🤖 AI

Identifying Informative Environments for Cognition Parameter Inference via Bayesian Experimental Design

यह शोध पत्र एक बेयसियन प्रयोगात्मक डिज़ाइन (Bayesian Experimental Design) ढांचे का प्रस्ताव करता है जो संज्ञानात्मक मापदंडों (cognitive parameters) के अनुमान के लिए सबसे अधिक सूचनात्मक सेटिंग्स की कुशलतापूर्वक पहचान करने हेतु प्रयोगात्मक वातावरण को डिज़ाइन चर (design variables) के रूप में मानता है, जिससे यह प्रकट होता है कि विभिन्न अनुमान उद्देश्यों के लिए कोई भी एकल वातावरण सार्वभौमिक रूप से इष्टतम नहीं है।

मूल लेखक: Manisha Dubey, Rimvydas Rubavicius, N. Siddharth, Subramanian Ramamoorthy

प्रकाशित 2026-08-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Manisha Dubey, Rimvydas Rubavicius, N. Siddharth, Subramanian Ramamoorthy

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 रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन अपराधी अदृश्य है। आप अपराधी के दिमाग को नहीं देख सकते, केवल उनके द्वारा छोड़े गए पदचिह्नों को देख सकते हैं। यह एक संज्ञानात्मक वैज्ञानिक (cognitive scientist) का दैनिक जीवन है। वे यह समझना चाहते हैं कि हमारा मस्तिष्क निर्णय कैसे लेता है—कैसे हम योजना बनाते हैं, याद रखते हैं और ध्यान केंद्रित करते हैं—लेकिन वे हमारे खोपड़ी के अंदर झाँक नहीं सकते। इसके बजाय, उन्हें लोगों के खेल या पहेलियों में व्यवहार को देखकर यह अनुमान लगाना पड़ता है कि अंदर क्या हो रहा है। इस क्षेत्र को कंप्यूटेशनल कॉग्निटिव मॉडलिंग (computational cognitive modeling) कहा जाता है। यह एक वीडियो गेम के कोड को देखे बिना, केवल किसी को खेलते हुए देखकर उसके नियम समझने की कोशिश करने जैसा है।

ऐसा करने के लिए, वैज्ञानिक एक चतुर गणितीय तकनीक का उपयोग करते हैं जिसे बेयसियन इनवर्स प्लानिंग (Bayesian inverse planning) कहा जाता है। इसे एक सुपर-स्मार्ट अनुमान लगाने वाली मशीन के रूप में सोचें। आप इसे एक खेल में किसी व्यक्ति की चालें दिखाते हैं, और यह पीछे की ओर काम करके उनके मस्तिष्क की छिपी हुई "सेटिंग्स" का अनुमान लगाता है, जैसे कि वे कितनी दूर तक सोच सकते हैं या वे एक समय में कितनी जानकारी अपने दिमाग में रख सकते हैं। लेकिन इसमें एक पेच है: आपके द्वारा चुना गया खेल बहुत मायने रखता है। यदि आप किसी को एक छोटा, सरल पहेली हल करने के लिए कहते हैं, तो उनका मस्तिष्क एक जीनियस या एक नौसिखिए जैसा ही दिख सकता है। लेकिन यदि आप उन्हें एक विशाल, जटिल भूलभुलैया देते हैं, तो उनकी वास्तविक मस्तिष्क सेटिंग्स उभर कर सामने आएंगी। बड़ा सवाल यह है कि वैज्ञानिक पूछ रहे हैं: कौन से खेल इन छिपी हुई मस्तिष्क सेटिंग्स को प्रकट करने के लिए सबसे अच्छे हैं? अब तक, शोधकर्ता ज्यादातर या तो रैंडम तरीके से गेम चुनते थे या पुराने खेलों पर ही टिके रहते थे, इस उम्मीद में कि वे पर्याप्त अच्छे होंगे।

यह शोध पत्र, जिसका शीर्षक "Identifying Informative Environments for Cognition Parameter Inference via Bayesian Experimental Design" है, एक मास्टर शेफ की तरह है जो रेसिपी के लिए सही सामग्री चुनने का एक नया तरीका आविष्कार कर रहा है। एडिनबर्ग विश्वविद्यालय के लेखकों ने अनुमान लगाना बंद करने और डिजाइन करने का निर्णय लिया। उन्होंने "गेम एनवायरनमेंट" को स्वयं एक वेरिएबल के रूप में माना जिसे अनुकूलित (optimize) किया जा सकता था। उन्होंने पूछा: "यदि हम किसी के मस्तिष्क के बारे में सबसे अधिक जानना चाहते हैं, तो खेल कैसा होना चाहिए?"

इसका उत्तर देने के लिए, उन्होंने बेयसियन एक्सपेरिमेंटल डिज़ाइन (BED) नामक एक विधि का उपयोग किया। कल्पना कीजिए कि आपके पास विभिन्न भूलभुलैया का एक बॉक्स है, और आप जानना चाहते हैं कि कौन सी भूलभुलैया आपको खिलाड़ी की रणनीति के बारे में सबसे अधिक सिखाएगी। हर एक भूलभुलैया को आज़माने के बजाय (जिसमें बहुत समय लगेगा और कंप्यूटर पावर की भारी लागत आएगी), उन्होंने एक "स्मार्ट शॉर्टकट" बनाया। उन्होंने एक ऐसी प्रणाली बनाई जो हर बार पूरी, धीमी सिमुलेशन चलाने के बजाय तुरंत भविष्यवाणी कर सकती है कि कौन सी भूलभुलैया सबसे अधिक सूचनात्मक है। उन्होंने इसे माउसेलैब-एमडीपी (Mouselab-MDP) नामक एक प्रसिद्ध खेल पर परखा, जहाँ खिलाड़ी रास्ते की योजना बनाने के लिए छिपे हुए पुरस्कारों पर क्लिक करते हैं।

परिणाम बेहद दिलचस्प थे। पहला, उन्होंने पाया कि हर किसी के लिए कोई एक "परफेक्ट" गेम नहीं होता है। एक खेल जो यह बताने में महान है कि कोई व्यक्ति कितनी दूर तक सोच सकता है, वह यह बताने में बहुत खराब हो सकता है कि वह कितनी जानकारी याद रख सकता है। यह एक स्प्रिंटिंग ट्रैक के समान है जो गति परीक्षण के लिए तो अच्छा है लेकिन तैराकी क्षमता के परीक्षण के लिए बेकार है। कभी-कभी, सरल रणनीतियों को पकड़ने के लिए एक सरल खेल सबसे अच्छा होता है, जबकि जटिल रणनीतियों को पहचानने के लिए एक गहरी, जटिल भूलभुलैया की आवश्यकता होती है।

दूसक, उन्होंने सिद्ध किया कि उनका "स्मार्ट शॉर्टकट" (जिसे वे एमोर्टाइज्ड बेड (Amortized BED) कहते हैं) लगभग उतना ही अच्छा काम करता है जितना कि सुपर-स्लो, सुपर-एक्यूरेट तरीका, लेकिन यह हजारों गुना तेज़ है। यह एक ऐसे जीपीएस की तरह है जो मानव ट्रैफिक विशेषज्ञ के समान ही सटीक मार्ग देता है, लेकिन एक घंटे के बजाय एक सेकंड के भीतर। उन्होंने दिखाया कि यह तेज़ विधि इस बात को सही ढंग से रैंक कर सकती है कि मस्तिष्क के बारे में सीखने के लिए कौन से खेल सबसे अच्छे हैं, जिससे समय और ऊर्जा की भारी बचत होती है।

अंत में, यह शोध पत्र सुझाव देता है कि मानव मन के अध्ययन का भविष्य एक आदर्श परीक्षण खोजने के बारे में नहीं है। इसके बजाय, यह व्यक्ति के अनुसार परीक्षण को अनुकूलित करने के बारे में है। यदि परीक्षण यह प्रकट करने लगता है कि एक व्यक्ति एक साधारण योजनाकार है, तो सिस्टम एक अलग खेल पर स्विच कर सकता है ताकि अधिक सीखा जा सके। यदि व्यक्ति जटिल दिखता है, तो यह एक कठिन चुनौती पर स्विच कर सकता है। लेखकों ने अभी तक पूर्ण अनुकूलित (adaptive) प्रणाली नहीं बनाई है, लेकिन उन्होंने वह इंजन बना दिया है जो इसे संभव बनाता है। उन्होंने दिखाया है कि वातावरण को एक निश्चित सेटिंग के बजाय एक डिज़ाइन विकल्प के रूप में मानकर, हम अंततः ऐसे प्रयोग बनाने की शुरुआत कर सकते हैं जो हमारे सोचने के रहस्यों को अनलॉक करने के लिए पूरी तरह से ट्यून किए गए हों।

तकनीकी सारांश: बेयसियन प्रयोगात्मक डिजाइन के माध्यम से संज्ञानात्मक पैरामीटर अनुमान के लिए सूचनात्मक वातावरण की पहचान करना

समस्या का निरूपण
कम्प्यूटेशनल कॉग्निटिव मॉडलिंग का लक्ष्य देखे गए अनुक्रमिक निर्णय लेने वाले व्यवहार से अंतर्निहित संज्ञानात्मक तंत्रों (जैसे, प्लानिंग होराइजन, वर्किंग मेमोरी कैपेसिटी) का अनुमान लगाना है। जबकि बेयसियन इनवर्स प्लानिंग (Bayesian inverse planning) इस अनुमान के लिए एक सिद्धांतवादी ढांचा प्रदान करती है, इसकी प्रभावकारिता प्रयोगात्मक वातावरण पर अत्यधिक निर्भर है। मौजूदा दृष्टिकोण आमतौर पर वातावरण को स्थिर या यादृच्छिक रूप से नमूनाकृत मानते हैं, जो इस बात को संबोधित करने में विफल रहते हैं कि कौन से विशिष्ट वातावरण पैरामीटर रिकवरी के लिए सबसे अधिक सूचनात्मक डेटा प्रदान करते हैं।

यह शोध पत्र प्रयोगात्मक वातावरण के चयन को एक बेयसियन प्रयोगात्मक डिजाइन (BED) समस्या के रूप में निरूपित करता है। लक्ष्य एक ऐसे वातावरण $\xi^*$ की पहचान करना है जो डेटा संग्रह से पहले अंतर्निहित संज्ञानात्मक मापदंडों $\theta$ के संबंध में अपेक्षित सूचना लाभ (Expected Information Gain - EIG) को अधिकतम करता है। EIG को वातावरण $\xi$ में व्यवहारिक प्रक्षेपवक्र (trajectories) $D$ को देखने के बाद $\theta$ पर पोस्टीरियर अनिश्चितता में अपेक्षित कमी के रूप में परिभाषित किया गया है:
$\xi^* = \arg \max_{\xi} \text{EIG}(\xi) = \arg \max_{\xi} \left( H(\theta) - \mathbb{E}_{p(D|\xi)}[H(\theta | D, \xi)] \right)$
मुख्य चुनौती यह है कि EIG का मूल्यांकन करने के लिए कई सिम्युलेटेड डेटासेट्स पर बार-बार बेयसियन पोस्टीरियर इन्फरेंस (अनुमान) की आवश्यकता होती है, जिससे व्यापक अनुकूलन (exhaustive optimization) कम्प्यूटेशनल रूप से अत्यधिक कठिन हो जाता है।

कार्यप्रणाली
लेखक एक पाइपलाइन प्रस्तावित करते हैं जो बेयसियन इनवर्स प्लानिंग को स्केलेबल प्रयोगात्मक डिजाइन तकनीकों के साथ जोड़ती है:

जेनरेटिव बिहेवियरल सिम्युलेटर: लेखक एजेंटों को एक पैरामीटराइज्ड प्लानर का उपयोग करके मॉडल करते हैं जिसमें अंतर्निहित संज्ञानात्मक पैरामीटर $\theta$ (प्लानिंग होराइजन $H$ और वर्किंग मेमोरी $K$ ) होते हैं। एजेंट एक मार्कोव डिसीजन प्रोसेस (MDP) वातावरण $\xi$ के साथ इंटरैक्ट करता है, $\theta$ के आधार पर एक आंतरिक संज्ञानात्मक स्थिति $b_t$ को अपडेट करता है। एक्शन वैल्यूज $Q_\theta$ पर एक सॉफ्टमैक्स पॉलिसी के माध्यम से क्रियाएं (actions) सैंपल की जाती हैं, जिससे प्रक्षेपवक्र डेटा $D \sim p(D|\theta, \xi)$ उत्पन्न होता है।
एक्जैक्ट मोंटे कार्लो BED (MC-BED): एक ग्राउंड-ट्रुथ बेंचमार्क स्थापित करने के लिए, लेखक मोंटे कार्लो सिमुलेशन का उपयोग करके EIG की गणना करते हैं। इसमें पैरामीटर्स और वातावरण का नमूना लेना, प्रक्षेपवक्रों को सिम्युलेट करना और प्रत्येक सिम्युलेटेड डेटासेट के लिए सटीक बेयसियन पोस्टीरियर इन्फरेंस करना शामिल है ताकि पोस्टीरियर और प्रायर के बीच KL डाइवर्जेंस की गणना की जा सके।
एमोर्टाइज्ड बेयसियन प्रयोगात्मक डिजाइन (ABED): MC-BED की कम्प्यूटेशनल लागत को दूर करने के लिए, लेखक एक एमोर्टाइज्ड फ्रेमवर्क पेश करते हैं:
- न्यूरल पोस्टीरियर सरोगेट: एक न्यूरल नेटवर्क $q_\phi(\theta | D, \xi)$ सटीक बेयसियन पोस्टीरियर को अनुमानित करने के लिए प्रशिक्षित किया जाता है। प्रशिक्षण डेटा $\theta, \xi,$ और $D$ को सैंपल करके बनाया जाता है, जिसमें सटीक पोस्टीरियर का उपयोग सुपरविजन सिग्नल के रूप में किया जाता है।
- मल्टी-टास्क लर्निंग: सरोगेट को एक मल्टी-टास्क ऑब्जेक्टिव के साथ प्रशिक्षित किया जाता है जो पोस्टीरियर डिस्टिलेशन (सटीक पोस्टीरियर से मेल खाना), सुपरवाइज्ड क्लासिफिकेशन (ग्राउंड-ट्रुथ $\theta$ की भविष्यवाणी करना), और एक सहायक रिग्रेशन हेड (जो सटीक पोस्टीरियर-टू-प्रायर KL डाइवर्जेंस की भविष्यवाणी करता है - यानी डिजाइन यूटिलिटी) को जोड़ता है।
- कुशल डिजाइन मूल्यांकन: एक बार प्रशिक्षित होने के बाद, सरोगेट महंगे सटीक इन्फरेंस की जगह ले लेता है। डिजाइन ऑब्जेक्टिव को नेटवर्क के माध्यम से एक सिंगल फॉरवर्ड पास द्वारा अनुमानित किया जा सकता है, जिससे उम्मीदवार वातावरणों की तीव्र रैंकिंग संभव होती है।

प्रमुख योगदान

निरूपण: संज्ञानात्मक नियोजन वातावरण के डिजाइन को एक BED समस्या के रूप में निरूपित किया गया है जहाँ वातावरण स्वयं डिजाइन वेरिएबल है, न कि केवल एक निश्चित कार्य के भीतर प्रयोगात्मक स्थितियाँ।
बेंचमार्किंग: संज्ञानात्मक पैरामीटर इन्फरेंस के लिए वातावरण की सूचनात्मकता का मूल्यांकन करने के लिए एक सटीक मोंटे कार्लो BED बेंचमार्क स्थापित किया गया है।
एमोर्टाइज्ड फ्रेमवर्क: एक एमोर्टाइज्ड BED फ्रेमवर्क पेश किया गया है जो सटीक MC-BED बेंचमार्क के साथ निकटता से मेल खाने वाले वातावरण रैंकिंग प्राप्त करता है, जबकि बार-बार होने वाले इन्फरेंस को न्यूरल सरोगेट से बदलकर कम्प्यूटेशनल लागत को काफी कम कर देता है।
व्यवस्थित विश्लेषण: फ्रेमवर्क का मूल्यांकन Mouselab-MDP प्रोसेस-ट्रेसिंग प्रतिमान पर किया गया है, जो सटीक इन्फरेंस, MC-BED, और ABED की हीयुरिस्टिक और सुपरवाइज्ड बेसलाइन्स के विरुद्ध व्यवस्थित तुलना करता है।

प्रायोगिक परिणाम
प्रयोग विभिन्न गहराई ( $d$ ) और ब्रांचिंग फैक्टर ( $b$ ) वाले ट्री-स्ट्रक्चर्ड Mouselab-MDP वातावरणों पर किए गए।

रिकवरेबिलिटी बनाम सूचना लाभ: परिणाम दिखाते हैं कि कोई भी एक वातावरण समान रूप से इष्टतम नहीं है। वे वातावरण जो फाइनाइट-सैंपल पोस्टीरियर रिकवरेबिलिटी को अधिकतम करते हैं (जैसे, जॉइंट इन्फरेंस के लिए $d_5b_2$ ), वे हमेशा अपेक्षित सूचना लाभ (जैसे, $d_6b_2$ ) को अधिकतम करने वाले वातावरणों के अनुरूप नहीं होते हैं।
एमोर्टाइजेशन प्रदर्शन: एमोर्टाइज्ड सरोगेट (ABED) सटीक MC-BED की वातावरण रैंकिंग को बारीकी से पुनरुत्पादित करता है। जबकि पोस्टीरियर रिकवरी सटीकता भिन्न हो सकती है, अनुमानित डिजाइन यूटिलिटी (KL डाइवर्जेंस) सटीक ऑब्जेक्टिव से मेल खाती है, जिससे सबसे सूचनात्मक वातावरणों की सही पहचान संभव होती है।
बेसलाइन्स के साथ तुलना: ABED, स्ट्रक्चरल हीयुरिस्टिक्स (जैसे, "सबसे बड़ा ट्री") और उन सुपरवाइज्ड रिग्रेसर्स की तुलना में बेहतर प्रदर्शन करता है जो पोस्टीरियर इन्फरेंस किए बिना डिजाइन स्कोर की भविष्यवाणी करते हैं। ABED एकमात्र ऐसा तरीका है जो एक एकीकृत ढांचे के भीतर संज्ञानात्मक पैरामीटर इन्फरेंस और वातावरण मूल्यांकन दोनों का समर्थन करता है।
ट्रेड-ऑफ़: अध्ययन अपेक्षित सूचना लाभ, पोस्टीरियर रिकवरेबिलिटी और सूचना दक्षता (प्रति क्लिक KL) के बीच ट्रेड-ऑफ को प्रकट करता है। जटिल रणनीतियों के लिए गहरे वातावरण आम तौर पर सूचना लाभ को अधिकतम करते हैं, जबकि उथले वातावरण सरल रणनीतियों के लिए उच्च दक्षता या बेहतर रिकवरी प्रदान कर सकते हैं।

महत्व और दावे
यह शोध पत्र बेयसियन पैरामीटर इन्फरेंस के लिए सूचनात्मक संज्ञानात्मक प्रयोगों को डिजाइन करने के लिए एक सिद्धांतवादी ढांचे का दावा करता है। प्रयोगात्मक वातावरण को एक डिजाइन वेरिएबल के रूप में मानकर, यह कार्य स्थिर मूल्यांकन सेटिंग्स से आगे बढ़कर सक्रिय रूप से उन वातावरणों का चयन करने की ओर बढ़ता है जो अंतर्निहित संज्ञानात्मक तंत्रों के बारे में सूचना को अधिकतम करते हैं।

लेखक इस बात पर जोर देते हैं कि उनके परिणाम अनुकूली वातावरण चयन (adaptive environment selection) की आवश्यकता को प्रदर्शित करते हैं। चूंकि इष्टतम वातावरण विशिष्ट अंतर्निहित संज्ञानात्मक अवस्था और इन्फरेंस ऑब्जेक्टिव (रिकवरी बनाम सूचना लाभ) पर निर्भर करता है, इसलिए एक निश्चित वातावरण उप-इष्टतम (suboptimal) है। प्रस्तावित ABED फ्रेमवर्क आवश्यक घटक (संयुक्त पोस्टीरियर अनुमान और डिजाइन-वैल्यू प्रेडिक्शन) प्रदान करता है, जो विकसित होते हुए पोस्टीरियर पर आधारित क्रमिक, अनुकूली प्रयोग चयन को सक्षम बनाता है, जो स्केलेबल और प्रतिभागी-कुशल संज्ञानात्मक मूल्यांकन की दिशा में एक मार्ग प्रशस्त करता है। यह कार्य तर्क देता है कि प्रयोगात्मक वातावरण को संज्ञानात्मक मॉडल इन्फरेंस प्रक्रिया के हिस्से के रूप में स्वयं अनुकूलित किया जाना चाहिए।

इसी तरह के और पेपर