RAMP: Recognition parametrisation by Amortised Message Passing
यह शोध पत्र RAMP को प्रस्तुत करता है, जो एक नवीन अनसुपरवाइज्ड लर्निंग विधि है जो जटिल उच्च-आयामी डेटा के लिए अभिव्यंजक मॉडलों में लेटेंट-वैरिएबल वितरणों को कुशलतापूर्वक पुनः प्राप्त करने के लिए एक लचीले, नॉनलीनियर, एमोर्टाइज्ड मैसेज-पासिंग फ्रेमवर्क का लाभ उठाता है, जो पारंपरिक संभाव्य दृष्टिकोणों की स्केलेबिलिटी और ट्रैक्टेबिलिटी सीमाओं को दूर करता 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 जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल बिखरे हुए सुरागों का ढेर है: एक कीचड़ वाला पदचिह्न, कपड़े का एक फटा हुआ टुकड़ा और एक धुंधली तस्वीर। आपका लक्ष्य केवल इन सुरागों को सूचीबद्ध करना नहीं है; बल्कि यह पता लगाना है कि कौन सी छिपी हुई कहानी उन्हें जोड़ती है। क्या किसी ने कीचड़ पर एक विशाल कदम रखा था? क्या कपड़ा किसी संघर्ष में फट गया था? आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे "अनसुपरवाइज्ड लर्निंग" (unsupervised learning) कहा जाता है। यह कंप्यूटर को उन अदृश्य, छिपे हुए कारणों (जिन्हें "लेटेंट फैक्टर्स" कहा जाता है) को खोजने के लिए सिखाने की कला है जो बताते हैं कि वास्तविक दुनिया में चीजें इस तरह क्यों होती हैं।
दशकों से, वैज्ञानिकों ने ऐसे कंप्यूटर बनाने की कोशिश की है जो यह काम "प्रोबेबिलिस्टिक मॉडल्स" (probabilistic models) का उपयोग करके कर सकें। इन मॉडल्स को एक विशाल, जटिल अनुमानों के जाल के रूप में सोचें। कंप्यूटर एक मानचित्र बनाता है जो दिखाता है कि विभिन्न सुराग कैसे जुड़े हो सकते हैं, फिर वह सबसे संभावित कहानी की गणना करने का प्रयास करता है। समस्या यह है कि ये गणनाएँ अविश्वसनीय रूप से कठिन हैं। यदि जाल बहुत अधिक उलझ जाता है या सुराग बहुत अस्त-व्यस्त हो जाते हैं, तो गणित विफल हो जाता है। कंप्यूटर या तो एक लूप में फंस जाता है या उसे एक बहुत ही मोटा अनुमान लगाना पड़ता है जो वास्तविक दुनिया की बारीकियों को छोड़ देता है। यह एक रूबिक क्यूब को ओवन मिट्स (ओवन दस्ताने) पहनकर हल करने की कोशिश करने जैसा है; आप करीब तो पहुँच सकते हैं, लेकिन आप टुकड़ों को पूरी तरह से घुमाने के लिए उन्हें महसूस नहीं कर सकते।
यहीं पर RAMP नामक एक नई विधि आती है। इसके पीछे के शोधकर्ताओं ने एक ऐसा जासूस बनाने की इच्छा रखी जो केवल अनुमान न लगाए; बल्कि वह सुरागों के बीच के संबंधों को "महसूस" करना सीख जाए, भले ही गणित बहुत जटिल क्यों न हो। उन्होंने एक ऐसी प्रणाली बनाई जो आधुनिक न्यूरल नेटवर्क (वे प्रकार जो इमेज रिकग्निशन को शक्ति देते हैं) के लचीलेपन को प्रायिकता (probability) के कठोर तर्क के साथ जोड़ती है। एक विशाल, असंभव समीकरण को एक साथ हल करने के बजाय, RAMP समस्या को छोटे, प्रबंधनीय चरणों में तोड़ देता है, जिससे सुरागों के बीच छोटे "संदेश" तब तक इधर-उधर भेजे जाते हैं जब तक कि छिपी हुई कहानी सामने न आ जाए। यह मशीनों को दुनिया की छिपी हुई संरचना को समझने के लिए सिखाने का एक तरीका है, जैसे कि एक पेंडुलम का झूलना या मानव शरीर की मुद्रा, बिना पहले से नियम बताए।
जासूस का नया टूलकिट: RAMP
यह पेपर RAMP (रिकग्निशन पैरामीट्राइजेशन बाय एमोर्टाइज्ड मैसेज पासिंग) को पेश करता है, जो कंप्यूटर के लिए छिपे हुए पैटर्न सीखने का एक चतुर नया तरीका है। यह समझने के लिए कि यह कैसे काम करता है, कल्पना करें कि जासूसों का एक समूह एक बड़े मामले पर काम कर रहा है, लेकिन एक बड़े कार्यालय के बजाय, वे एक पेड़ के आकार के नेटवर्क के विभिन्न कमरों में फैले हुए हैं।
एक पारंपरिक जासूसी कहानी में, यदि आप जानना चाहते हैं कि अपराधी कौन है, तो आप एक साथ सभी का इंटरव्यू लेने की कोशिश कर सकते हैं। लेकिन एक जटिल मामले में, यह असंभव है। RAMP खेल बदल देता है। यह एक ऐसी प्रणाली स्थापित करता है जहाँ प्रत्येक जासूस (जो एक छिपे हुए वेरिएबल का प्रतिनिधित्व करता है) केवल अपने निकटतम पड़ोसियों से बात करता है। वे आपस में "संदेश" पास करते हैं। ये संदेश केवल नोट्स नहीं हैं; ये उस सारांश के रूप में हैं जो उस जासूस ने अब तक सीखा है।
यहाँ जादू का मंत्र है: RMP इन संदेशों को लिखने के लिए न्यूरल नेटवर्क (AI का दिमागी हिस्सा) का उपयोग करता है। सुरागों का सारांश देने के लिए एक कठोर, पूर्व-लिखित सूत्र का उपयोग करने के बजाय, न्यूरल नेटवर्क उन्हें पूरी तरह से सारांशित करना सीखता है। यह एक जासूस को अपराध स्थल का एक वाक्य में सटीक सारांश लिखना सिखाने जैसा है, चाहे दृश्य कितना भी अराजक क्यों न हो। इस प्रक्रिया को "एमोर्टाइज्ड मैसेज पासिंग" (amortised message passing) कहा जाता है। "एमोर्टाइज्ड" एक भारी शब्द है जिसका अर्थ है कि कंप्यूटर एक सामान्य कौशल (कैसे सारांश दिया जाए) को एक बार सीखता है, और फिर उस कौशल का उपयोग हर नए मामले के लिए बार-बार करता है, जिससे यह अविश्वसनीय रूप से तेज़ और कुशल हो जाता है।
शोधकर्ताओं ने इस विचार का तीन बहुत अलग परिदृश्यों में परीक्षण किया, और परिणाम प्रभावशाली थे।
सबसे पहले, उन्होंने इसे एक हाइरार्किकल ट्री (hierarchical tree) पर आज़माया, जो सुरागों के पारिवारिक वृक्ष की तरह है। उन्होंने ऐसा डेटा बनाया जहाँ "माता-पिता" "बच्चों" को एक विशिष्ट तरीके से प्रभावित करते थे। जब पेड़ की संरचना पूर्ण थी, तो RAMP ने लगभग 100% सटीकता के साथ छिपे हुए कारणों को खोज लिया, जो सैद्धांतिक रूप से सर्वोत्तम संभव समाधान से मेल खाता था। लेकिन यहाँ सबसे रोमांचक बात यह है: उन्होंने यह भी परीक्षण किया कि क्या होता है जब पेड़ टूटा हुआ या अस्त-व्यस्त होता है (एक "मिसस्पेसिफाइड" ट्री)। भले ही कंप्यूटर को कनेक्शनों का गलत मानचित्र दिया गया था, RAMP आश्चर्यजनक रूप से मजबूत रहा। यदि पेड़ का एक विशिष्ट हिस्सा सही था, तो उस हिस्से का जासूस सच्चाई का पता लगा ही लेता था, भले ही उसके पड़ोसी भ्रमित हों। यह सुझाव देता है कि RAMP केवल एक मानचित्र को याद नहीं करता; यह सुरागों के जुड़ने के अंतर्निर्निहित तर्क को सीखता है।
इसके बाद, उन्होंने RAMP को एक नॉन-लीनियर पेंडुलम (non-linear pendulum) के साथ चुनौती दी। एक झूलते पेंडुलम के वीडियो की कल्पना करें। कंप्यूटर केवल प्रत्येक क्षण में पेंडुलम की तस्वीर देख सकता है, उसकी गति या कोण नहीं। गति का पता लगाने के लिए, कंप्यूटर को अतीत और भविष्य को देखना होगा। पारंपरिक तरीके यहाँ अक्सर विफल हो जाते हैं क्योंकि तस्वीर और गति के बीच का संबंध जटिल और घुमावदार (नॉन-लीनियर) होता है। हालाँकि, RAMP ने वीडियो देखकर कोण और गति दोनों का अनुमान लगाना सीख लिया। इसने सफलतापूर्वक "फेज़ स्पेस" (सिस्टम की छिपी हुई अवस्था) को दो-आयामी स्थान में पुनर्गठित किया, और उन उन्नत तरीकों से बेहतर प्रदर्शन किया जो गति खोजने में संघर्ष कर रहे थे।
अंत में, उन्होंने ह्यूमन पोज़ एस्टीमेशन (मानव मुद्रा अनुमान) के लिए RAMP का उपयोग किया। यह कार्य यह पता लगाने का है कि कोई व्यक्ति अपने शरीर के छोटे, स्थानीय हिस्सों (जैसे घुटने या गर्दन के आसपास का हिस्सा) को देखकर कैसे खड़ा है। कंप्यूटर पूरे शरीर को नहीं देखता; वह केवल इन छोटे टुकड़ों को देखता है। चुनौती यह है कि यदि बायां टखना छिपा हुआ (occluded) है, तो कंप्यूटर को शेष शरीर के आधार पर अनुमान लगाना होगा कि वह कहाँ है। RAMP ने मानव शरीर को जुड़े हुए जोड़ों के एक पेड़ के रूप में माना। जोड़ों के बीच संदेश भेजकर, इसने सीखा कि घुटने का ओरिएंटेशन कूल्हे और टखने पर निर्भर करता है। यहाँ तक कि जब टखना तस्वीर में गायब था, तब भी RAMP ने पैर की सही मुद्रा का अनुमान लगाने के लिए "पेड़" की संरचना का उपयोग किया, प्रभावी रूप से सीखे गए संबंधों का उपयोग करके "खाली स्थानों को भर दिया।"
यह पेपर दिखाता है कि RAMP जटिल डेटा में छिपी संरचनाओं को खोजने के लिए एक शक्तिशाली उपकरण है। यह सुझाव देता है कि न्यूरल नेटवर्क के लचीलेपन को मैसेज पासिंग के तार्किक ढांचे के साथ जोड़कर, हम ऐसा AI बना सकते हैं जो दुनिया को अधिक गहराई से समझता है। लेखकों ने पाया कि RAMP तब भी अच्छा काम करता है जब डेटा अस्त-व्यस्त हो या मॉडल वास्तविकता के साथ सटीक मेल न खाता हो, बशर्ते मूल संबंध मौजूद हों। हालाँकि यह पेपर AI की हर समस्या को हल करने का दावा नहीं करता है, लेकिन यह एक आशाजनक नया रास्ता दिखाता है, जो यह दर्शाता है कि मशीनें एक-दूसरे से बात करने का तरीका सीखकर बेहतर जासूस बनना सीख सकती 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।