MARVEL: Margin-Aware Robust von Mises-Fischer Expert Learning for Long-Tailed Out-of-Distribution Detection
यह शोध पत्र MARVEL का प्रस्ताव करता है, जो एक नवीन ढांचा है जो नॉनलीनर वॉन मिसेस-फिशर क्लासिफायर, क्लास इम्बैलेंस (वर्ग असंतुलन) को संभालने के लिए एक मल्टी-एक्सपर्ट आर्किटेक्चर, और एक समर्पित आउटलियर एक्सपर्ट को जोड़ता है ताकि लॉन्ग-टेल्ड मेडिकल इमेजिंग डेटासेट्स में रोबस्ट आउट-ऑफ-डिस्ट्रीब्यूशन डिटेक्शन में महत्वपूर्ण सुधार किया जा सके।
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 मरीजों का निदान करने के लिए विशेषज्ञ डॉक्टरों की एक टीम को काम पर रख रहे हैं। आप चाहते हैं कि वे सामान्य बीमारियों (जैसे फ्लू या टूटी हुई हड्डी) को पहचानने में अविश्वसनीय रूप से सटीक हों, लेकिन वे इतना समझदार भी हों कि जब वे कुछ बिल्कुल नया या अजीब देखें, तो कह सकें, "मुझे नहीं पता कि यह क्या है।"
समस्या यह है कि जैसा कि यह शोध पत्र बताता है, मानक AI "डॉक्टर" (डीप लर्निंग मॉडल) इसमें बहुत खराब हैं। उन्हें ऐसे डेटा पर प्रशिक्षित किया जाता है जहाँ सामान्य बीमारियाँ हर जगह मौजूद होती हैं, और दुर्लभ बीमारियाँ लगभग न के बराबर होती हैं। इस कारण, AI सामान्य चीजों के बारे में इतना आश्वस्त हो जाता है कि वह दुर्लभ मामलों के लिए भी आत्मविश्वास के साथ गलत लेबल लगा देता है, या यहाँ तक कि उन चीजों के लिए भी जो चिकित्सा संबंधी चित्र नहीं हैं (जैसे कि बिल्ली की तस्वीर)। यह एक ऐसे डॉक्टर की तरह है जिसने केवल फ्लू के मरीजों को ही देखा है और, टूटी हुई टांग की तस्वीर दिखाने पर, आत्मविश्वास से कहता है, "यह निश्चित रूप से फ्लू है!"
इस शोध पत्र के लेखक, जो भारतीय विज्ञान संस्थान (IISc) से हैं, इस समस्या को ठीक करने के लिए MARVEL नामक एक नया सिस्टम प्रस्तावित करते हैं। उन्होंने विशेष रूप से वास्तविक दुनिया के अव्यवस्थित और असंतुलित मेडिकल डेटा के लिए डिज़ाइन किया गया एक "सुपर-टीम" बनाया है।
यहाँ बताया गया है कि MARVEL कैसे काम करता है, जिसे तीन सरल भागों में विभाजित किया गया है:
1. "आकार बदलने वाला" क्लासिफायर (The NvMF)
अधिकांश AI क्लासिफायर अलग-अलग बीमारियों को अलग करने के लिए सीधी रेखाएं खींचने की कोशिश करते हैं। कल्पना कीजिए कि आप एक मेज पर मिश्रित कंचों (लाल, नीले और हरे) के ढेर को एक सीधी रेखा खींचकर अलग करने की कोशिश कर रहे हैं। यदि लाल कंचे एक साथ गुच्छे में हैं लेकिन नीले कंचे एक अजीब आकार में बिखरे हुए हैं, तो एक सीधी रेखा काम नहीं करेगी।
लेखकों ने एक नया प्रकार का क्लासिफायर बनाया है जिसे NvMF कहा जाता है। सीधी रेखाएं खींचने के बजाय, यह घुमावदार, लचीली सीमाएं बना सकता है। इसे एक रूलर के बजाय एक खिंचने वाले रबर बैंड के उपयोग के रूप में सोचें। यह AI को दुर्लभ बीमारियों के जटिल, अजीब आकार के समूहों के चारों ओर अपनी "निर्णय सीमा" (decision boundary) को कसकर लपेटने की अनुमति देता है, जिससे यह उन्हें सामान्य बीमारियों से अलग करने में बहुत बेहतर हो जाता है।
2. "विशेषज्ञ टीम" (Margin-Aware Multi-Expert)
एक वास्तविक अस्पताल में, आप एक ही डॉक्टर से सब कुछ समान रूप से संभालने के लिए नहीं कहेंगे। आपके पास सामान्य सर्दी के लिए एक विशेषज्ञ होगा, दुर्लभ आनुवंशिक विकारों के लिए दूसरा, और आपातकालीन ट्रॉमा के लिए तीसरा।
मानक AI एक "जनरलिस्ट" डॉक्टर बनने की कोशिश करता है, जिसके कारण वह दुर्लभ मामलों को अनदेखा कर देता है क्योंकि वे बहुत कम संख्या में होते हैं। MARVEL इसे तीन विशेषज्ञों की एक टीम को काम पर रखकर हल करता है:
- हेड एक्सपर्ट (Head Expert): सामान्य बीमारियों पर ध्यान केंद्रित करता है ताकि बुनियादी चीजें एकदम सटीक रहें।
- टेल एक्सपर्ट (Tail Expert): विशेष रूप से दुर्लभ बीमारियों पर ध्यान केंद्रित करता है, उन्हें अतिरिक्त ध्यान देता है ताकि उन्हें अनदेखा न किया जा सके।
- बैलेंस्ड एक्सपर्ट (Balanced Expert): एक बीच का रास्ता खोजने की कोशिश करता है।
इन तीन विशेषज्ञों की राय को मिलाकर, सिस्टम केवल सबसे आम चीज़ के आधार पर अनुमान नहीं लगाता; यह सक्रिय रूप से दुर्लभ मामलों की भी बात सुनता है।
3. "बाहरी डिटेक्टर" (The Outlier Expert)
कभी-कभी, इनपुट केवल एक दुर्लभ बीमारी नहीं होता; बल्कि वह कुछ ऐसा होता है जो अस्पताल से संबंधित ही नहीं है (जैसे कार या परिदृश्य की फोटो)।
MARVEL के पास टीम का चौथा सदस्य है: एक समर्पित आउटलियर एक्सपर्ट (Outlier Expert)। इस विशेषज्ञ का एकमात्र काम यह देखना है कि "क्या यह हमारे प्रशिक्षण सेट से एक मेडिकल इमेज है, या यह पूरी तरह से बाहरी चीज़ है?" यह दरवाजे पर एक सुरक्षा गार्ड की तरह कार्य करता है, जो अन्य डॉक्टरों द्वारा निदान करने से पहले ही "बाहरी लोगों" को फ़िल्टर कर देता है।
परिणाम: यह कितना सफल रहा?
लेखकों ने तीन अलग-अलग प्रकार के मेडिकल इमेजिंग पर इस सिस्टम का परीक्षण किया:
- आंखों के स्कैन (RFMiD)
- त्वचा के घावों की तस्वीरें (ISIC2019)
- ऊतक के नमूने (NCTCRC)
उन्होंने MARVEL की तुलना वर्तमान सर्वोत्तम विधियों से की। परिणाम स्पष्ट थे:
- अजीब चीजों को पहचानने में बेहतर: जब MARVEL ने कुछ ऐसा देखा जिसे उसने पहले नहीं देखा था, तो "मुझे नहीं पता" कहने में वह बहुत बेहतर था। वास्तव में, इसने गलत अलार्म (यह सोचना कि एक अजीब छवि एक सामान्य बीमारी है) की दर को भारी अंतर से कम कर दिया—कुछ परीक्षणों में प्रतिस्पर्धा से 36% तक बेहतर।
- दुर्लभ बीमारियों के प्रति अधिक निष्पक्ष: जबकि अन्य सिस्टम सामान्य बीमारियों के निदान में बेहतरीन थे लेकिन दुर्लभ मामलों में बुरी तरह विफल रहे, MARVEL दोनों में अच्छा रहा। इसने दुर्लभ मामलों की मदद करने के लिए सामान्य मामलों का बलिदान नहीं दिया; इसने पूरी टीम के प्रदर्शन में सुधार किया।
- अधिक ईमानदार आत्मविश्वास: जब सिस्टम अनिश्चित था, तो इसने वास्तव में इसे स्वीकार किया। अन्य सिस्टम अत्यधिक आत्मविश्वासी होने की प्रवृत्ति रखते थे, भले ही वे गलत हों। MARVEL के "कॉन्फिडेंस स्कोर" बहुत अधिक विश्वसनीय थे।
निष्कर्ष
शोध पत्र का तर्क है कि AI को सुरक्षित और उपयोगी होने के लिए, इसे इस तथ्य को संभालना होगा कि कुछ बीमारियाँ दुर्लभ हैं और कुछ इनपुट अजीब हैं। MARVEL एक लचीले "रबर बैंड" क्लासिफायर, विभिन्न समस्याओं पर ध्यान केंद्रित करने वाली विशेषज्ञों की एक टीम और बाहरी लोगों को पहचानने के लिए एक समर्पित सुरक्षा गार्ड का उपयोग करके ऐसा करता है।
लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण AI निदान को सुरक्षित बनाता है क्योंकि यह अनजाने मामलों को विश्वसनीय रूप से पहचान सकता है और उन्हें मानव डॉक्टरों को सौंप सकता है, बजाय इसके कि वह आत्मविश्वास के साथ गलत अनुमान लगाए। उन्होंने अपने कोड को दूसरों के उपयोग और निर्माण के लिए उपलब्ध कराया है।
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।