Debiased Machine Learning: Identification, Estimation, and Shape Constraints
यह शोधपत्र ऑटोमैटिक डिबायस्ड मशीन लर्निंग में रीज़ रिप्रेजेंटर (Riesz representer) की पहचान करने और उसका अनुमान लगाने के लिए एक सामान्य ढांचा स्थापित करता है, जो एंडोजेनिटी (endogeneity) के साथ डीप न्यूरल नेटवर्क जैसे लचीले मॉडलों के उपयोग को सक्षम बनाता है और साथ ही परिशुद्धता में सुधार करने तथा डाइमेंशनलिटी के अभिशाप (curse of dimensionality) को कम करने के लिए शेप कंस्ट्रेंट्स (shape constraints) को शामिल 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 ऐसे शहर में रहस्य सुलझाने की कोशिश कर रहे हैं जो इतनी तेज़ी से बढ़ रहा है कि हर एक इमारत, सड़क और व्यक्ति का हिसाब रखना असंभव है। डेटा साइंस की दुनिया में, यह "शहर" सूचना की वह विशाल मात्रा है जिसे हम आज एकत्र करते हैं, जिसे अक्सर "बिग डेटा" कहा जाता है। जासूस का काम इस अराजकता के भीतर छिपे एक विशिष्ट सत्य को खोजना है, जैसे कि यह पता लगाना कि एक नई नीति लोगों के जीवन को वास्तव में कितना बदलती है। इसे करने के लिए, उन्हें आमतौर पर पहले शहर का एक नक्शा बनाना पड़ता है (एक "न्युसेंस" पैरामीटर का अनुमान लगाना) इससे पहले कि वे छिपे हुए सत्य को खोज सकें। लेकिन यहाँ एक पेंच है: मानचित्र बनाने के लिए आधुनिक उपकरण, जैसे कि शक्तिशाली मशीन लर्निंग एल्गोरिदम, शहर के विवरणों को याद करने में इतने अच्छे हैं कि वे कभी-कभी भ्रमित हो जाते हैं और उन पैटर्न को देखने लगते हैं जो वास्तव में मौजूद ही नहीं हैं। यह एक ऐसे छात्र की तरह है जो अभ्यास परीक्षण के लिए हर उत्तर कुंजी को रट लेता है लेकिन वास्तविक परीक्षा में विफल हो जाता है क्योंकि उसने अवधारणाओं को नहीं समझा था। यह शोध पत्र ठीक इसी समस्या को संबोधित करता है: इन अति-बुद्धिमान, कभी-कभी अति-आत्मविश्वासी मशीन लर्निंग उपकरणों का उपयोग करके सत्य को खोजने का तरीका, बिना उनके अपने ही दोषों से धोखा खाए।
यह शोध पत्र, जिसका शीर्षक "डिबायस्ड मशीन लर्निंग: आइडेंटिफिकेशन, एस्टिमेशन, एंड शेप कंस्ट्रेंट्स" है, इन गलतियों को सुधारने के लिए एक मार्गदर्शिका है। लेखक, क्विही चेन, का यान चेंग और झेंग फांग, मशीन लर्निंग का उपयोग करने का एक चतुर नया तरीका प्रस्तावित करते हैं जो इन उपकरणों द्वारा की जाने वाली त्रुटियों के लिए "करेक्शन फ्लूइड" (सुधार तरल) की तरह कार्य करता है। वे दिखाते हैं कि भले ही डेटा अव्यवस्थित, उच्च-आयामी (high-dimensional) और जटिल स्थितियों से जुड़ा हो जहाँ कारण और प्रभाव आपस में उलझे हुए हों (जैसे कि जब किसी व्यक्ति के चुनाव उस डेटा को प्रभावित करते हैं जो वे उत्पन्न करते हैं), फिर भी हम सही उत्तर पा सकते हैं। जो "सीक्रेट सॉस" वे पेश करते हैं वह है "शेप कंस्ट्रेंट्स" (आकार संबंधी प्रतिबंध)। इसे एक जासूस को सामान्य ज्ञान या आर्थिक सिद्धांत पर आधारित एक नियम पुस्तिका देने के रूप में समझें—जैसे कि यह जानना कि यदि आप अमीर होते हैं, तो आप अचानक गरीब नहीं होंगे, या एक वक्र (curve) जो लागत फंक्शन का प्रतिनिधित्व करता है उसे एक विशिष्ट तरीके से मुड़ना चाहिए। मशीन लर्निंग मॉडल को इन तार्किक नियमों का पालन करने के लिए मजबूर करके, लेखक दिखाते हैं कि हम बहुत अधिक सटीक परिणाम प्राप्त कर सकते हैं, भले ही डेटा अत्यधिक हो।
समस्या: अति-आत्मविश्वासी मानचित्रकार
कल्पना कीजिए कि आप एक नई दवा के प्रभाव को मापने की कोशिश कर रहे हैं। आपके पास रोगियों का एक विशाल डेटासेट है, लेकिन आपको उनके आहार, नींद और आनुवंशिकी जैसे हजारों अन्य कारकों को भी ध्यान में रखना होगा। मशीन लर्निंग इन सभी कारकों को संभालने में माहिर है, लेकिन इसकी एक बुरी आदत है: यह "ओवरफिट" होने की प्रवृत्ति रखती है। इसका मतलब है कि यह आपके अध्ययन के विशिष्ट रोगियों का वर्णन करने में बहुत अच्छी हो जाती है और रैंडम शोर (noise) को एक वास्तविक पैटर्न के रूप में मानने लगती है। जब आप दवा के प्रभाव को मापने के लिए इस अति-आत्मविश्वासी मानचित्र का उपयोग करते हैं, तो आपका परिणाम पक्षपाती होता है—यह गलत होता है, और आप जितना अधिक डेटा इसमें डालेंगे, यह उतना ही अधिक आत्मविश्वास के साथ गलत होता जाएगा।
लेखक इसे "कर्स ऑफ डाइमेंशनैलिटी" (आयामीता का अभिशाप) कहते हैं। यह घास के ढेर में सुई खोजने की कोशिश करने जैसा है जो लगातार बड़ा होता जा रहा है। मानक तरीके यहाँ अक्सर विफल हो जाते हैं। यह शोध पत्र "डिबायस्ड मशीन लर्निंग" (DML) नामक एक तकनीक पर आधारित है, जो डेटा को विभाजित करके और एक हिस्से का उपयोग मानचित्र बनाने के लिए तथा दूसरे का प्रभाव मापने के लिए करके इसे ठीक करने की कोशिश करता है। हालाँकि, पहेली में एक हिस्सा गायब है: एक गणितीय वस्तु जिसे "रीज़ रिप्रेजेंटर" (Riesz representer) कहा जाता है (आइए इसे "मैजिक की" या जादुई कुंजी कहें)। इस कुंजी की आवश्यकता मशीन लर्निंग मानचित्र द्वारा की गई त्रुटियों को पूरी तरह से रद्द करने के लिए होती है। समस्या यह है कि यह कुंजी अक्सर इतनी जटिल होती है कि कोई नहीं जानता कि इसका आकार क्या है या इसे कैसे लिखा जाए।
सफलता: देखे बिना जादुई कुंजी को खोजना
इस शोध पत्र का पहला प्रमुख योगदान यह पता लगाना है कि यह "जादुई कुंजी" वास्तव में कब और कैसे अस्तित्व में आती है, भले ही हमें इसके आकार का पता न हो। लेखक सिद्ध करते हैं कि यह कुंजी अद्वितीय है और इसे तब पाया जा सकता है जब यह एक विशिष्ट प्रकार की अनुकूलन समस्या (optimization problem) को हल करती है। इसे धुंधले पहाड़ी क्षेत्र में सबसे ऊँची चोटी खोजने जैसा समझें। आप पूरे पहाड़ को नहीं देख सकते, लेकिन यदि आप इलाके के नियमों (क्वाड्रेटिक फंक्शनल) को जानते हैं, तो आप आश्वस्त हो सकते हैं कि केवल एक ही उच्चतम बिंदु है। लेखक दिखाते हैं कि जादुई कुंजी ठीक वही उच्चतम बिंदु है। यह एक बड़ी बात है क्योंकि इसका अर्थ है कि हमें पहले से कुंजी के सूत्र को जानने की आवश्यकता नहीं है; हमें बस खेल के नियम जानने हैं, और एक कंप्यूटर हमारे लिए कुंजी खोज सकता है।
वे इसे "एंडोजेनिटी" (endogeneity) को संभालने के लिए भी विस्तारित करते हैं, जो एक फैंसी तरीका है यह कहने का कि "चीजें आपस में मिली हुई हैं।" उदाहरण के लिए, यदि आप जानना चाहते हैं कि शिक्षा उच्च वेतन का कारण बनती है या नहीं, लेकिन बुद्धिमान लोग अधिक शिक्षा प्राप्त करने की भी अधिक संभावना रखते हैं, तो डेटा उलझा हुआ है। यह शोध पत्र दिखाता है कि कैसे मशीन लर्निंग उपकरणों के शामिल होने के बावजूद इस उलझन को सुलझाया जा सकता है, बशर्ते हमारे पास सही "जादुic कुंजी" हो।
गुप्त हथियार: शेप कंस्ट्रेंट्स (आकार संबंधी प्रतिबंध)
शोध पत्र का दूसरा, और शायद सबसे रोमांचक हिस्सा यह है कि वे परिणामों को और भी बेहतर बनाने के लिए "शेप कंस्ट्रेंट्स" का उपयोग कैसे करते हैं। मशीन लर्निंग शक्तिशाली है, लेकिन यह एक जंगली घोड़े की तरह हो सकती है जो किसी भी दिशा में दौड़ सकता है। लेखक इस घोड़े के चारों ओर एक "बाड़ा" लगाने का सुझाव देते हैं। ये बाड़े आर्थिक सिद्धांत या सामान्य ज्ञान पर आधारित नियम हैं। उदाहरण के लिए, हम जानते हैं कि जैसे-जैसे किसी व्यक्ति की आय बढ़ती है, बुनियादी जरूरतों पर उसका खर्च आमतौर पर बढ़ता है, घटता नहीं (मोनोटोनिसिटी/एकदिशता)। या, हम जानते हैं कि अधिक वस्तुओं के उत्पादन की लागत आमतौर पर ऊपर की ओर मुड़ती है (कॉन्वेक्सिटी/उत्तलता)।
मशीन लर्निंग मॉडल को इन बाड़ों के भीतर रहने के लिए मजबूर करके, लेखक बताते हैं कि मॉडल को अनुमान लगाने के लिए बहुत अधिक प्रयास नहीं करना पड़ता। यह एक छात्र को यह बताने जैसा है कि, "आप जानते हैं कि उत्तर सकारात्मक है, इसलिए नकारात्मक संख्याओं की गणना करने की कोशिश भी न करें।" यह "कर्स ऑफ डाइमेंशनैलिटी" को कम करता है क्योंकि मॉडल के पास अन्वेषण करने के लिए गलत रास्ते कम हो जाते हैं। शोध पत्र प्रदर्शित करता है कि ये प्रतिबंध जोड़ने से मॉडल न केवल बेहतर दिखता है; बल्कि यह अंतिम उत्तर को अधिक सटीक बनाता है और विश्वास अंतराल (confidence intervals - वह सीमा जहाँ वास्तविक उत्तर होने की संभावना है) को बहुत अधिक सघन बनाता है।
सिद्धांत का परीक्षण: सिमुलेशन और वास्तविक जीवन
अपने विचारों को सिद्ध करने के लिए, लेखकों ने हजारों कंप्यूटर सिमुलेशन चलाए। उन्होंने काल्पनिक दुनिया बनाई जहाँ वे वास्तविक उत्तर जानते थे और फिर अपने नए तरीके का उपयोग करके उसे खोजने का प्रयास किया। उन्होंने दो परिदृश्यों का परीक्षण किया: एक जहाँ डेटा सीधा था (exogenous) और एक जहाँ डेटा अव्यवस्थित और उलझा हुआ था (endogenous)।
सिमुलेशन में, उन्होंने पाया कि जब उन्होंने आकार संबंधी प्रतिबंध (जैसे मॉडल को मोनोटोनिक या कॉन्वेक्स होने के लिए मजबूर करना) जोड़े, तो अनुमान बहुत अधिक सटीक हो गए। उदाहरण के लिए, एक "नॉनपैरामीट्रिक इंस्ट्रुमेंटल वेरिएबल" मॉडल (एक बहुत ही कठिन प्रकार का उलझा हुआ डेटा) से जुड़े परीक्षण में, अनकन्स्ट्रेंड (अप्रतिबंधित) विधि सही उत्तर खोजने में संघर्ष करती है, जहाँ कवरेज दर (वह दर जिस पर वास्तविक उत्तर अनुमानित सीमा में आता है) गिरकर 10% तक पहुँच जाती है। लेकिन जब उन्होंने आकार संबंधी प्रतिबंध जोड़े, तो कवरेज बढ़कर लगभग 95% हो गया, जो सांख्यिकीय विश्वसनीयता का स्वर्ण मानक है। पूर्वाग्रह (bias/त्रुटि) भी काफी कम हो गया।
उन्होंने केवल सिमुलेशन तक ही सीमित नहीं रहे; उन्होंने अपने तरीके को दो वास्तविक दुनिया की समस्याओं पर लागू किया।
मेडिकेड और मृत्यु दर: उन्होंने देखा कि मेडिकेड (स्वास्थ्य बीमा) के विस्तार ने विभिन्न अमेरिकी राज्यों में मृत्यु दर को कैसे प्रभावित किया। अपने आकार-प्रतिबंधित तरीके का उपयोग करते हुए, उन्होंने पाया कि विस्तार ने संभवतः मृत्यु दर को कम किया, और परिणाम मानक तरीकों की तुलना में अधिक सटीक थे। प्रतिबंधों ने उन्हें डेटा पर अधिक भरोसा करने में मदद की, भले ही अलग-अलग राज्यों द्वारा कार्यक्रम शुरू करने का समय जटिल और अलग-अलग था।
कार्य के घंटे और वेतन: उन्होंने जांच की कि क्या अधिक घंटे काम करने से वेतन में तेजी से वृद्धि होती है। आर्थिक सिद्धांत सुझाव देता है कि यह संबंध "कॉन्वेक्स" (अर्थात अधिक काम करने पर अतिरिक्त घंटों का लाभ बढ़ सकता है) हो सकता है। जब उन्होंने इस उत्तलता (convexity) प्रतिबंध को लागू किया, तो अनकन्स्ट्रेंड पद्धति की तुलना में परिणाम थोड़े बदल गए, जिससे पता चलता है कि संबंध वास्तव में सूक्ष्म है और प्रतिबंधों ने अनुमान को परिष्कृत करने में मदद की।
निष्कर्ष
यह शोध पत्र केवल एक नया उपकरण नहीं देता; यह यह सोचने का एक नया तरीका देता है कि विज्ञान में कृत्रिम बुद्धिमत्ता (AI) का उपयोग कैसे किया जाए। यह तर्क देता है कि जबकि मशीन लर्निंग अविश्वसनीय रूप से शक्तिशाली है, इसे मानवीय तर्क की थोड़ी मदद की आवश्यकता होती है। यह गणितीय रूप से सिद्ध करके कि "जादुई कुंजी" (रीज़ रिप्रेजेंटर) को कैसे खोजा जाए और सीखने की प्रक्रिया के चारों ओर "बाड़े" (शेप कंस्ट्रेंट्स) कैसे बनाए जाएं, लेखक अव्यवस्थित, उच्च-आयामी डेटा से सटीक उत्तर प्राप्त करने के लिए एक मजबूत ढांचा प्रदान करते हैं।
लेखक सावधानी से नोट करते हैं कि हालांकि उनकी विधि सिमुलेशन और इन विशिष्ट वास्तविक दुनिया के उदाहरणों में अच्छी तरह से काम करती है, लेकिन यह एक सुधार का उपकरण है, न कि कोई जादुई छड़ी जो हर समस्या को तुरंत हल कर देती है। वे सुझाव देते हैं कि आकार संबंधी प्रतिबंध "रेगुलराइजेशन" (नियमितीकरण) के एक रूप के रूप में कार्य करते हैं, जिससे मॉडल को तेजी से और अधिक सटीक रूप से सीखने में मदद मिलती है, विशेष रूप से जब डेटा कम या जटिल हो। अंततः, यह कार्य आधुनिक एल्गोरिदम की कच्ची शक्ति और आर्थिक सिद्धांत के संरचित ज्ञान के बीच के अंतर को पाटता है, यह सुनिश्चित करता है कि जब हम निर्णय लेने के लिए बिग डेटा का उपयोग करते हैं, तो हम केवल अनुमान नहीं लगा रहे होते—हम सत्य की खोज कर रहे होते 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।