Deep Generalised Mixed Models: a Novel Neural Network Structure for Analysing Hierarchical Data
यह शोध पत्र एक नवीन 'डीप जनरलाइज्ड मिक्स्ड मॉडल' आर्किटेक्चर प्रस्तावित करता है जो 'ग्रोइट!' (GrowIt!) किशोर भावना डेटासेट जैसे उच्च-आयामी अनुदैर्ध्य अध्ययनों में 'मिसिंग-एट-रैंडम' डेटा से होने वाले चयन पूर्वाग्रह को संबोधित करने के लिए डीप लर्निंग में मिश्रित प्रभावों (mixed effects) को एकीकृत करता है, हालांकि वर्तमान में यह दृष्टिकोण मॉडल अस्थिरता की चुनौतियों का सामना कर रहा 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 यह समझने की कोशिश कर रहे हैं कि दोस्तों का एक समूह हर एक दिन कैसा महसूस करता है। आप उनसे हफ्तों तक दिन में कई बार अपने मूड, तनाव के स्तर और बोरियत के बारे में जानकारी देने को कहते हैं। इसे "एक्सपीरियंस सैंपलिंग" (Experience Sampling) कहा जाता है, और यह एक व्यक्ति के जीवन की साल के अंत में ली गई एक बड़ी तस्वीर के बजाय, हजार छोटे स्नैपशॉट्स लेने जैसा है। समस्या यह है कि जीवन अस्त-व्यस्त हो जाता है। कभी-कभी आपके दोस्त जानकारी देना भूल जाते हैं, या वे पूरी तरह से जानकारी देना बंद कर देते हैं क्योंकि उनका दिन बहुत बुरा चल रहा होता है। डेटा साइंस की दुनिया में, इसे "मिसिंग डेटा" (missing data) कहा जाता है।
लंबे समय से, सांख्यिकीविदों (statisticians) ने इसे संभालने के लिए "मिक्स्ड मॉडल्स" (Mixed Models) नामक एक उपकरण का उपयोग किया है। इन मॉडल्स को एक स्मार्ट कोच की तरह समझें जो खेल के सामान्य नियमों (ज्यादातर लोग कैसा महसूस करते हैं) को जानता है, लेकिन प्रत्येक खिलाड़ी की अनूठी विशेषताओं को याद रखने के लिए उनके पास एक विशेष नोटबुक भी रखता है। हालांकि, पुराने जमाने के ये कोच बहुत अधिक डेटा होने पर या बहुत जटिल होने पर घबरा जाते हैं। दूसरी ओर, आधुनिक "मशीन लर्निंग" (Machine Learning) कोच बहुत तेज़ होते हैं और भारी मात्रा में डेटा को संभाल सकते हैं, लेकिन उन्हें आसानी से धोखा दिया जा सकता है। यदि कोई खिलाड़ी उदास होने के कारण खेलना बंद कर देता है, तो एक मानक मशीन लर्निंग कोच उस तथ्य को अनदेखा कर सकता है और अनुमान लगा सकता है कि खिलाड़ी ठीक है, जिससे गलत भविष्यवाणियां हो सकती हैं। बड़ा सवाल यह है कि: क्या हम एक ऐसा कोच बना सकते हैं जो भारी डेटा को संभालने के लिए पर्याप्त तेज़ हो और साथ ही यह समझने के लिए पर्याप्त स्मार्ट हो कि लोग क्यों बाहर निकल रहे हैं, ताकि हमें गलत उत्तर न मिले?
यह पेपर एक नए, प्रयोगात्मक कोच, डीप जनरलाइज्ड मिक्स्ड मॉडल (DGMM) को पेश करता है। लेखकों की टीम, जो नीदरलैंड के शोधकर्ता हैं, चाहते थे कि वे यह देख सकें कि क्या वे पुराने सांख्यिकीय कोचों और नए मशीन लर्निंग कोचों के सबसे अच्छे हिस्सों को मिलाकर एक सुपर-स्ट्रक्चर बना सकते हैं। उन्होंने इस नए मॉडल को एक प्रकार के "न्यूरल नेटवर्क" (Neural Network) का उपयोग करके बनाया, जो एक डिजिटल मस्तिष्क की तरह है जो जुड़े हुए नोड्स की परतों से बना होता है। विशेष रूप से, उन्होंने एक चतुर तकनीक का उपयोग किया जिसे "वेरिएशनल ऑटो-एनकोडर" (Variational Auto-Encoder) कहा जाता है। आप इसे एक दो-भाग वाली मशीन के रूप में देख सकते हैं: एक भाग (एनकोडर) व्यक्ति की अव्यवस्थित, अधूरी डायरी को उनके "छिपे हुए मूड स्टेट" के सरल सारांश में संकुचित करने की कोशिश करता है, और दूसरा भाग (डिकोडर) उस सारांश को वापस विस्तारित करने की कोशिश करता है ताकि यह भविष्यवाणी की जा सके कि उनके आने वाले दिन कैसे होंगे।
शोधकर्ताओं ने इस नए मॉडल का परीक्षण "ग्रोइट!" (GrowIt!) नामक एक ऐप से प्राप्त वास्तविक डेटा पर किया, जिसका उपयोग महामारी के दौरान किशोरों द्वारा अपनी भावनाओं को ट्रैक करने के लिए किया गया था। उन्होंने सैकड़ों कंप्यूटर सिमुलेशन भी चलाए ताकि यह देखा जा सके कि विभिन्न स्थितियों में मॉडल कैसा व्यवहार करता है, जिसमें वह डेटा भी शामिल था जो लोगों के विशेष रूप से नकारात्मक महसूस करने के कारण गायब था।
परिणाम उम्मीद और वास्तविकता के बीच का मिश्रण थे। यहाँ तक कि जब डेटा एकदम सही और पूर्ण था, तब भी नया DGMM मानक मशीन लर्निंग मॉडल्स के पूर्वानुमान प्रदर्शन से मेल नहीं खा सका; वास्तव में, इसने मानक "रिकरेंट न्यूरल नेटवर्क" (RNN) की तुलना में थोड़ी कम सटीकता दिखाई। हालांकि, जब डेटा अव्यवस्थित और गायब था (जो वास्तव में होता है), तो स्थिति अधिक जटिल हो गई। किशोरों के वास्तविक दुनिया के परीक्षण में, DGMM ने RNN की तुलना में डेटा के प्रति खराब समग्र फिट दिखाया। फिर भी, RNN को "बहुत अस्थिर" बताया गया था, जो ऐसे पूर्वानुमान देता था जो बहुत तेजी से उतार-चढ़ाव करते थे। इसके विपरीत, कुछ व्यक्तियों के लिए, DGMM ने वास्तव में RNN की तुलना में वास्तविक रुझानों का बेहतर पालन किया, जो कभी-कभी मूड में बड़े, गलत गिरावट का अनुमान लगाता था।
लेखक सुझाव देते हैं कि यह अस्थिरता इस कारण हो सकती है क्योंकि मॉडल सेटअप के प्रति बहुत संवेदनशील है, और इसे किशोरों के डेटा के गायब होने के विशिष्ट तरीके के साथ संघर्ष करना पड़ा। हालांकि, उनके कंप्यूटर सिमुलेशन में, जब मॉडल सही ढंग से काम कर रहा था, तो यह उन लोगों के लिए भविष्य की भविष्यवाणी करने में वास्तव में बेहतर था जो अध्ययन से बाहर हो गए थे। यह इस तथ्य को समझने में सफल रहा कि जो लोग चेक-इन करना बंद कर दिए थे, वे संभवतः कठिन समय से गुजर रहे थे, जबकि मानक मॉडल्स इस सुराग को मिस कर गए थे।
अंततः, यह पेपर निष्कर्ष निकालता है कि हालांकि डीप जनरलाइज्ड मिक्स्ड मॉडल एक दिलचस्प नया विचार है जो जटिल मानवीय व्यवहारों को समझने के लिए एक शक्तिशाली उपकरण हो सकता है, लेकिन यह अभी तक पुराने उपकरणों को बदलने के लिए तैयार नहीं है। यह एक प्रोटोटाइप कार की तरह है जिसमें एक शानदार इंजन है लेकिन स्टीयरिंग व्हील डगमगाता है। शोधकर्ताओं ने पाया कि फिलहाल, डॉक्टरों और मनोवैज्ञानिकों को वास्तव में मौजूद डेटा को देखने पर ध्यान केंद्रित करना चाहिए, बजाय इसके कि वे मॉडल के उन भविष्यवाणियों पर भरोसा करें कि क्या "हो सकता था"। हालांकि, उनका तर्क है कि कुछ ट्यूनिंग और बेहतर स्थिरता तकनीकों के साथ, यह नया आर्किटेक्चर एक दिन हमारे महसूस करने, सोचने और समय के साथ बदलने के तरीके का विश्लेषण करने के लिए स्वर्ण मानक (gold standard) बन 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।