है:

वीटो नियम: यदि एक पैर टूटा हुआ है (शून्य समानता), तो पूरा संबंध टूट जाता है। आप ऐसी कहानी नहीं रख सकते जहाँ विषय पूरी तरह से असंबंधित हों, भले ही शब्द अच्छे लग रहे हों।
समरूपता (Symmetry): इससे कोई फर्क नहीं पड़ता कि आप पहले किस दस्तावेज़ की जाँच करते हैं; स्कोर समान रहता है।
संतुलन (Balance): यदि दोनों पैर समान हैं, तो स्कोर उस संतुलन को दर्शाता है।
योगात्मकता (Additivity): गणित इस तरह से काम करता है कि आप कहानी की "लागत" को चरण-दर-चरण जोड़ सकते हैं बिना संख्याओं के उलझने के।

वे सिद्ध करते हैं कि यदि आप एक ऐसा फॉर्मूला चाहते हैं जो इन चार सामान्य-समझ वाले नियमों का पालन करता है, तो ज्यामितीय माध्य ही एकमात्र विकल्प है जो फिट बैठता है।

4. "गोल्डिलॉक्स" ज़ोन (The "Goldilocks" Zone)

शोध पत्र दोनों पैरों को संयोजित करने के कई अन्य तरीकों का परीक्षण करता है (जैसे साधारण औसत लेना, या केवल सबसे अच्छे को चुनना)।

साधारण औसत (Simple Average): बहुत उदार है। यह कहानी को तब भी आगे बढ़ने देता है जब उसका एक हिस्सा बहुत खराब हो।
सबसे अच्छा चुनना (Picking the Best): बहुत कठोर है। यह कमजोर हिस्से को पूरी तरह से अनदेखा कर देता है।
ज्यामितीय माध्य (Geometric Mean): बिल्कुल सही है। यह दोनों हिस्सों के अच्छे होने पर जोर देता है, लेकिन यह "न्यूनतम" (Minimum) नियम की तरह आपको बहुत बेरहमी से दंडित नहीं करता है।

5. वास्तविक दुनिया का परीक्षण

लेखकों ने केवल गणित नहीं किया; उन्होंने वास्तविक डेटा पर इसका परीक्षण किया:

क्यूबा और कोरोनावायरस के बारे में समाचार लेख।
विज़ुअलाइज़ेशन और AI के बारे में शैक्षणिक शोध पत्र।
मानव नेविगेशन डेटा (लोग विकिपीडिया के माध्यम से ब्राउज़ कर रहे हैं)।

उन्होंने पाया कि:

गणित इन सभी विभिन्न प्रकार के टेक्स्ट पर पूरी तरह से खरा उतरता है।
"वाइब" और "थीम" चैनल अलग-अलग, गैर-अनावश्यक जानकारी प्रदान करते हैं (जैसे मैप और कंपास दोनों का होना)।
जब उन्होंने AI जजों से कहानियों को रेट करने के लिए कहा, तो ज्यामितीय माध्य ने ऐसी कहानियाँ बनाईं जो अन्य किसी भी पद्धति के समान ही अच्छी थीं, लेकिन इसके साथ गणितीय रूप से सुदृढ़ होने और गलत कनेक्शन को रोकने के लिए आवश्यक "वीटो" शक्ति का लाभ भी मिला।

निष्कर्ष (The Bottom Line)

यह शोध पत्र कंप्यूटर स्टोरीटेलिंग में उपयोग किए जाने वाले एक विशिष्ट उपकरण के लिए एक "प्रूफ ऑफ कॉन्सेप्ट" है। यह बताता है कि यह उपकरण क्यों काम करता है (यह सूचना के गहरे गणितीय नियमों के साथ संरेखित है) और यह क्यों सबसे अच्छा विकल्प है (यह एकमात्र है जो चार प्राकृतिक नियमों का पालन करता है)। यह पुष्टि करता है कि एक अच्छी कहानी बनाने के लिए, आपको सही "वाइब" और सही "थीम" दोनों की आवश्यकता होती है, और आप दोनों में से किसी पर भी समझौता नहीं कर सकते।

तकनीकी सारांश: इवेंट-आधारित नैरेटिव निष्कर्षण में कंपोजिट कोहेरेंस के लिए एक सूचना-ज्यामितीय औचित्य

समस्या विवरण
ग्राफ-आधारित नैरेटिव निष्कर्षण (narrative extraction) घटनाओं (दस्तावेजों) के बीच संक्रमणों को स्कोर करने के लिए एक कोहेरेंस फंक्शन पर निर्भर करता है। जबकि वर्तमान में वर्ड-इन्फ्लुएंस रैंडम वॉक से लेकर टेम्पोरल डिके के साथ KL डाइवर्जेंस तक के ऑपरेशनल मेट्रिक्स मौजूद हैं, उनमें एक सुव्यवस्थित गणितीय आधार का अभाव है। विशेष रूप से, वर्तमान मेट्रिक्स न तो दस्तावेज़ स्थान (document space) की अंतर्निहित ज्यामिति से प्राप्त होते हैं, न ही वे उचित मेट्रिक गुणों को अनिवार्य रूप से संतुष्ट करते हैं, और न ही उनमें एक एक्सियोमैटिक (axiomatic) व्युत्पत्ति है। यह शोध पत्र कीथ और मित्रा [2] द्वारा प्रस्तुत विशिष्ट कंपोजिट मेट्रिक $C = \sqrt{A \cdot T}$ को संबोधित करता है, जहाँ $A$ कोणीय समानता (angular similarity) है और $T$ जेन्सन-शैनन दूरी (Jensen-Shannon distance) के माध्यम से प्राप्त विषय समानता (topic similarity) है। इसका लक्ष्य इस विशिष्ट संयोजन के लिए एक सूचना-ज्यामितीय (information-geometric) औचित्य प्रदान करना और विशिष्ट परिस्थितियों में ज्यामितीय माध्य (geometric mean) को प्राकृतिक संयोजनकर्ता (combinator) के रूप में अभिलक्षणिक बनाना है।

कार्यप्रणाली और सैद्धांतिक ढांचा
यह शोध पत्र सूचना ज्यामिति (Information Geometry) और प्रोडक्ट रिमानियन मैनिफोल्ड्स (Product Riemannian Manifolds) पर आधारित एक ढांचा निर्मित करता है।

प्रोडक्ट मैनिफोल्ड संरचना: लेखक दस्तावेज़ स्थान को एक प्रोडक्ट मैनिफोल्ड $S^{d-1} \times \Delta^{K-1}_+$ के रूप में मॉडल करते हैं।
- कोणीय घटक ( $A$ ) यूनिट स्फीयर $S^{d-1}$ पर स्थित है, जो दस्तावेज़ एम्बेडिंग के बीच जियोडेसिक दूरी को मापता है।
- विषय घटक ( $T$ ) प्रोबेबिलिटी सिम्प्लेक्स $\Delta^{K-1}_+$ पर स्थित है, जो सॉफ्ट क्लस्टर मेंबरशिप डिस्ट्रीब्यूशन के जेन्सन-शैनन दूरी ( $d_{JS}$ ) के माध्यम से निकटता को मापता है।
- प्रपोजिशन 1 प्रदर्शित करता है कि नकारात्मक लॉग-कोहेरेंस योगात्मक रूप से विभाजित होता है: $-\log C = \frac{1}{2}[-\log(1 - d_{ang}/\pi)] + \frac{1}{2}[-\log(1 - d_{JS})]$ । यह कोणीय और विषय लागतों को प्रोडक्ट मैनिफोल्ड पर योगात्मक घटकों के रूप में मानता है।
स्थानीय चेन्टोव अनुकूलता (Local Chentsov Compatibility):
- यह शोध पत्र चेन्टोव के प्रमेय (Chentsov's Theorem) का आह्वान करता है, जो बताता है कि फिशर-राओ मेट्रिक (Fisher-Rao metric) सिम्प्लेक्स पर पर्याप्त सांख्यिकी (sufficient statistics) के तहत अपरिवर्तनीय अद्वितीय रिमानियन मेट्रिक है।
- थ्योरम 1 और कोरोलरी 1 स्थापित करते हैं कि जेन्सन-शैनन दूरी ( $d_{JS}$ ) द्वारा प्रेरित रिमानियन मेट्रिक टेंसर, फिशर इंफॉर्मेशन मैट्रिक्स के ठीक आनुपातिक है। अतः, विषय घटक चेन्टोव के प्रमेय द्वारा निर्धारित फिशर-राओ ज्यामिति के साथ स्थानीय रूप से सुसंगत है।
एक्सिओमैटिक लक्षण वर्णन (Axiomatic Characterization):
- लेखक पावर-मीन संयोजी (power-mean combinators) के एक "कंपेंसेबिलिटी स्पेक्ट्रम" (Min, HM, GM, AM, Max) को परिभाषित करते हैं।
- थ्योरम 3 एक एक्सिओमैटिक लक्षण वर्णन प्रदान करता है जो यह दर्शाता है कि ज्यामितीय माध्य (GM) चार स्वाभाविक एक्सिओम्स (axioms) को संतुष्ट करने वाला एकमात्र संयोजनकर्ता है:
  - बाउंड्री/वीटो (Boundary/Veto): $F(0, t) = 0$ (एक चैनल में विफलता शून्य कोहेरेंस की ओर ले जाती है)।
  - सिमेट्री (Symmetry): $F(a, t) = F(t, a)$ ।
  - लॉग-एडिटिविटी (Log-additivity): $-\log F(a, t)$ , $-\log a$ और $-\log t$ के फलनों के योग में विभाजित होता है।
  - नॉर्मलाइजेशन (Normalization): $F(a, a) = a$ ।
- यह शोध पत्र सिद्ध करता है कि किसी भी एक एक्सिओम को हटाने से गैर-ज्यामितीय-माध्य समाधान प्राप्त होते हैं।
सूचना-सैद्धांतिक संबंध:
- कोणीय लागत को एक रैंडम-हाइपरप्लेन (SimHash) टकराव के शैनन सरप्राइज़ल (Shannon surprisal) के रूप में पहचाना गया है।
- विषय लागत को एक सैंपल और एक लेटेंट लेबल के बीच म्यूचुअल इंफॉर्मेशन के एक स्ट्रिक्टली इंक्रीजिंग फंक्शन के रूप में पहचाना गया है (प्रपोजिशन 10)।
- यह ढांचा स्केल कॉम्प्लीमेंटैरिटी (Scale Complementarity) पर निर्भर करता है: दोनों चैनल अलग-अलग स्केल पर सूचना कैप्चर करते हैं (सूक्ष्म अर्थ संबंधी दिशा बनाम मोटे स्तर का विषयगत सदस्यता), जिससे वे संरचनात्मक जुड़ाव के बावजूद गैर-अतिरेखी (non-redundant) रहते हैं।

प्रायोगिक सत्यापन
इस ढांचे को चार कॉर्पोरा (Cuba, COVID, VisPub, AMiner) पर सत्यापित किया गया, जो 40 से 6,000 दस्तावेजों तक फैले हुए हैं, और विभिन्न एम्बेडिंग मॉडल्स (GPT-4, MPNet, MiniLM, SPECTER2) और टॉपिक मॉडल्स (LDA, soft k-means, GMM) का उपयोग किया गया।

मेट्रिक गुण: फिशर पहचान ( $d_{JS} \approx d_{FR}/\sqrt{2 \ln 2}$ ) ने $R \ge 0.99$ के साथ पियर्सन सहसंबंध बनाए रखा। ज्यामितीय माध्य ने $\rho = 0.999$ के रैंक सहसंबंध के साथ प्रॉपर प्रोडक्ट मेट्रिक $d_\times$ को ट्रैक किया।
ट्राइएंगल इनइक्वेलिटी (Triangle Inequality): हालांकि $1 - C_{GM}$ सामान्य रूप से एक मेट्रिक नहीं है, लेकिन प्रायोगिक सैंपलिंग में कोई उल्लंघन नहीं देखा गया (केवल $K=2$ जैसे विरल क्लस्टर मामलों को छोड़कर)।
डाउनस्ट्रीम कंसिस्टेंसी: एक "LLM-as-judge" प्रोटोकॉल का उपयोग करते हुए, ज्यामितीय माध्य को किसी भी वैकल्पिक संयोजनकर्ता (AM, HM, Quad, Min, Max) या सिंगल-चैनल बेसलाइन द्वारा अनुभवजन्य रूप से डोमिनेट नहीं किया गया। विभिन्न संयोजनकर्ताओं ने संरचनात्मक रूप से भिन्न स्टोरीलाइन्स बनाईं, लेकिन सांख्यिकीय रूप से अविभेद्य कुल गुणवत्ता स्कोर दिए।
बॉटलनेक-गैप प्रोफाइल: $\alpha$ के कंपेंसेबिलिटी एक्सपोनेंट को स्वीप करते हुए, कोहेरेंट और इनकोहेरेंट स्टोरीलाइन्स के बीच पृथक्करण का सिमेट्रिक घटक सभी कॉर्पोरा (मानव-नेविगेशन कॉर्पस विकिसपीडिया और क्रॉस-मोडल इमेज नैरेटिव सहित) में ठीक ज्यामितीय माध्य ( $\alpha = 0$ ) पर अधिकतम हुआ।

प्रमुख योगदान

ज्यामितीय पठन (Geometric Reading): यह शोध पत्र कंपोजिट कोहेरेंस मेट्रिक $C = \sqrt{A \cdot T}$ के लिए पहला सूचना-ज्यामितीय व्याख्या प्रदान करता है, जो इसे एक प्रोडक्ट मैनिफोल्ड से जोड़ता है जहाँ नकारात्मक लॉग-कोहेरेंस योगात्मक रूप से विभाजित होता है।
स्थानीय फिशर-राओ निरंतरता: यह सिद्ध करता है कि जेन्सन-शैनन दूरी, जिसका उपयोग टॉपिक घटक में किया जाता है, फिशर इंफॉर्मेशन मैट्रिक्स के समान मेट्रिक टेंसर को प्रेरित करती है, जो इसे चेन्टोव के प्रमेय द्वारा वर्णित अद्वितीय ज्यामिति के अनुरूप बनाती है।
एक्सिओमैटिक विशिष्टता: यह सिद्ध करता है कि ज्यामितीय माध्य ही एकमात्र संयोजनकर्ता है जो चार विशिष्ट एक्सिओम्स (बाउंड्री, सिमेट्री, लॉग-एडिटिविटी, नॉर्मलाइजेशन) को संतुष्ट करता है, जो इसे अन्य पावर मीन्स से अलग करता है।
अनुभवजन्य औचित्य: यह प्रमाणित करता है कि ज्यामितीय माध्य अनुभवजन्य रूप से डोमिनेट नहीं है और यह डिजाइन प्रिमिस कि इनकोहेरेंट ट्रांजिशन अधिक चैनल-इम्बैलेंस्ड होते हैं, ज्यामितीय माध्य पर स्टोरीलाइन्स के बीच सिमेट्रिक सेपरेशन को मैक्सिमाइज करती है।

महत्व और दावे
शोध पत्र का दावा है कि वह कंपोजिट कोहेरेंस मेट्रिक $C = \sqrt{A \cdot T}$ के लिए एक सूचना-ज्यामितीय औचित्य प्रदान करता है, जिसका उपयोग नैरेटिव मैप्स और नैरेटिव ट्रेल्स जैसे सिस्टम में किया गया है। यह यह दावा नहीं करता है कि ज्यामितीय माध्य सभी संभावित नैरेटिव निष्कर्षण कार्यों के लिए सार्वभौमिक रूप से इष्टतम है या यह अन्य संयोजनकर्ताओं की तुलना में मानव-अनुभव योग्य दृष्टि से "बेहतर" कहानियाँ बनाता है (क्योंकि डाउनस्ट्रीम गुणवत्ता सांख्यिकीय रूप से अविभेद्य थी)।

इसके बजाय, महत्व निम्नलिखित में निहित है:

सैद्धांतिक आधार: मेट्रिक को एक एड-हॉक ऑपरेशनल परिभाषा से हटाकर दस्तावेज़ स्थान की ज्यामिति और एक्सिओमैटिक सिद्धांतों से व्युत्पन्न एक मॉडल में बदलना।
मॉडलिंग निर्णय: संयोजनकर्ता के चयन को गुणवत्ता के लिए ट्यून किए जाने वाले हाइपरपैरामीटर के रूप में नहीं, बल्कि एक मॉडलिंग निर्णय के रूप में फ्रेम करना कि कौन सी नैरेटिव संरचनाओं को प्राथमिकता दी जाए (जैसे, वीटो लागू करना बनाम मुआवजा/compensation की अनुमति देना)।
डायग्नोस्टिक उपयोगिता: ज्यामितीय माध्य की लॉग-एडिटिव संरचना यह रेखांकित करती है कि पथ लागतों (path costs) को विशिष्ट चैनलों (कोणीय बनाम विषय) में डायग्नोस्टिक रूप से असाइन किया जा सकता है, जो कि अन्य संयोजनकर्ताओं जैसे कि प्रोडक्ट मेट्रिक स्क्वायर ( $d_\times^2$ ) में खो जाता है।

लेखक निष्कर्ष निकालते हैं कि ज्यामितीय माध्य, घोषित परिचालन आवश्यकताओं (वीटो, सिमेट्री, लॉग-एडिटिविटी) और स्केल कॉम्प्लीमेंटैरिटी के डिजाइन प्रिमिस के तहत "प्राकृतिक विकल्प" है, जो इवेंट-आधारित नैरेटिव निष्कर्षण के लिए एक कठोर आधार प्रदान करता है।