कल्पना कीजिए कि आप एक कंप्यूटर को जानवरों को पहचानना सिखा रहे हैं। आप नहीं चाहते कि वह केवल "पक्षी" कहे; आप चाहते हैं कि वह एक सच्चा विशेषज्ञ बने जो कह सके "यह एक पक्षी है, विशेष रूप से एक गाना गाने वाला पक्षी (songbird), और यहाँ तक कि और भी विशिष्ट रूप से, एक रेड-विंग्ड ब्लैकबर्ड है।" इसे फाइन-ग्रेन्ड विजुअल क्लासिफिकेशन (Fine-Grained Visual Classification) कहा जाता है। यह बिल्कुल वैसा ही है जैसे दो जुड़वा बच्चों के बीच अंतर बताने की कोशिश करना, बजाय इसके कि आप सिर्फ एक बिल्ली और कुत्ते के बीच अंतर बताएं। चुनौती यह है कि जब आप कंप्यूटर को एक साथ इन सभी स्तरों को सिखाने की कोशिश करते हैं, तो वे अक्सर भ्रमित हो जाते हैं।

इसे करने के लिए, शोधकर्ता एक "बैकबोन" (एक डीप न्यूरल नेटवर्क) का उपयोग करते हैं जो पैटर्न को पहचानना सीखता है। वे पदानुक्रमित लेबल (hierarchical labels) का भी उपयोग करते हैं, जो डेटा के लिए एक वंशावली की तरह हैं: गण (Order - व्यापक), कुल (Family - मध्यम), और प्रजाति (Species - बहुत विशिष्ट)। सैद्धांतिक रूप से, कंप्यूटर को पहले व्यापक श्रेणियों को सिखाना बाद में विशिष्ट श्रेणियों को सीखने में मदद करना चाहिए, ठीक वैसे ही जैसे वर्णमाला सीखने से स्पेलिंग सीखने में मदद मिलती है। हालांकि, व्यवहार में, एक साथ सभी स्तरों को सीखने की कोशिश करने से कंप्यूटर का दिमाग चकरा सकता है। "व्यापक" सबक और "विशिष्ट" सबक कभी-कभी कंप्यूटर को विपरीत दिशाओं में खींचते हैं, जिससे ग्रेडिएंट संघर्ष (gradient conflict) होता है। यह एक ऐसा कोच होने जैसा है जो एक ही समय में अलग-अलग निर्देश चिल्ला रहा हो; खिलाड़ी अंततः ज़िग-ज़ैग पैटर्न में दौड़ने लगता है बजाय इसके कि वह आगे बढ़े।

यह शोध पत्र, जिसका शीर्षक "FlexiGrad" है, इसी समस्या का समाधान करता है। लेखक, ज़िलू झोउ और बीजिंग यूनिवर्सिटी ऑफ पोस्ट्स एंड टेलीकम्युनिकेशंस के सहयोगियों ने इस समस्या को ठीक करने के लिए एक चतुर, बिना किसी अतिरिक्त लागत वाला तरीका प्रस्तावित किया है। उन्होंने पाया कि जब "व्यापक" कोच और "विशिष्ट" कोच असहमत होते हैं, तो कंप्यूटर को एक या दूसरे को अनदेखा नहीं करना चाहिए। इसके बजाय, FlexiGrad उस प्रक्रिया के दौरान एक बुद्धिमान रेफरी की तरह कार्य करता है। यह दोनों कोचों की बात सुनता है, यह पता लगाता है कि वे ठीक कहाँ लड़ रहे हैं, और केवल उस हिस्से को हटा देता है जो संघर्ष पैदा करता है। यदि कोच एक ही दिशा में सहमत हैं, तो FlexiGrad उस संकेत को और मजबूत करने के लिए उसे बढ़ावा देता है।

परिणामस्वरूप, प्रशिक्षण प्रक्रिया बहुत सहज और तेज़ हो जाती है। कंप्यूटर बड़े चित्र (जैसे पक्षी का आकार) को देखने के साथ-साथ सूक्ष्म विवरणों (जैसे पंख का रंग) पर ध्यान केंद्रित करना सीख जाता है, बिना भ्रमित हुए। शोधकर्ताओं ने तीन प्रसिद्ध पक्षी, विमान और कार डेटासेट पर इसका परीक्षण किया। उन्होंने पाया कि FlexiGrad ने न केवल कंप्यूटर को थोड़ा बेहतर बनाया; बल्कि इसने सबसे कठिन, विशिष्ट प्रकार के जानवरों और वाहनों को पहचानने की इसकी क्षमता में महत्वपूर्ण सुधार किया, विशेष रूप से उन परिवारों में जहाँ अंतर बहुत सूक्ष्म है और भ्रम की स्थिति अधिक है। यह विधि सरल है, इसके लिए किसी अतिरिक्त हार्डवेयर की आवश्यकता नहीं है, और यह लगभग किसी भी मौजूदा कंप्यूटर विज़न मॉडल के साथ काम करती है, जो यह सिद्ध करता है कि कभी-कभी सीखने का सबसे अच्छा तरीका यह जानना है कि वास्तव में कैसे सुनना है।

समस्या: कंप्यूटर के मस्तिष्क में खींचतान (Tug-of-War)

कल्पना कीजिए कि आप एक नया कौशल सीख रहे हैं, जैसे गिटार बजाना, लेकिन आपके पास दो शिक्षक हैं। शिक्षक A ("कोर्स" या व्यापक शिक्षक) चाहता है कि आप लय और कॉर्ड के सामान्य आकार पर ध्यान दें। शिक्षक B ("फाइन" या विशिष्ट शिक्षक) चाहता है कि आप सटीक नोट्स बजाने के लिए अपनी उंगलियों की सूक्ष्म, सटीक गतिविधियों पर ध्यान दें।

आदर्श रूप से, इन शिक्षकों को मिलकर काम करना चाहिए। लेकिन कंप्यूटर विज़न की दुनिया में, वे अक्सर लड़ते हैं। जब कंप्यूटर एक ही समय में दोनों को सीखने की कोशिश करता है, तो शिक्षक A कह सकता है, "अपना हाथ बाईं ओर ले जाओ!" जबकि शिक्षक B कह सकता है, "नहीं, दाईं ओर ले जाओ!" गणित की भाषा में, उनके "ग्रेडिएंट्स" (निर्देश कि कंप्यूटर के मस्तिष्क को कैसे बदला जाए) विपरीत दिशाओं में इशारा करते हैं। इसे पदानुक्रमित ग्रेडिएंट संघर्ष (hierarchical gradient conflict) कहा जाता है।

जब ऐसा होता है, तो कंप्यूटर फंस जाता है। वह दोनों निर्देशों का पालन करने की कोशिश करता है, जिसके परिणामस्वरूप एक अस्त-व्यस्त, ज़िग-ज़ैग पथ बनता है जहाँ वह कुछ भी ठीक से नहीं सीख पाता। यह एक ऐसी खींचतान (tug-of-war) जैसा है जहाँ रस्सी हिलती नहीं है, या इससे भी बुरा, टूट जाती है। पिछले प्रयास बहुत ही सतही थे। कुछ विधियों ने शिक्षकों को आपस में बात करने से ही रोक दिया, जिसका अर्थ था कि कंप्यूटर ने उपयोगी संकेतों को खो दिया। अन्य ने निर्देशों को औसत निकालने की कोशिश की, जिससे अक्सर सबसे महत्वपूर्ण, विस्तृत सलाह भी कमज़ोर हो गई।

समाधान: स्मार्ट रेफरी (FlexiGrad)

इस शोध पत्र के लेखकों ने FlexiGrad पेश किया है, जो कंप्यूटर के प्रशिक्षण सत्र के दौरान एक स्मार्ट रेफरी की तरह कार्य करता है। शिक्षकों को रोकने या उन्हें सहमत होने के लिए मजबूर करने के बजाय, FlexiGrad उनके निर्देशों के बीच के "कोण" (angle) को सुनता है।

यह कैसे काम करता है, चरण-दर-चरण यहाँ दिया गया है:

1. असहमति को सुनना: जब "कोर्स" शिक्षक और "फाइन" शिक्षक ऐसे निर्देश देते हैं जो विपरीत दिशाओं में खींचते हैं (एक नकारात्मक कोण), तो FlexiGrad हस्तक्षेप करता है। यह "फाइन" शिक्षक के पूरे निर्देश को डिलीट नहीं करता है। इसके बजाय, यह गणना करता है कि उस निर्देश का कौन सा हिस्सा वास्तव में "कोर्स" शिक्षक के विरुद्ध लड़ रहा है और केवल उस हानिकारक हिस्से को हटा देता है। बाकी का निर्देश, जो अभी भी उपयोगी है, उसे रखा जाता है।
2. सहमति को बढ़ावा देना: जब शिक्षक सहमत होते हैं (या काफी हद तक सहमत होते हैं), तो FlexiGrad उन्हें केवल देखते नहीं रहता। यह उनकी संयुक्त शक्ति को बढ़ाने के लिए एक स्मूथ, स्लाइडिंग स्केल का उपयोग करता है। यदि वे 80% संरेखित (aligned) हैं, तो यह उनके साझा दिशा को बढ़ाता है, जिससे कंप्यूटर उस विशिष्ट विवरण को और भी तेज़ी से सीखता है।
3. कोई अतिरिक्त लागत नहीं: सबसे अच्छी बात यह है कि FlexiGrad "पैरामीटर-फ्री" है। यह कंप्यूटर के मस्तिष्क में कोई नए भाग नहीं जोड़ता या अतिरिक्त मेमोरी की आवश्यकता नहीं होती है। यह केवल इस बात को बदलता है कि कंप्यूटर पहले से मौजूद निर्देशों को कैसे प्रोसेस करता है।

उन्होंने क्या पाया: सुगम मार्ग, पैनी नज़र

शोधकर्ताओं ने तीन प्रमुख डेटासेट पर FlexiGrad का परीक्षण किया:

• CUB-200-2011: पक्षियों की 11,877 छवियां, जिन्हें गण (Order), कुल (Family) और प्रजाति (Species) के आधार पर लेबल किया गया है।
• FGVC-Aircraft: विमानों की 10,000 छवियां, जिन्हें निर्माता (Maker), परिवार (Family) और मॉडल (Model) के आधार पर लेबल किया गया है।
• Stanford Cars: कारों की 8,144 छवियां, जिन्हें निर्माता (Maker) और मॉडल (Model) के आधार पर लेबल किया गया है।

उन्होंने अन्य विधियों के खिलाफ FlexiGrad की तुलना की, जिसमें एक मानक "वैनिला" दृष्टिकोण (जहाँ शिक्षक लड़ते हैं), एक विधि जिसने शिक्षकों को बात करने से रोका (FGoN), और एक विधि जिसने संघर्ष से बचने के लिए निर्देशों को गणितीय रूप से प्रोजेक्ट करने की कोशिश की (PCGrad) शामिल हैं।

परिणाम:

• बेहतर सटीकता: FlexiGrad ने लगातार सभी अन्य विधियों को पछाड़ दिया। पक्षी डेटासेट पर, इसने औसत सटीकता को 89.19% तक सुधार दिया, जबकि अगली सर्वश्रेष्ठ विधि (PCGrad) 88.30% पर थी।
• "कठिन" मामलों में जीत: सबसे बड़े सुधार सबसे कठिन श्रेणियों में हुए। उदाहरण के लिए, पक्षी डेटासेट पर, कंप्यूटर ने विशिष्ट "प्रजाति" (Species) स्तर पर 79.79% सही परिणाम दिए, जो कि सबसे कठिन कार्य है। यह सुझाव देता है कि FlexiGrad विशेष रूप से कंप्यूटर को उन सूक्ष्म, भ्रमित करने वाले विवरणों को सुलझाने में मदद करने में सक्षम है जो आमतौर पर सबसे अधिक समस्या पैदा करते हैं।
• दृश्य प्रमाण: लेखकों ने देखा कि कंप्यूटर क्या "देख" रहा था (Grad-CAM नामक तकनीक का उपयोग करके)। FlexiGrad के साथ, कंप्यूटर का ध्यान स्पष्ट और तार्किक था: वह "गण" (Order) स्तर के लिए पूरे पक्षी को देख रहा था, "कुल" (Family) स्तर के लिए शरीर के आकार को, और "प्रजाति" (Species) स्तर के लिए विशिष्ट चोंच या पंखों के विवरण को देख रहा था। अन्य विधियों का ध्यान अक्सर भ्रमित और बिखरा हुआ था।
• गति: यह विधि बहुत कुशल थी। इसने मानक विधि की तुलना में प्रशिक्षण प्रक्रिया में केवल लगभग 7.4% अधिक समय जोड़ा, जो प्रदर्शन में बड़ी छलांग के लिए एक छोटा सा मूल्य है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र सुझाव देता है कि समस्या डेटा या पक्षियों और कारों की जटिलता नहीं थी; समस्या यह थी कि कंप्यूटर को कैसे सिखाया जा रहा था। सीखने के विभिन्न स्तरों को एक युद्धक्षेत्र के बजाय एक सहकारी टीम के रूप में मानकर, FlexiGrad कंप्यूटर को एक "सुसंगत" (coherent) समझ बनाने की अनुमति देता है। यह एक ही समय में बड़ी तस्वीर और सूक्ष्म विवरणों को सीखता है, बिना एक-दूसरे को रद्द किए।

लेखक नोट करते हैं कि यह दृष्टिकोण विभिन्न प्रकार के कंप्यूटर आर्किटेक्चर (जैसे ResNet, Swin, और ViT) के साथ अच्छी तरह काम करता है, जिसका अर्थ है कि यह कई मौजूदा प्रणालियों में प्लग किया जा सकने वाला एक बहुमुखी उपकरण है। हालाँकि वे यह दावा नहीं करते कि उन्होंने AI की हर समस्या को हल कर दिया है, लेकिन उन्होंने प्रदर्शित किया है कि परस्पर विरोधी निर्देशों को संभालने का एक सरल, स्मार्ट तरीका अधिक सटीक और स्थिर शिक्षण की ओर ले जा सकता है, विशेष रूपकर जब कार्य बहुत समान चीजों के बीच अंतर करने की आवश्यकता हो।