NodeImport: Imbalanced Node Classification with Node Importance Assessment
यह शोध पत्र NodeImport प्रस्तुत करता है, जो एक नया फ्रेमवर्क है असंतुलित नोड वर्गीकरण (imbalanced node classification) के लिए, जो क्लास बायस को कम करने और मॉडल के प्रदर्शन में सुधार करने के लिए एक सैद्धांतिक रूप से व्युत्पन्न महत्व मीट्रिक (importance metric) और एक संतुलित मेटा-सेट के आधार पर मूल्यवान लेबल वाले, अनलेबल और सिंथेटिक नोड्स को गतिशील रूप से चुनता 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
कल्पना कीजिए कि आप एक रोबोट को एक विशाल, अस्त-व्यस्त चिड़ियाघर में विभिन्न प्रकार के जानवरों को पहचानना सिखाने की कोशिश कर रहे हैं। लेकिन एक पेंच है: चिड़ियाघर हजारों कुत्तों से भरा है, लेकिन केवल कुछ ही बाघ हैं, और शायद केवल एक या दो दुर्लभ, मायावी हिम तेंदुए (snow leopards) हैं। यदि आप रोबोट को केवल वही सीखने देते हैं जो वह देखता है, तो वह कुत्तों को पहचानने में बहुत अच्छा हो जाएगा लेकिन वह बाघों और तेंदुओं को पूरी तरह से मिस कर देगा, या इससे भी बुरा, वह उन्हें केवल इसलिए कुत्ता मान लेगा क्योंकि उसने उन्हें बहुत अधिक देखा है। यह एक समस्या है जिसे "क्लास इम्बैलेंस" (class imbalance) कहा जाता है, और यह विज्ञान में हर जगह होता है, मेडिकल स्कैन में दुर्लभ बीमारियों का पता लगाने से लेकर बैंक लेनदेन में धोखाधड़ी खोजने तक।
इस समस्या को हल करने के लिए, वैज्ञानिक विशेष कंप्यूटर दिमागों का उपयोग करते हैं जिन्हें ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है। एक GNN को एक सुपर-स्मार्ट जासूस के रूप में सोचें जो केवल एक जानवर को अलग से नहीं देखता; बल्कि वह देखता है कि जानवर एक-दूसरे से कैसे जुड़े हुए हैं। एक ग्राफ में, प्रत्येक जानवर एक "नोड" (node) है, और उनके बीच की बाड़ या रास्ते "एजेस" (edges) हैं। जासूस यह समझने के लिए सीखता है कि वह क्या है कि वह जानवर और उसके पड़ोसी कैसे हैं। लेकिन जब चिड़ियाघर इतना असंतुलित होता है, तो जासूस आलसी हो जाता है और कुत्तों की शोर भरी भीड़ पर ही ध्यान देता है, और शांत, महत्वपूर्ण बाघों को अनदेखा कर देता है। बड़ा सवाल यह है कि हम जासूस को दुर्लभ जानवरों पर ध्यान देने के लिए कैसे मजबूर करें बिना नकली बाघ बनाने या कुत्ते की भीड़ पर चिल्लाने के?
यहीं पर NodeImport नामक एक नया अध्ययन आता है। शोधकर्ताओं ने, जिनका नेतृत्व नान चेन और सहयोगियों ने किया, महसूस किया कि इस समस्या को ठीक करने के पुराने तरीके थोड़े अनाड़ी थे। कुछ तरीके केवल दुर्लभ जानवरों को ग्रेडिंग सिस्टम में "बोनस पॉइंट" देते थे, जबकि अन्य वास्तविक बाघों के गुणों को आपस में मिलाकर नकली बाघ बनाने की कोशिश करते थे। इन दृष्टिकोणों के साथ समस्या यह है कि वे सभी दुर्लभ जानवरों के साथ ऐसा व्यवहार करते हैं जैसे वे समान रूप से महत्वपूर्ण हों, या वे ऐसा नकली डेटा बनाते हैं जो वास्तव में जासूस को सीखने में मदद नहीं कर सकता।
टीम ने एक स्मार्ट, अधिक गतिशील रणनीति प्रस्तावित की। केवल यह अनुमान लगाने के बजाय कि कौन से जानवर महत्वपूर्ण हैं, उन्होंने जानवरों का एक विशेष "टेस्ट पैनल" बनाया जो पूरी तरह से संतुलित है—कुत्तों, बाघों और तेंदुओं की समान संख्या। वे इसे एक बैलेंस्ड मेटा-सेट (balanced meta-set) कहते हैं। यहाँ चालाकी भरा तरीका है: वे पूछते हैं, "यदि मैं जासूस को सिर्फ एक सेकंड के लिए इस विशिष्ट जानवर के बारे में सिखाता हूँ, तो क्या जासूस टेस्ट पैनल पर मौजूद सभी को पहचानने में बेहतर हो जाएगा?"
यदि उत्तर "हाँ" है, तो वह जानवर एक "स्टार स्टूडेंट" है और उसे प्रशिक्षण कक्षा में रहने दिया जाता है। यदि उत्तर "नहीं" है (शायद वह जानवर एक अजीब आउटलायर है या एक भ्रमित करने वाला कुत्ता है जो बिल्ली जैसा दिखता है), तो उसे बाहर निकाल दिया जाता है। यह प्रक्रिया लगातार होती रहती है, जैसे एक कोच जो हर अभ्यास ड्रिल को देखता है और केवल उन्हीं खिलाड़ियों को रखता है जो वास्तव में टीम को चैंपियनशिप जिताने में मदद करते हैं।
शोधकर्ताओं ने केवल यह अनुमान नहीं लगाया कि यह काम करेगा; उन्होंने गणित के माध्यम से इसे सिद्ध किया। उन्होंने एक विशेष फॉर्मूला तैयार किया जो हर एक जानवर के लिए एक "महत्व स्कोर" (importance score) के रूप में कार्य करता है। यह स्कोर उन्हें बताता है कि कौन से जानवर मूल्यवान हैं बिना पूरे प्रशिक्षण की प्रक्रिया को बार-बार चलाए, जिससे कंप्यूटर की शक्ति की भारी बचत होती है। उन्होंने पाया कि यह स्कोर दो चीजों पर निर्भर करता है: एक जानवर अपने पड़ोस के बाकी हिस्सों के साथ कितना समान है (संदर्भ/context) और जासूस वर्तमान में उस जानवर के बारे में कैसा महसूस करता है (अनुमान व्यवहार/prediction behavior)।
यह सुनिश्चित करने के लिए कि उनका "टेस्ट पैनल" उच्च गुणवत्ता वाला हो, उन्होंने केवल यादृच्छिक (random) तरीके से जानवरों को नहीं चुना। उन्होंने सबसे "प्रतिनिधिक" (representative) बाघों और कुत्तों को चुनने के लिए एक स्मार्ट क्लस्टरिंग पद्धति का उपयोग किया ताकि पैनल वास्तव में पूरे चिड़ियाघर को प्रतिबिंबित करे। फिर, उन्होंने अपने महत्व स्कोर का उपयोग करके तीन प्रकार के डेटा को फ़िल्टर किया: वास्तविक लेबल वाले जानवर, बिना नाम वाले जानवर (बिना नाम टैग वाले जानवर), और यहाँ तक कि वे नकली जानवर भी जिन्हें उन्होंने उनके गुणों को मिलाकर बनाया था। उन्होंने केवल उन्हें ही रखा जिन्होंने वास्तव में उनके जासूस के प्रदर्शन में सुधार किया।
जब उन्होंने वास्तविक दुनिया के डेटासेट्स—जैसे वैज्ञानिक पत्रों और ऑनलाइन शॉपिंग डेटा के नेटवर्क—पर अपने नए फ्रेमवर्क का परीक्षण किया, तो उन्होंने पाया कि NodeImport लगातार मौजूदा सर्वोत्तम तरीकों को मात देता है। उन प्रयोगों में जहाँ असंतुलन अत्यधिक था (सामान्य और दुर्लभ वर्गों के बीच 50 से 1 का अनुपात), उनकी विधि ने दुर्लभ वर्गों को खोजने की सटीकता में काफी सुधार किया। उदाहरण के लिए, Cora नामक डेटासेट पर, उन्होंने "बैलेंस्ड एक्यूरेसी" (एक माप कि मॉडल सामान्य और दुर्लभ दोनों वर्गों को कितनी अच्छी तरह संभालता है) को 83.71% तक बढ़ाया, जो अगले सबसे अच्छे तरीके से भी बेहतर था।
अध्ययन सुझाव देता है कि यह सावधानीपूर्वक चुनने से कि किन डेटा पॉइंट्स से सीखना है, न कि केवल सब कुछ सीखने से या केवल अधिक डेटा बनाने से, हम बहुत अधिक निष्पक्ष और सटीक AI सिस्टम बना सकते हैं। यह पता चला है कि मशीन लर्निंग की दुनिया में, गुणवत्ता वास्तव में मात्रा से बेहतर है। शोधकर्ताओं ने दिखाया कि उनका दृष्टिकोण विभिन्न प्रकार के ग्राफ नेटवर्क पर अच्छी तरह से काम करता है और इसके लिए यह आवश्यक नहीं है कि जासूस एक विशिष्ट प्रकार का दिमाग हो, जिससे यह कई अलग-अलग समस्याओं के लिए एक लचीला उपकरण बन जाता है। हालाँकि परिणाम सिमुलेशन और विशिष्ट डेटासेट्स पर परीक्षणों पर आधारित हैं, विभिन्न परिदृश्यों में निरंतर सुधार यह सुझाव देता है कि यह असंतुलन की जटिल समस्या को संभालने का एक मजबूत तरीका 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।