Growing Hypergraphs with Homophily
यह शोध पत्र बढ़ते हुए हाइपरग्राफ (hypergraphs) के लिए एक यांत्रिक मॉडल प्रस्तुत करता है जो होमोफिली-संचालित एज कॉपीइंग (edge copying) को शामिल करके एज स्वतंत्रता की धारणा को शिथिल करता है, जिससे पावर-लॉ डिग्री वितरण, एक्सपेक्टेशन मैक्सिमाइजेशन के माध्यम से पैरामीटर अनुमान, और जटिल पॉलीएडिक प्रणालियों पर बेहतर कम्युनिटी डिटेक्शन सक्षम होता 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 यह समझने की कोशिश कर रहे हैं कि एक विशाल, अराजक पार्टी कैसे विकसित होती है। विज्ञान की दुनिया में, यह नेटवर्क्स (networks) का अध्ययन है। आमतौर पर, वैज्ञानिक इन नेटवर्क्स को दो लोगों के बीच के सरल संबंधों के रूप में देखते हैं—जैसे एलिस और बॉब के बीच एक फोन कॉल। इसे "डायडिक" (dyadic) इंटरेक्शन कहा जाता है। लेकिन वास्तविक जीवन अधिक जटिल है। कभी-때 दोस्तों का एक पूरा समूह साथ घूमता है, या पांच लोगों की एक समिति एक साथ एक विधेयक (bill) पर हस्ताक्षर करती है। ये "हाइपरग्राफ" (hypergraphs) हैं, जहाँ एक एकल संबंध (एक एज/edge) तीन, चार या दर्जनों लोगों को एक साथ जोड़ सकता है।
लंबे समय से, कंप्यूटर वैज्ञानिकों ने यह अनुमान लगाने के लिए कंप्यूटर मॉडल बनाने की कोशिश की है कि ये समूह कैसे बनते हैं। एक लोकप्रिय विचार है होमोफिली (homophily), जो बस एक फैंसी शब्द है जिसका अर्थ है "एक जैसे लोग एक साथ रहते हैं।" यह लोगों की समान गुणों (जैसे एक ही बैंड की टी-शर्ट पहनना या एक ही पार्टी के लिए मतदान करना) के प्रति जुड़ाव की प्रवृत्ति है। अधिकांश पुराने मॉडलों ने माना कि प्रत्येक नया समूह पूरी तरह से स्वतंत्र रूप से बनता है, जैसे हर नई पार्टी के लिए एक ताज़ा पासा फेंका जा रहा हो। उन्होंने यह नहीं सोचा कि जो समूह आपने पहले देखे हैं, वे अगले समूह को प्रभावित कर सकते हैं। लेकिन वास्तविक जीवन में, समूह अक्सर पिछले समूहों की गूँज की तरह महसूस होते हैं। यदि आप दोस्तों का एक समूह देखते हैं, तो अगला समूह उनके द्वारा बनाया गया समूह होने की संभावना है, या कम से कम उन लोगों के समान होगा। यह शोध पत्र पूछता है: क्या होगा यदि हम यह मानना बंद कर दें कि हर नया समूह पासे के एक रैंडम रोल की तरह है, और इसके बजाय यह मान लें कि नए समूह पुराने समूहों की अव्यवस्थित, शोर भरी प्रतियां (copies) हैं?
इस शोध पत्र के लेखक, वायलेट रॉस, फ्रांसिस कैटालडो और फिलिप एस. चोड्रो, एक नया कंप्यूटर मॉडल पेश करते हैं जिसे CHILI (Copying Hyperedges Influenced by Label Interactions) कहा जाता है। CHILI को एक हाइपरग्राफ को एक-एक करके समूह बढ़ाते हुए देखने की रेसिपी के रूप में समझें। उनके सिमुलेशन में, एक नया समूह अचानक कहीं से प्रकट नहीं होता है। इसके बजाय, कंप्यूटर एक मौजूदा समूह (एक "सीड" या बीज) चुनता है और उसकी नकल करने की कोशिश करता है। लेकिन यह एक शोर भरी नकल है। मूल समूह के कुछ सदस्यों को नए समूह में आमंत्रित किया जाता है, जबकि अन्य को छोड़ दिया जाता है। महत्वपूर्ण रूप से, किसी को आमंत्रित करने का निर्णय उनके "लेबल" (label) पर निर्भर करता है—जैसे कि वे डेमोक्रेट हैं या रिपब्लिकन, या लड़का हैं या लड़की। यदि लेबल मेल खाते हैं, तो उन्हें कॉपी किए जाने की अधिक संभावना होती है; यदि वे मेल नहीं खाते हैं, तो उन्हें शामिल किए जाने की संभावना कम होती है। मॉडल में कुछ बिल्कुल नए लोग और कुछ ऐसे लोग भी जोड़े जाते हैं जो पहले से ही पार्टी में थे लेकिन मूल समूह में नहीं थे।
शोधकर्ताओं ने पाया कि यह सरल "कॉपी-पेस्ट-विद-अ-ट्विस्ट" तंत्र बहुत ही वास्तविक दिखने वाले नेटवर्क बनाता है। जब उन्होंने अपने सिमुलेशन चलाए, तो उन्होंने पाया कि मॉडल स्वाभाविक रूप से एक विशिष्ट गणितीय पैटर्न उत्पन्न करता है जिसे पावर लॉ (power law) कहा जाता है, जो बताता है कि प्रत्येक व्यक्ति के कितने कनेक्शन हैं। इसका मतलब है कि इन सिम्युलेटेड दुनिया में, कुछ लोग अत्यधिक जुड़े हुए "हब" बन जाते हैं जबकि अधिकांश लोगों के केवल कुछ ही कनेक्शन होते हैं, ठीक वैसे ही जैसे वास्तविक सामाजिक नेटवर्क में होता है। उन्होंने यह भी मैप किया कि "लेबल" (विशेषताएं) नेटवर्क में समय के साथ कैसे फैलते हैं। उन्होंने पाया कि यदि नकल बहुत मजबूत है (उच्च होमोफिली), तो समूह बहुत एकसमान होते जाते हैं—जैसे एक कमरा जहाँ सभी लोग एक ही रंग की शर्ट पहने हुए हों। हालाँकि, भले ही नकल मजबूत हो, सिस्टम अंततः इस तरह संतुलित हो जाता है कि लंबे समय में प्रत्येक लेबल के लोगों की कुल संख्या समान रहती है, भले ही व्यक्तिगत समूह बहुत अलग दिखें।
अपने मॉडल को सिद्ध करने के लिए, लेखकों ने एक कंप्यूटर को खेल के नियमों को "सीखने" के लिए प्रशिक्षित किया। उन्होंने स्टोकेस्टिक एक्सपेक्टेशन मैक्सिमाइजेशन (SEM) नामक तकनीक का उपयोग किया। कल्पना कीजिए कि आप एक जासूस हैं जो केवल लोगों को खेलते हुए देखकर खेल के नियमों को समझने की कोशिश कर रहे हैं। आप एक अनुमान लगाते हैं, कुछ चालें देखते हैं, अपने अनुमान को समायोजित करते हैं, और दोहराते हैं। लेखकों ने दिखाया कि यह विधि उनके द्वारा CHILI से उत्पन्न किए गए नकली डेटा पर बहुत अच्छी तरह काम करती है; कंप्यूटर ने सटीक रूप से उन नियमों का अनुमान लगा लिया जिनका उपयोग उन्होंने डेटा बनाने के लिए किया था। उन्होंने फिर इस जासूसी कार्य को वास्तविक दुनिया के डेटा पर लागू किया, जैसे अमेरिकी सीनेटरों द्वारा सह-प्रायोजित विधेयक या एनरॉन (Enron) कॉर्पोरेशन के कर्मचारियों द्वारा भेजे गए ईमेल। उदाहरण के लिए, एनरॉन डेटा पर, मॉडल ने सुझाव दिया कि ईमेल समूह इस तरह से बनाए गए थे जो "हेटरोफिलिक" (विपरीत आकर्षित होते हैं) दिखते थे, जिसे लेखक बताते हैं कि ऐसा इसलिए है क्योंकि ईमेल अक्सर एक कोर समूह को कई बाहरी लोगों से जोड़ते हैं, न कि केवल पिछले ईमेल थ्रेड की नकल करते हैं।
अंत में, टीम ने अपने मॉडल का उपयोग "समुदाय" (communities) खोजने के लिए किया—वे समूह जो एक साथ जुड़े हुए हैं। उन्होंने सिमुलेटेड एनीलिंग (simulated annealing) का उपयोग किया, जो एक कंप्यूटर द्वारा धातु को धीरे-धीरे ठंडा करने जैसा है ताकि उसका सबसे मजबूत आकार पाया जा सके, लेकिन यहाँ इसका उपयोग लेबल्स के सर्वोत्तम व्यवस्था को खोजने के लिए किया जाता है। उन्होंने हाई स्कूल के सामाजिक व्यवहार और सीनेट बिलों जैसे वास्तविक डेटा सेट पर इसका परीक्षण किया। परिणाम मिले-जुले लेकिन बहुत आशाजनक थे। कुछ कठिन डेटा सेटों पर, जहाँ अन्य मानक तरीके (जो मानते हैं कि समूह स्वतंत्र रूप से बनते हैं) विफल हो गए, CHILI मॉडल ने छिपे हुए समूहों को खोजने में बेहतर काम किया। उदाहरण के लिए, सीनेट बिल डेटा पर, इसने राजनीतिक दलों की पहचान करने में अन्य तरीकों से बेहतर प्रदर्शन किया। हालाँकि, लेखक स्वीकार करते हैं कि यह विधि बहुत धीमी और गणनात्मक रूप से महंगी है, जैसे कि एक विशाल पहेली को हल करने के लिए हर एक संभावित चाल की जाँच करने की कोशिश करना। भले ही यह सब कुछ तुरंत हल करने वाला कोई जादुई समाधान नहीं है, लेकिन शोध पत्र सुझाव देता है कि यह मानना कि "समूह समूहों की नकल करते हैं" एक बड़ी गलती हो सकती है। यह स्पष्ट रूप से मॉडल करके कि एज (edges) पिछले एज पर कैसे निर्भर करते हैं और उनमें शामिल लोगों के लेबल क्या हैं, हम वास्तव में जटिल सामाजिक प्रणालियों के बढ़ने और बदलने की एक बहुत अधिक स्पष्ट तस्वीर प्राप्त कर सकते हैं।
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।