Expanding Data-Agnostic Pivotal Instances Selection Models with Proximity Trees and Ensemble Learning
यह शोध पत्र एक डेटा-अज्ञेय (data-agnostic), डिज़ाइन-दर-व्याख्यात्मक (interpretable-by-design) भविष्य कहनेवाला मॉडल प्रस्तावित करता है जो उच्च व्याख्यात्मकता बनाए रखते हुए विविध डेटा मोडैलिटीज में प्रतिस्पर्धी प्रदर्शन प्राप्त करने के लिए प्रॉक्सिमिटी ट्रीज़ और प्री-ट्रेंड नेटवर्क्स का उपयोग करके पिवट इंस्टेंस (युग्मों और एंसेम्बल्स सहित) को पदानुक्रमित रूप से चुनता 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 रोबोट को बिल्ली पहचानना सिखाने की कोशिश कर रहे हैं। आप एक विशाल नियम पुस्तिका लिखने की कोशिश कर सकते हैं: "यदि इसके कान नुकीले हैं, एक पूंछ है, और मूंछें हैं, तो यह एक बिल्ली है।" लेकिन क्या होगा यदि रोबोट एक बिना बालों वाली बिल्ली देखता है, या एक अजीब स्थिति में सोती हुई बिल्ली देखता है? नियम टूट जाते हैं। यह कई आधुनिक "ब्लैक बॉक्स" एआई सिस्टम की समस्या है: वे अनुमान लगाने में अविश्वसनीय रूप से स्मार्ट हैं, लेकिन वे यह नहीं समझा सकते कि उन्होंने एक अनुमान क्यों लगाया। वे बस इस तरह से नंबरों की गणना करते हैं जिसे इंसान नहीं समझ सकते।
दूसरी ओर, इंसान उदाहरणों से सीखते हैं। हम हर जानवर के लिए नियम पुस्तिका याद नहीं करते; हम विशिष्ट घटनाओं को याद रखते हैं। "वह लंबी पूंछ वाली रोएंदार चीज़ एक बिल्ली है," या "वह बड़ी, धारीदार जानवर एक बाघ है।" हम नई चीजों की तुलना इन मानसिक स्नैपशॉट्स से करते हैं। इसे "केस-बेस्ड रीजनिंग" (case-based reasoning) कहा जाता है। एआई की दुनिया में बड़ा सवाल यह है: क्या हम एक ऐसी मशीन बना सकते हैं जो हमारी तरह सोचती है? क्या हम एक ऐसा मॉडल बना सकते हैं जो केवल उत्तर नहीं देता, बल्कि कुछ विशिष्ट उदाहरणों की ओर इशारा करता है और कहता है, "मुझे लगता है कि यह एक बिल्ली है क्योंकि यह बिल्कुल इस तस्वीर जैसा दिखता है जिसे मैंने पहले देखा है"? यदि हम ऐसा कर सकते हैं, तो हमें ऐसा एआई मिलता है जो न केवल स्मार्ट है बल्कि पारदर्शी और भरोसेमंद भी है, जो हमें उसके तर्क को देखने के लिए उसके अंदर झांकने की अनुमति देता है।
यही वह काम है जिसे "पिवट ट्री" (PivotTree) पेपर के पीछे के शोधकर्ताओं ने करने का प्रयास किया। उन्होंने एक प्रकार का नया एआई मॉडल बनाया जो एक निर्णय वृक्ष (decision tree) की तरह कार्य करता है, लेकिन "यदि पिक्सेल लाल है" जैसे अमूर्त नियमों के आधार पर डेटा को विभाजित करने के बजाय, यह वास्तविक उदाहरणों के साथ समानता के आधार पर डेटा को विभाजित करता है। इसे "20 सवाल" के खेल के रूप में समझें जहाँ प्रश्न विशेषताओं के बारे में नहीं, बल्कि तुलनाओं के बारे में होते हैं। "क्या यह नई तस्वीर इस विशिष्ट कुत्ते से अधिक मिलती है, या उस विशिष्ट बिल्ली से?"
एलेसियो कैसियोन और सहयोगियों के नेतृत्व वाली टीम ने पिवट ट्री नामक एक विधि पेश की। एक ऐसे पेड़ की कल्पना करें जहाँ प्रत्येक शाखा बिंदु एक नियम नहीं, बल्कि प्रशिक्षण डेटा से चुना गया एक "पिवट" (pivot)—एक सावधानीपूर्वक चुना गया उदाहरण है। जब कोई नया डेटा (जैसे कोई फोटो या वाक्य) आता है, तो मॉडल पूछता है: "यह किस पिवट जैसा दिखता है?" यह डेटा को पेड़ के नीचे भेजता है, हर कदम पर विभिन्न उदाहरणों के साथ तुलना करता है, जब तक कि वह अंतिम उत्तर तक नहीं पहुँच जाता। दिलचस्प बात यह है कि मॉडल केवल एक उदाहरण नहीं चुनता; यह एक जोड़ी चुन सकता है और पूछ सकता है, "क्या यह पिवट A के करीब है या पिवट B के?" यह तुलनाओं का एक पदानुक्रम बनाता है जिसे एक इंसान आसानी से समझ सकता है।
शोधकर्ताओं ने केवल एक प्रकार की तुलना तक ही सीमित नहीं रहे। उन्होंने पिवट ट्री के विभिन्न "फ्लेवर्स" बनाए। कुछ एक अकेले पिवट का उपयोग करके एक रेखा खींचते हैं (जैसे "यदि यह उस थ्रेशोल्ड से अधिक इस जैसा दिखता है, तो बाईं ओर जाएँ")। अन्य दो पिवटों का उपयोग करके "करीब होने" का निर्णय लेते हैं (जैसे "क्या यह कुत्ते के अधिक करीब है या बिल्ली के?")। उन्होंने इन पेड़ों को एक "फॉरेस्ट" (Random Pivot Forest) में भी संयोजित किया ताकि भविष्यवाणियां और भी मजबूत हो सकें, ठीक वैसे ही जैसे विशेषज्ञों की भीड़ एक निर्णय पर वोट करती है।
यह परीक्षण करने के लिए कि क्या उनका विचार वास्तव में काम करता है, उन्होंने केवल साधारण स्प्रेडशीट का उपयोग नहीं किया। उन्होंने अपने मॉडल को एक बड़ी चुनौती दी: 45 अलग-अलग डेटासेट। इनमें संख्याओं की मानक तालिकाएं शामिल थीं, लेकिन इसमें जटिल चीजें भी शामिल थीं जैसे चित्र (बिल्लियों, कुत्तों और कारों के फोटो), टेक्स्ट (समीक्षाएं और लेख), और टाइम-सीरीज़ डेटा (जैसे दिल की धड़कन या हाथ की हरकतें)। उन्होंने अपने पिवट ट्री की तुलना अन्य प्रसिद्ध एआई मॉडलों के साथ की, जिनमें "ब्लैक बॉक्स" वाले दिग्गज और अन्य व्याख्या योग्य तरीके भी शामिल थे।
परिणाम उत्साहजनक थे। पिवट ट्री मॉडल सबसे शक्तिशाली, जटिल एआई मॉडलों के समान ही सटीक होने में सक्षम रहे, लेकिन एक बड़े लाभ के साथ: उन्हें समझना बहुत आसान था। कई मामलों में, विशेष रूप से छवियों और टेक्स्ट के साथ, पिवट ट्री मॉडल शीर्ष प्रतिस्पर्धियों (जैसे बूस्टिंग मॉडल) के बराबर या उनसे थोड़ा पीछे प्रदर्शन करते हैं, लेकिन वे अक्सर बहुत कम उदाहरणों (पिवोट्स) का उपयोग करके मानक रैंडम फॉरेस्ट के प्रदर्शन से मेल खाते हैं। उदाहरण के लिए, ओरल लीजन (मुंह के घावों के मेडिकल इमेज) के डेटासेट पर, मॉडल केवल कुछ प्रतिनिधि उदाहरणों के साथ तुलना करके समस्याओं का निदान कर सकता था, और यह समझाकर अपना तर्क दे सकता था कि वह किन उदाहरणों के विरुद्ध तुलना कर रहा था।
पेपर सुझाव देता है कि यह दृष्टिकोण एक "डेटा-एग्नोस्टिक" (data-agnostic) सुपरपावर है, जिसका अर्थ है कि यह लगभग किसी भी प्रकार के डेटा पर काम करता है जब तक कि आप माप सकें कि दो चीजें कितनी समान हैं। हालांकि इन मॉडलों को सरल नियम-आधारित प्रणालियों की तुलना में प्रशिक्षित करने में थोड़ा अधिक समय लग सकता है, लेकिन वे एक बेहतरीन संतुलन प्रदान करते हैं: उच्च प्रदर्शन बिना किसी रहस्य के। लेखक निष्कर्ष निकालते हैं कि एआई को अमूर्त नियमों के बजाय उदाहरणों के माध्यम से तर्क करने की अनुमति देकर, हम ऐसे सिस्टम बना सकते हैं जो न केवल शक्तिशाली हैं बल्कि इतने अनुकूल भी हैं कि इंसान उन पर भरोसा कर सकें। यह एक ऐसे एआई की ओर एक कदम है जो केवल उत्तर नहीं जानता, बल्कि आपको सबूत भी दिखा सकता 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।