Globally aligned Principal Component Analysis for multi-group data

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल एक अपराध स्थल नहीं है, बल्कि एक दर्जन अलग-अलग मोहल्ले हैं, जिनमें से प्रत्येक का अपना अनूठा मिजाज, स्थानीय भाषा और रहस्य हैं। आप उस "बड़ी तस्वीर" के सुराग ढूंढना चाहते हैं जो पूरे शहर में क्या हो रहा है उसे समझा सके, लेकिन आप उन सूक्ष्म, विशिष्ट विवरणों को भी नहीं खोना चाहते जो प्रत्येक मोहल्ले को खास बनाते हैं। यह डेटा वैज्ञानिकों का दैनिक संघर्ष है, जो प्रिंसिपल कंपोनेंट एनालिसिस (PCA) नामक उपकरण का उपयोग करते हैं ताकि जटिल जानकारी को सरल बनाया जा सके। PCA को एक विशाल, उलझे हुए 3D ऊन के गोले को एक सपाट, आसानी से पढ़े जाने वाले 2D मानचित्र में सिकोड़ने के तरीके के रूप में समझें। यह डेटा में सबसे महत्वपूर्ण दिशाओं—"मुख्य धागों"—को खोजता है ताकि आप हर एक गांठ में उलझे बिना कहानी को समझ सकें।

आमतौर पर, जब वैज्ञानिकों के पास विभिन्न समूहों (जैसे विभिन्न शहर, स्कूल या समय अवधि) से डेटा होता है, तो उनके पास दो विकल्प होते हैं। या तो वे सभी डेटा को एक साथ मिलाकर एक विशाल "ग्लोबल" (वैश्विक) ढेर बना सकते हैं, जो अक्सर प्रत्येक समूह की अनूठी विशेषताओं को धुंधला कर देता है। या फिर वे प्रत्येक समूह के लिए एक अलग मानचित्र बना सकते हैं, जो स्थानीय विवरणों को पूरी तरह से पकड़ लेता है लेकिन एक समूह की तुलना दूसरे से करना असंभव बना देता है क्योंकि मानचित्र पूरी तरह से अलग भाषाओं में खींचे गए होते हैं। वर्षों से, शोधकर्ता इन दोनों के बीच फंसकर रह गए थे, यह समझने की कोशिश में कि वे कैसे सबसे अच्छे दोनों दुनियाओं को प्राप्त कर सकते हैं: एक ऐसा मानचित्र जो स्थानीय रहस्यों का सम्मान करता है लेकिन एक सामान्य भाषा भी बोलता है।

यह शोध पत्र एक चतुर नई विधि पेश करता है जिसे ग्लोबली अलाइन्ड PCA (Globally Aligned PCA) कहा जाता है, जो इन डेटा मानचित्रों के लिए एक राजनयिक अनुवादक की तरह कार्य करती है। सभी समूहों को एक ही मानचित्र पर सहमत होने के लिए मजबूर करने या उन्हें पूरी तरह से अलग रहने देने के बजाय, यह विधि प्रत्येक समूह के स्थानीय मानचित्र को वैश्विक मानचित्र की दिशा में धीरे से धकेलती है, बिना उनकी अनूठी विशेषताओं को मिटाए। लेखकों ने इस विचार का परीक्षण कंप्यूटर सिमुलेशन और 2021 की कनाडाई जनगणना के वास्तविक डेटा का उपयोग करके किया, जो विभिन्न क्षेत्रों में सामाजिक-आर्थिक विवरणों को ट्रैक करती है। उन्होंने पाया कि एक "ट्यूनिंग नॉब" (एक गणितीय पैरामीटर जिसे वे $\tau$ कहते हैं) का उपयोग करके, वे यह नियंत्रित कर सकते थे कि स्थानीय मानचित्रों को वैश्विक मानचित्र के साथ कितना संरेखित (align) होना चाहिए। उनके परिणाम बताते हैं कि सही मात्रा में धकेलने के साथ, आप लगभग सभी स्थानीय विवरणों को बनाए रख सकते हैं और साथ ही मानचित्रों को एक-दूसरे के साथ तुलना करने योग्य बना सकते हैं। यह हर मोहल्ले को एक दिशा सूचक यंत्र (कंपास) देने जैसा है जो उत्तर की ओर इशारा करता है, ताकि वे अपनी पहचान खोए बिना एक-दूसरे से बात कर सकें।

समस्या: "एक ही आकार सबके लिए" बनाम "हर कोई अपने आप में" का द्वंद्व

कल्पना कीजिए कि आप पाँच अलग-अलग शहरों के मौसम का वर्णन करने की कोशिश कर रहे हैं। यदि आप पाँचों शहरों के मौसम का औसत निकाल देते हैं, तो आप कह सकते हैं, "आमतौर पर तापमान 70 डिग्री और आंशिक रूप से बादल छाए रहते हैं।" यह ग्लोबल PCA दृष्टिकोण है। यह सरल और सुसंगत है, लेकिन यह सभी के लिए एक झूठ है। रेगिस्तान में, तापमान 100 डिग्री है; पहाड़ों में, यह 40 डिग्री है। औसत सच्चाई को छिपा देता है।

दूसरी ओर, यदि आप प्रत्येक शहर के लिए एक अलग मौसम रिपोर्ट लिखते हैं, तो आपको प्रत्येक के लिए सटीक विवरण मिलता है। लेकिन अब, यदि आप रिपोर्टों की तुलना करने का प्रयास करते हैं, तो आप मुसीबत में पड़ जाते हैं। रेगिस्तान की रिपोर्ट कहती है "गर्म", पहाड़ की रिपोर्ट कहती है "ठंडा", और वे अलग-अलग पैमानों का उपयोग करते हैं। आप आसानी से नहीं देख सकते कि एक शहर में तूफान दूसरे शहर के तूफान से संबंधित है या नहीं, क्योंकि रिपोर्ट अलग-अलग "भाषाओं" में लिखी गई हैं। यह ग्रुप-वाइज PCA (Group-wise PCA) दृष्टिकोण है। यह स्थानीय रूप से सटीक है लेकिन वैश्विक रूप से अव्यवस्थित है।

लंबे समय तक, सांख्यिकीविदों को इन दो बुरे विकल्पों में से किसी एक को चुनना पड़ता था। या तो वे समूहों को अनदेखा कर सकते थे और एक धुंधला औसत प्राप्त कर सकते थे, या वे समूहों पर ध्यान केंद्रित कर सकते थे और तुलना करने की क्षमता खो सकते थे। इस शोध पत्र के लेखकों ने पूछा: क्या कोई ऐसा तरीका है जिससे एक ऐसा मानचित्र मिल सके जो स्थानीय रूप से सटीक हो लेकिन वैश्विक रूप से संगत (compatible) भी हो?

समाधान: "कोमल धकेल" (The Gentle Nudge)

लेखक एक नई तकनीक प्रस्तावित करते हैं जिसे ग्लोबली अलाइन्ड PCA कहा जाता है। इसे पाँच अलग-अलग नृत्य समूहों (dance troupes) के साथ काम करने वाले एक नृत्य प्रशिक्षक के रूप में सोचें। प्रत्येक समूह की अपनी अनूठी शैली और चालें (उनका स्थानीय डेटा) होती हैं। प्रशिक्षक के मन में एक "ग्लोबल स्टाइल" भी होता है (ग्लोबल डेटा)।

पुराने तरीके में, प्रशिक्षक या तो हर समूह को ग्लोबल स्टाइल की नकल करने के लिए मजबूर करेगा (ग्लोबल PCA), या बिना किसी समन्वय के उन्हें अपनी मर्जी से नाचने देगा (ग्रुप-वाइज PCA)।

इस नई विधि में, प्रशिक्षक प्रत्येक समूह को एक कोमल धकेल (gentle nudge) देता है। वह कहती है, "अपनी अनूठी शैली बनाए रखें, लेकिन कृपया अपने कंधों को थोड़ा सा घुमाएं ताकि आप ग्लोबल स्टाइल की दिशा में देख सकें।" वह उन्हें अपना नृत्य छोड़ने के लिए मजबूर नहीं करती है; वह बस उनके ओरिएंटेशन (अभिविन्यास) को संरेखित करती है।

गणितीय रूप से, वे इसे गणितीय समीकरणों में एक विशेष "पेनल्टी" जोड़कर करते हैं। कल्पना कीजिए कि डेटा एक भारी गेंद है। समूह का प्राकृतिक आकार गेंद को एक तरफ खींचता है। वैश्विक दिशा उसे दूसरी तरफ खींचती है। नई विधि एक रबर बैंड (एलाइनमेंट पैरामीटर) जोड़ती है जो समूह की गेंद को वैश्विक दिशा की ओर थोड़ा खींचता है। इस रबर बैंड की ताकत को $\tau$ (टाऊ) नामक संख्या द्वारा नियंत्रित किया जाता है।

• यदि $\tau$ शून्य है, तो रबर बैंड ढीला है, और समूह बिल्कुल वैसे ही नाचता है जैसा वह चाहता है (ग्रुप-वाइज PCA)।
• यदि $\tau$ बहुत बड़ा है, तो रबर बैंड कस जाता है, और समूह को वैश्विक दिशा की ओर देखने के लिए मजबूर किया जाता है (ग्लोबल PCA)।
• यदि $\tau$ बिल्कुल सही (मध्यम) है, तो समूह अपनी अनूठी चालें बनाए रखता है लेकिन सही दिशा में होता है।

उन्होंने क्या पाया: सही संतुलन (The Sweet Spot)

लेखकों ने केवल अनुमान नहीं लगाया कि यह काम करेगा; उन्होंने इसका परीक्षण किया। पहले, उन्होंने कंप्यूटर सिमुलेशन चलाए जहाँ उन्होंने ज्ञात पैटर्न के साथ नकली डेटा बनाया। वे जानते थे कि विभिन्न समूह एक-दूसरे से कितने अलग होने चाहिए। उन्होंने पाया कि जब उन्होंने मध्यम स्तर के संरेखण (एक मध्यम $\tau$) का उपयोग किया, तो इस विधि ने कुछ जादुई किया: इसने लगभग सभी स्थानीय विवरणों (विचरण/variance) को बनाए रखा लेकिन समूहों को एक-दूसरे के प्रति और वैश्विक चित्र के प्रति बहुत अधिक समान बना दिया।

अपने सिमुलेशन में, उन्होंने दिखाया कि भले ही समूह एक-दूसरे से बहुत भिन्न थे, थोड़े से संरेखण ने परिणामों को बहुत अधिक स्थिर बना दिया। यह एक ऐसे "स्वीट स्पॉट" को खोजने जैसा था जहाँ आपको वैश्विक स्पष्टता प्राप्त करने के लिए स्थानीय सत्य का त्याग करने की आवश्यकता नहीं थी।

फिर, उन्होंने इसे वास्तविक दुनिया के डेटा पर लागू किया: 2021 की कनाडाई जनगणना। उन्होंने कनाडा के विभिन्न क्षेत्रों (जैसे अटलांटिक कनाडा, ओंटारियो, क्यूबेक आदि) से डेटा देखा।

• समस्या: जब उन्होंने "ग्रुप-वाइज" मानचित्रों को देखा, तो अटलांटिक क्षेत्र देश के बाकी हिस्सों से पूरी तरह अलग दिख रहा था। इसकी मुख्य "दिशा" राष्ट्रीय औसत की तुलना में लगभग बगल की ओर थी।
• समाधान: जब उन्होंने मध्यम सेटिंग के साथ नए "अलाइन्ड PCA" को लागू किया, तो अटलांटिक क्षेत्र का मानचित्र राष्ट्रीय दिशा की ओर घूम गया। इसने अपना स्थानीय स्वाद (यह अभी भी लगभग 77% स्थानीय भिन्नता की व्याख्या करता था, जो बहुत अधिक है) नहीं खोया, लेकिन अब इसे ओंटारियो या क्यूबेक के साथ तुलना करना समझ में आने लगा।

उन्होंने पाया कि जो क्षेत्र पहले से ही राष्ट्रीय औसत के समान थे (जैसे ओंटारियो), इस विधि ने उनमें बहुत कम बदलाव किया। लेकिन "आउटलियर" (विजातीय) क्षेत्रों के लिए (जैसे अटलांटिक कनाडा), यह विधि एक मजबूत सुधारात्मक प्रभाव के रूप में कार्य करती है, जो उनके परिप्रेक्ष्य को घुमा देती है ताकि अंततः देश के बाकी हिस्सों के साथ उनकी निष्पक्ष तुलना की जा सके।

यह क्यों मायने रखता है

इस शोध पत्र की सुंदरता यह है कि यह शोधकर्ताओं को एक कंट्रोल नॉब (नियंत्रण बटन) देता है। पहले, आपको "स्थानीय सत्य" और "वैश्विक तुलना" के बीच किसी एक को चुनना पड़ता था। अब, आप बिल्कुल यह तय कर सकते हैं कि आप कितना समझौता करना चाहते हैं।

लेखकों ने दिखाया कि वैश्विक समझ में बड़ी बढ़त पाने के लिए आपको बहुत कम स्थानीय विवरणों का त्याग करने की आवश्यकता नहीं है। उनके कनाडाई जनगणना के उदाहरण में, वे स्थानीय विवरण का बहुत कम हिस्सा खोते हुए क्षेत्रों के संरेखण को लगभग 20% तक सुधार सकते थे। इसका मतलब है कि जब हम विभिन्न समूहों—चाहे वे स्कूल हों, अस्पताल हों या शहर हों—के डेटा को देखते हैं, तो हम अंततः उन्हें जो चीज़ विशेष बनाती है उसे अनदेखा किए बिना निष्पक्ष रूप से तुलना कर सकते हैं।

यह इस अहसास जैसा है कि हालांकि हर कोई एक अलग बोली बोलता है, लेकिन वे बातचीत करने के लिए कुछ प्रमुख शब्दों पर सहमत हो सकते हैं। यह शोध पत्र उस बातचीत को संभव बनाने के लिए शब्दकोश और व्याकरण के नियम प्रदान करता है, यह सुनिश्चित करता है कि किसी को भी अपनी भाषा बोलने से मजबूर महसूस न हो, लेकिन हर कोई सुनाई जा रही कहानी को समझ सके।