← नवीनतम पेपर
💻 computer science

Selective Credibility-Limited Belief Update

यह शोध पत्र "चयनात्मक विश्वसनीयता-सीमित विश्वास अद्यतन" (selective credibility-limited belief update) को प्रस्तुत करता है, जो एक नवीन ढांचा है जो मानक विश्वास अद्यतन मॉडलों को एपिस्टेमिक इनपुट्स को कमजोर, स्रोत-निर्भर प्रॉक्सी में बदलकर उन्नत करता है ताकि मिश्रित सूचना के केवल विश्वसनीय भागों को चयनात्मक रूप से स्वीकार किया जा सके, जिससे मौजूदा विश्वसनीयता-सीमित और कटात्सुनो-मेंडेलज़ोन दृष्टिकोणों को एकीकृत और कड़ाई से सामान्यीकृत किया जा सके।

मूल लेखक: Theofanis Aravanis, Costas D. Koutras

प्रकाशित 2026-07-31
📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

मूल लेखक: Theofanis Aravanis, Costas D. Koutras

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 अंतरिक्ष यान के कप्तान हैं जो एक ऐसे आकाशगंगा में नेविगेट कर रहे हैं जहाँ भौतिकी के नियम किसी भी क्षण बदल सकते हैं। आर्टिफिशियल इंटेलिजेंस की दुनिया में, यह कार्य "बलीफ अपडेट" (belief update) का है। "बलीफ रिवीज़न" (belief revision) के विपरीत, जो एक स्थिर शहर के गलत मानचित्र को सुधारने जैसा है, बलीफ अपडेट आपके मानसिक मानचित्र को तब समायोजित करने के बारे में है जब वह शहर स्वयं अचानक अपनी सड़कों को पुनर्व्यवस्थित कर देता है। दशकों तक, इस कार्य के लिए मानक नियम पुस्तिका, जिसे काट्सुनो-मेंडेलज़ोन (Katsuno–Mendelzon - KM) फ्रेमवर्क के रूप में जाना जाता है, एक सरल, 'सब-या-कुछ-नहीं' के सिद्धांत पर काम करती थी: यदि कोई नया निर्देश आता है (जैसे "सड़क अब एक नदी है"), तो एआई को इसे पूरी तरह से स्वीकार करना होगा, भले ही इसका अर्थ यह हो कि दुनिया अचानक तर्क को चुनौती देने लगे। लेकिन वास्तविक दुनिया में, चीजें इतनी श्वेत-श्याम नहीं होतीं। कभी-कभी नई जानकारी केवल आंशिक रूप से सच होती है, या केवल कुछ शुरुआती बिंदुओं से ही संभव होती है। यहीं पर "विश्वसनीयता" (credibility) की अवधारणा आती है—यह स्वीकार करना कि हर संभावित भविष्य विश्वसनीय नहीं होता।

यहाँ थियोफैनिस अरावानिस और कोस्टास डी. कौत्रास का एक नया अध्ययन है, जो एआई के लिए इन जटिल अपडेट को संभालने का एक स्मार्ट और अधिक लचीला तरीका प्रस्तावित करते हैं। वे एक विधि पेश करते हैं जिसे "सिलेक्टिव क्रेडिबिलिटी-लिमिटेड बलीफ अपडेट" (SCL) कहा जाता है। इसे एक परिष्कृत फिल्टर के रूप में समझें जो केवल नए निर्देश को "हाँ" या "ना" नहीं कहता। इसके बजाय, यह पूछता है, "अभी हम जहाँ हैं, उसे देखते हुए, मैं इस निर्देश के किस हिस्से पर वास्तव में विश्वास कर सकता हूँ?" यदि एक रोबोट को "एक टूटे हुए कप को मेज पर रखने और उसे भरने" के लिए कहा जाता है, तो एक मानक एआई दोनों करने की कोशिश कर सकता है, जिससे एक भौतिक रूप से असंभव परिदृश्य पैदा होगा जहाँ एक टूटा हुआ कप पानी रोक सके। पुराने "क्रेडिबिलिटी-लिमिटेड" तरीके उस पूरे परिदृश्य को रोबोट के दिमाग से हटा देंगे, यह मानकर कि टूटा हुआ कप कभी अस्तित्व में ही नहीं था। लेकिन अरावानिस और कौत्रास दिखाते हैं कि रोबोट अधिक स्मार्ट हो सकता है: वह निर्देश के उस हिस्से को स्वीकार कर सकता है जो काम करता है (कप को हिलाना) जबकि उस हिस्से को अस्वीकार कर सकता है जो काम नहीं करता (उसे भरना), और यह सब टूटे हुए कप की वास्तविकता को मिटाए बिना।

उनकी खोज का मूल एक दो-चरणीय प्रक्रिया है जो दुनिया के हर संभावित संस्करण के लिए होती है जिसमें रोबट हो सकता है। पहले, रोबोट नए निर्देश को लेता है और उसे एक कमजोर, अधिक यथार्थवादी संस्करण में "रूपांतरित" (transform) करता है जो उसकी वर्तमान स्थिति में फिट बैठता है। यदि कप टूटा हुआ है, तो "कप को भरें" का निर्देश "कप की सामग्री के साथ कुछ न करें" में बदल जाता है। दूसरा, रोबोट जाँच करता है कि क्या यह नया, कमजोर निर्देश एक विश्वसनीय भविष्य की ओर ले जाता है। यदि हाँ, तो रोबोट आगे बढ़ता है; यदि नहीं, तो वह वहीं रहता है। यह दृष्टिकोण सिद्ध करता है कि एआई जटिल, संयुक्त निर्देशों को उस सूक्ष्मता के साथ संभाल सकता है जो पहले असंभव थी। यह उसे सब कुछ स्वीकार करने, सब कुछ अस्वीकार करने, या समस्या के स्रोत को अनदेखा करने के लिए मजबूर नहीं करता है। इसके बजाय, यह "आंशिक स्वीकृति" (partial acceptance) की अनुमति देता है, जहाँ एजेंट कह सकता है, "मैं आपके अनुरोध के पहले भाग को कर सकता हूँ, लेकिन दूसरा भाग मेरी वर्तमान स्थिति को देखते हुए असंभव है।"

लेखक कठोरता से सिद्ध करते हैं कि यह नया फ्रेमवर्क गणितीय रूप से सुदृढ़ है, यह दिखाते हुए कि यह सभी पुराने तरीकों को विशेष मामलों के रूप में कवर करता है और अधिक शक्ति प्रदान करता है। वे प्रदर्शित करते हैं कि इन "ट्रांसफॉर्मेशन फंक्शन्स" का उपयोग करके, एक एआई निरंतरता बनाए रख सकता है (असंभव चीजों में विश्वास न करना) और फिर भी नई जानकारी के प्रति उत्तरदायी हो सकता है। वे इस प्रणाली के विशिष्ट "वेल-बिहेव्ड" (well-behaved) संस्करणों की भी पहचान करते हैं: एक जो गारंटी देता है कि रोबोट कभी भी बिना किसी संभावित भविष्य के नहीं फँसेगा, और दूसरा जो यह सुनिश्चित करता है कि रोबोट हमेशा आंशिक निर्देश के सबसे सूचनात्मक, उपयोगी संस्करण को चुनेगा। अंततः, यह शोध सुझाव देता है कि एआई विश्वास प्रणालियों का भविष्य इसी मध्य मार्ग में निहित है—जहाँ एजेंट इतना लचीला है कि वह केवल वही स्वीकार कर सके जो वह कर सकता है, और इतना स्मार्ट है कि वह जान सके कि वह वास्तव में क्या 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।

Digest आज़माएँ →