Autonomous Collaborative Learning Among an Ensemble of Tsetlin Machines with Consensus-Based Inference
यह शोध पत्र वर्टिकल फीचर पार्टीशनिंग के तहत टसेटलिन मशीनों के एक एनसेंबल के लिए एक विकेंद्रीकृत सहयोगात्मक शिक्षण प्रतिमान प्रस्तावित करता है, जहाँ निजी मॉडल और विषम संसाधनों वाले एजेंट कच्चे डेटा को साझा किए बिना वैश्विक सर्वसम्मति-आधारित अनुमान प्राप्त करते हैं, जो केंद्रीकृत मॉडलों के तुलनीय वर्गीकरण सटीकता प्रदर्शित 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
एक ऐसी दुनिया की कल्पना करें जहाँ कंप्यूटर केवल विशाल कैलकुलेटर की तरह नंबरों का हिसाब नहीं लगाते, बल्कि एक जासूस की तरह तर्क के साथ "सोचते" हैं, जैसे कि सरल "यदि-तो" (if-then) सुरागों का उपयोग करके किसी रहस्य को सुलझाना। यह मशीन लर्निंग का क्षेत्र है, लेकिन आज के स्मार्टफ़ोन को शक्ति देने वाले भारी, ऊर्जा-खपत करने वाले न्यूरल नेटवर्क के बजाय, यहाँ एक हल्का और स्मार्ट विकल्प है जिसे त्सेट्लिन मशीन (Tsetlin Machine) कहा जाता है। इसे छोटे, नियम मानने वाले रोबोटों (जिन्हें त्सेट्लिन ऑटोमेटा कहा जाता है) की एक टीम के रूप में सोचें जो पैटर्न पहचानने के लिए मिलकर काम करते हैं। वे इतने कुशल हैं कि वे एक छोटी बैटरी पर वर्षों तक चल सकते हैं, जो उन्हें "एज" (edge)—हमारे घरों और शहरों में बिखरे हुए स्मार्ट सेंसर, कैमरों और गैजेट्स—के लिए एकदम सही बनाता है।
लेकिन यहाँ एक पेचीदा हिस्सा है: ये गैजेट अक्सर दूर-दूर बिखरे होते हैं, और वे अपना सारा निजी डेटा एक केंद्रीय क्लाउड सर्वर को नहीं भेज सकते। यह वैसा ही होगा जैसे मोहल्ले में हर कोई शहर के चौक में लगे लाउडस्पीकर में अपने राज़ चिल्ला रहा हो; यह जोखिम भरा है और ऊर्जा बर्बाद करता है। इसलिए, वैज्ञानिक पूछ रहे हैं: ये बिखरे हुए गैजेट बिना एक-दूसरे का निजी डेटा देखे, एक समूह के रूप में मिलकर कैसे सीख सकते हैं? उन्हें एक ऐसे तरीके की आवश्यकता है जिससे वे समस्या को हल करने के लिए पर्याप्त जानकारी साझा कर सकें, जबकि अपने अपने छोटे रहस्यों को सुरक्षित रख सकें। यह विकेंद्रीकृत शिक्षण (decentralized learning) की पहेली है।
वह जासूसी दल जो कभी नहीं मिलता
इस शोध पत्र में, शोधकर्ता इन स्मार्ट गैजेट्स के एक झुंड के लिए बिना किसी बॉस के मिलकर सीखने का एक चतुर नया तरीका प्रस्तावित करते हैं। एक ऐसे मोहल्ले की कल्पना करें जहाँ हर घर में एक जासूस ("एजेंट") एक अपराध को सुलझाने की कोशिश कर रहा है। आमतौर पर, जासूस नोट्स की तुलना करने के लिए स्टेशन पर मिलते हैं। लेकिन इस कहानी में, जासूसों को मिलने से मना किया गया है, और वे अपनी निजी नोटबुक (अपने मॉडल) भी किसी को नहीं दिखा सकते। वे केवल अपने निकटतम पड़ोसियों को फुसफुसाकर बता सकते हैं।
लेखक इसे हल करने के लिए एक दो-स्तरीय टीम रणनीति (two-layer team strategy) का सुझाव देते हैं।
स्तर 1: स्थानीय जासूस (The Local Sleuth)
सबसे पहले, प्रत्येक जासूस पहेली के अपने छोटे से हिस्से को देखता है। यदि पहेली हाथ से लिखे गए किसी नंबर (जैसे कि "7") की तस्वीर है, तो मोहल्ला एक ग्रिड में विभाजित होता है, और प्रत्येक जासूस उस नंबर के केवल एक छोटे 4x4 टाइल को देखता है। वे यह समझने के लिए अपने स्वयं के त्सेट्लिन मशीन का उपयोग करते हैं कि वह विशिष्ट टाइल कैसी दिखती है। वे अभी तक पूरा नंबर नहीं जानते हैं; वे बस इतना जानते हैं, "यह टाइल 7 के ऊपरी घुमाव जैसी है।"
स्तर 2: पड़ोस की गुटबंदी (The Neighborhood Huddle)
यहीं पर जादू होता है। अपनी पूरी नोटबुक भेजने के बजाय, प्रत्येक जासूस अपने पड़ोसियों को एक छोटा, एकल "हाँ या ना" संकेत भेजता है: "मुझे लगता है कि यह टाइल 7 का हिस्सा है।" पड़ोसी फिर इन फुसफुसाहटों को इकट्ठा करते हैं। वे केवल वोटों की गिनती नहीं करते; उनके पास एक दूसरा, अधिक स्मार्ट जासूस होता है (पड़ोस एकत्रीकरण स्तर - Neighborhood Aggregation Layer) जो इन फुसफुसाहटों को जोड़ने का तरीका सीखता है। यह एक मोहल्ला निगरानी कप्तान की तरह है जो स्थानीय गपशप को सुनता है और समझ जाता है, "ठीक है, यदि बाईं ओर वाला घर कहता है 'घुमाव' और दाईं ओर वाला 'रेखा' कहता है, तो पूरी सड़क शायद एक '7' है।"
शोधकर्ता इसे आम सहमति-आधारित अनुमान (consensus-based inference) कहते हैं। लक्ष्य यह है कि पूरा ग्रिड उत्तर पर सहमत हो जाए, बिना किसी के अपने कच्चे डेटा या अपने पूर्ण आंतरिक तर्क को प्रकट किए।
उन्होंने क्या पाया
टीम ने इस विचार का परीक्षण कई अलग-अलग तरीकों से किया, जैसे कि डिजिटल सैंडबॉक्स में सिमुलेशन चलाना।
- हाथ से लिखे गए नंबर (MNIST): उन्होंने हाथ से लिखे गए अंकों के प्रसिद्ध डेटासेट को लिया और उसे टुकड़ों में काट दिया। जब उन्होंने पहेली को हल करने के लिए 49 जासूसों (एजेंटों) का उपयोग किया, तो दो-स्तरीय टीम लगभग 94.4% बार सही थी। यह लगभग उतना ही अच्छा है जितना कि एक अकेला, विशाल जासूस जिसने एक बार में पूरी तस्वीर देखी थी (जिसने 96.73% प्राप्त किया)। कम जासूसों (16 एजेंटों) के साथ भी, टीम ने बहुत अच्छा प्रदर्शन किया, 94.65% तक पहुँचा।
- फैशन शो (Fashion-MNIST): उन्होंने कपड़ों की तस्वीरों के साथ यही चीज़ आजमाई। टीम ने शर्ट, बूट और पुलओवर को 83.99% सटीकता तक पहचाना। यह फिर से एक केंद्रीकृत मॉडल के प्रदर्शन के बहुत करीब था।
- सेंसर नेटवर्क: उन्होंने 25 सेंसरों का एक नेटवर्क सिम्युलेट किया जो थोड़े अलग थे—कुछ अधिक तेज़ थे, कुछ में अलग ऑफसेट थे, और कुछ बस शोर वाले थे। इस अस्त-व्यस्त, वास्तविक दुनिया के परिदृश्य में, एक अकेला सेंसर उत्तर का अनुमान लगाने में बहुत खराब था (केवल 43% से 57.5% सटीक)। लेकिन जब 25 सेंसरों ने इस नए तरीके का उपयोग करके मिलकर काम किया, तो उन्होंने 93% सटीकता हासिल की। यह उस विशाल, केंद्रीकृत कंप्यूटर के प्रदर्शन के बराबर था जिसने एक साथ सारा डेटा देखा था।
"गपशप" प्रोटोकॉल (The "Gossip" Protocol)
उनके डिज़ाइन का सबसे शानदार हिस्सा यह है कि वे कैसे बात करते हैं। वे गॉसिप प्रोटोकॉल नामक चीज़ का उपयोग करते हैं। कल्पना करें कि आपने एक रहस्य सीखा और अपने तीन सबसे अच्छे दोस्तों को बताया। फिर, उन दोस्तों ने अपने दोस्तों को बताया, और इसी तरह। सूचना बिना किसी केंद्रीय फोन ट्री की आवश्यकता के पूरे मोहल्ले में तेज़ी से फैलती है। उनके सिस्टम में, एजेंट केवल अपने निकटतम पड़ोसियों से बात करते हैं, और केवल छोटे "वोट" बिट्स पास करते हैं। यह ऊर्जा लागत को बहुत कम रखता है और यह सुनिश्चित करता है कि उनका कोई भी निजी डेटा उनके घर से बाहर न जाए।
निचोड़ (The Bottom Line)
यह शोध पत्र सुझाव देता है कि यह पदानुक्रमित, विकेंद्रीकृत दृष्टिकोण (hierarchical, decentralized approach) आश्चर्यजनक रूप से अच्छा काम करता है। यह दिखाता है कि एज डिवाइस पर स्मार्ट AI को प्रशिक्षित करने के लिए आपको एक विशाल क्लाउड सर्वर की आवश्यकता नहीं है। छोटे, स्थानीय त्सेट्लิน मशीनों को अपने पड़ोसियों से फुसफुसाने और सामूहिक "गपशप" से सीखने देकर, वे उच्च सटीकता के साथ जटिल समस्याओं को हल कर सकते हैं।
हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि उनके प्रयोगों में, उन्होंने यह माना कि पड़ोसियों के बीच "फुसफुसाहट" पूर्ण थी—कोई खोया हुआ संदेश नहीं, कोई देरी नहीं। वास्तविक दुनिया में, कनेक्शन अस्थिर हो सकते हैं। वे सुझाव देते हैं कि हालांकि परिणाम आशाजनक हैं और सटीकता केंद्रीकृत मॉडल के बराबर है, अगला कदम यह देखना है कि जब नेटवर्क अव्यवस्थित हो जाता है तो यह कैसा व्यवहार करता है। लेकिन फिलहाल, यह हमारे स्मार्ट गैजेट्स को मिलकर सीखने देने का एक बहुत ही आशाजनक तरीका लगता है, जिससे हमारा डेटा निजी और हमारी बैटरी फुल रहती 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।