Exploration of the generative capabilities of Boltzmann machines applied to social systems under the majority rule
यह शोध पत्र प्रदर्शित करता है कि गैर-बाइनरी दृश्य इकाइयों (non-binary visible units) वाले डीप बिलीफ नेटवर्क, क्रिटिकल स्थितियों के तहत बहुमत नियम (majority rule) द्वारा शासित सामाजिक प्रणालियों से नमूनों को सफलतापूर्वक उत्पन्न और पुनर्प्राप्त कर सकते हैं, जो इनपुट शोर की उपस्थिति में भी क्रिटिकैलिटी बनाए रखते हैं और क्रमिक भौतिक क्षरण प्रदर्शित करते हैं।
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 आपका मूड, किसी नई फिल्म पर आपकी राय, या यहाँ तक कि स्टॉक खरीदने का आपका निर्णय केवल एक अकेला विचार नहीं है, बल्कि आपके आस-पास के सभी लोगों द्वारा उत्पन्न एक लहर जैसा प्रभाव है। यह सांख्यिकीय भौतिकी (statistical physics) और सामाजिक विज्ञान (social science) का खेल का मैदान है, दो ऐसे क्षेत्र जिन्होंने एक आश्चर्यजनक रहस्य खोजा है: लोगों के समूह अक्सर विशाल चुंबकों की तरह व्यवहार करते हैं। जिस तरह छोटे चुंबकीय स्पिन अचानक एक मजबूत चुंबकीय क्षेत्र बनाने के लिए एक साथ संरेखित हो सकते हैं, उसी तरह लोगों के समूह अचानक एकमत (consensus) हो सकते हैं या अचानक असहमत (polarization) हो सकते हैं। इस स्विच के पलटने के क्षण को फेज ट्रांजिशन (phase transition) कहा जाता है। यह शांत व्यवस्था और अराजक शोर के बीच का सटीक टिपिंग पॉइंट (tipping point) है। वैज्ञानिक इन "टिपिंग पॉइंट्स" को खोजने के लिए जुनूनी हैं क्योंकि यहीं पर सबसे नाटकीय बदलाव होते हैं—जैसे कि बाजार की गिरावट या कोई अचानक सामाजिक आंदोलन। इन अदृश्य बदलावों का अध्ययन करने के लिए, शोधकर्ता बोल्ट्ज़मैन मशीनों (Boltzmann machines) का उपयोग करते हैं, जो एक प्रकार का कंप्यूटर मस्तिष्क है जो पैटर्न का अनुमान लगाकर और फिर अपने ही अनुमानों की जाँच करके सीखता है, ठीक वैसे ही जैसे एक छात्र उत्तरों को याद करने तक बार-बार अभ्यास परीक्षण देता है।
अब, दोस्तों के एक समूह की कल्पना करें जो एक वर्गाकार ग्रिड (square grid) पर हैं, जहाँ हर किसी के पास तीन संभावित मूड हैं: खुश, तटस्थ, या चिड़चिड़ा। वे अपने चार निकटतम पड़ोसियों को देखते हैं और बहुमत वाले मूड से मेल खाने की कोशिश करते हैं, लेकिन कभी-कभी वे विचलित या जिद्दी हो जाते हैं (यह "शोर" या noise है)। शोधकर्ताओं ने इस पेपर में एक पेचीदा सवाल पूछा: यदि हम इस समूह का एक स्नैपशॉट तब लें जब वे उस अराजक टिपिंग पॉइंट पर हों, और फिर हम उनके कुछ मूड को मिटा दें (यह मानकर कि हमें नहीं पता कि वे क्या सोच रहे हैं), तो क्या एक कंप्यूटर मस्तिष्क लापता हिस्सों को समझकर पूरे दृश्य को फिर से बना सकता है? वे केवल यह नहीं चाहते थे कि कंप्यूटर अनुमान लगाए; वे यह जानना चाहते थे कि क्या कंप्यूटर इस समूह का एक नया संस्करण "सपना" देख सकता है जो अभी भी अराजकता के उस किनारे पर महसूस हो, भले ही जानकारी अधूरी हो।
टीम ने एक विशेष प्रकार का कंप्यूटर मस्तिष्क बनाया जिसे डीप बिलीफ नेटवर्क (Deep Belief Network - DBN) कहा जाता है। इसे एक बहु-स्तरीय जासूस के रूप में सोचें। पहला स्तर एक "गौसियन-बर्नौली (Gaussian-Bernoulli)" जासूस है, जो फैंसी तरीके से यह बताता है कि यह उन विचारों को भी संभाल सकता है जो केवल "हाँ" या "ना" नहीं हैं, बल्कि "शायद" या "थोड़ा सा" भी हो सकते हैं (तीन अवस्थाएँ)। उन्होंने इस जासूस को अलग-अलग मूड में दोस्तों के समूह के हजारों स्नैपशॉट पर प्रशिक्षित किया। प्रशिक्षित होने के बाद, उन्होंने दोस्तों के विचारों के एक हिस्से (50% तक!) को छिपाकर इसका परीक्षण किया और जासूस से खाली जगहों को भरने के लिए कहा। परिणाम आश्चर्यजनक रूप से आशाजनक थे। कंप्यूटर मस्तिष्क सफलतापूर्वक लापता विचारों को "सपना" देख सका, जिससे एक नया समूह बना जो मूल समूह की तरह ही दिखता और व्यवहार करता था।
हालाँकि, कहानी यह नहीं है कि केवल "कंप्यूटर जीत गया।" शोधकर्ताओं ने पाया कि जासूस का आकार मायने रखता है। जब उन्होंने एक ऐसा जासूस बनाया जिसने अपना दृश्य विस्तृत किया (छिपे हुए स्तर मूल समूह से बड़े बनाए), तो वह दोस्तों के मूड के सटीक विवरणों की नकल करने में बेहतर था। लेकिन, जब उन्होंने एक ऐसा जासूस बनाया जिसने जानकारी को संकुचित किया (छिपे हुए स्तरों को छोटा बनाया), तो वह उस विशेष "क्रिटिकल" अवस्था को बनाए रखने में आश्चर्यजनक रूप से अच्छा था, भले ही विवरण एकदम सही न हों। यह एक स्केच कलाकार की तरह है जो या तो हर एक तिल (freckle) को विस्तार से बनाता है (विस्तारवादी/expansive) या चेहरे के समग्र भाव (vibe) को पकड़ता है (संकुचित/compressive)। पेपर सुझाव देता है कि एक क्रिटिकल सामाजिक क्षण की भावना को फिर से बनाने के लिए, संकुचित कलाकार वास्तव में बेहतर विकल्प हो सकता है, भले ही ड्राइंग पिक्सेल-परफेक्ट न हो।
यह सुनिश्चित करने के लिए कि कंप्यूटर केवल मतिभ्रम (hallucinating) नहीं कर रहा है, टीम ने एक "थर्मामीटर" (एक अलग कंप्यूटर प्रोग्राम) बनाया जो समूह के तापमान को मापता है। यह थर्मामीटर यह जाँचता है कि समूह बहुत अधिक अराजक (subcritical) है, बहुत अधिक शांत (supercritical) है, या बिल्कुल सही टिपिंग पॉइंट (critical) पर है। थर्मामीटर चरम स्थितियों को पहचानने में बहुत अच्छा था, लेकिन टिपिंग पॉइंट के ठीक पास यह भ्रमित हो जाता था, जो स्वाभाविक है क्योंकि यह सिस्टम का सबसे अव्यवस्थित हिस्सा होता है। जब उन्होंने "सपनों वाले" समूहों का परीक्षण किया, तो उन्होंने पाया कि भले ही आधे विचार गायब थे, कंप्यूटर फिर भी ऐसे समूह बना सका जिन्हें थर्मामीटर ने क्रिटिकल टिपिंग पॉइंट के करीब पहचाना।
पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि केवल कंप्यूटर की अनुमान प्रक्रिया को लंबे समय तक चलाने (अधिक "गिब्स सैंपलिंग" चरण) से यह बेहतर हो जाता है। वास्तव में, अधिक चरणों ने मदद नहीं की और इससे कंप्यूटर प्रशिक्षण डेटा को बहुत कठोरता से याद कर सकता था। उन्होंने यह भी पाया कि जिस तरह से कंप्यूटर अपने "नीचे-से-ऊपर" (bottom-up) संकेतों (जो वह देखता है) को अपने "ऊपर-से-नीचे" (top-down) अनुमानों (जो उसने सीखा है) के साथ मिलाता है, वह परिणाम को बदल देता है। यदि कंप्यूटर गायब डेटा पर बहुत अधिक भरोसा करता है, तो वह भ्रमित हो जाता है; यदि वह अपने सीखे हुए पैटर्न पर बहुत अधिक भरोसा करता है, तो वह सूक्ष्म विवरण खो देता है। "स्वीट स्पॉट" इस बात पर निर्भर करता है कि कितनी जानकारी गायब है।
अंततः, यह शोध बताता है कि जबकि हम लापता डेटा के साथ एक सामाजिक प्रणाली का पूरी तरह से पुनर्निर्माण नहीं कर सकते, हम "क्रिटिकल" जादू को जीवित रखने के लिए पर्याप्त करीब पहुँच सकते हैं। कंप्यूटर को समूह की ऊर्जा को समझने के लिए हर एक व्यक्ति की राय जानने की आवश्यकता नहीं है। यह इन मॉडलों को "क्या-अगर" (what-if) मशीनों के रूप में उपयोग करने का द्वार खोलता है। कल्पना कीजिए कि यदि हम सोशल मीडिया प्लेटफॉर्म के आंशिक डेटा को ऐसे सिस्टम में डाल सकें और वह सार्वजनिक राय की पूरी तस्वीर का "सपना" देख सके, जिससे हमें विस्फोट होने से पहले ध्रुवीकरण संकट को पहचानने में मदद मिले। पेपर यह दावा नहीं करता है कि हमने अभी तक वास्तविक दुनिया के लिए इसे हल कर लिया है—यह अभी भी 784 एजेंटों के ग्रिड पर एक सिमुलेशन है—लेकिन यह सिद्ध करता है कि अवधारणा काम करती है। यह दिखाता है कि डीप लर्निंग मॉडल बिखरे हुए, शोर भरे और अधूरे डेटा के बावजूद सामाजिक राय के छिपे हुए भौतिकी (physics) को सीख 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।