Hierarchical Multi-Task Federated Learning in VANETs

कल्पना कीजिए एक ऐसी दुनिया की जहाँ आपकी कार केवल एक मशीन नहीं है जो आपको बिंदु A से बिंदु B तक पहुँचाती है, बल्कि एक स्मार्ट साथी है जो सड़क देखने, ट्रैफिक जाम का अनुमान लगाने और दुर्घटनाओं से बचने में आपकी मदद करती है। ऐसा करने के लिए, कारों को कैमरों और सेंसरों से लैस किया जाता है जो भारी मात्रा में डेटा उत्पन्न करते हैं। वर्षों से, इन कारों को स्मार्ट बनाने का मानक तरीका यह था कि उस सभी कच्चे डेटा (raw data) को एक विशाल केंद्रीय कंप्यूटर (जैसे एक सुपर-टीचर) को भेजा जाए ताकि वह उससे सीख सके। लेकिन यह कुछ ऐसा है जैसे स्कूल के हर छात्र से उनकी पूरी डायरी पढ़ने के लिए माँगना; यह धीमा है, इंटरनेट को जाम कर देता है, और गोपनीयता की बड़ी चिंताएँ पैदा करता है क्योंकि आप नहीं चाहते कि आपकी निजी ड्राइविंग आदतें उजागर हों।

यहाँ फेडरेटेड लर्निंग (Federated Learning) आता है, जो एक चतुर समाधान है जहाँ "सीखना" सीधे कार के अंदर ही होता है। डायरी के पन्ने (कच्चा डेटा) भेजने के बजाय, कार केवल "सीखे गए सबक" (मॉडल अपडेट्स) वापस भेजती है। यह आपके डेटा को निजी रखता है और बैंडविड्थ बचाता है। हालाँकि, इसमें एक पेंच है: अधिकांश वर्तमान प्रणालियाँ यह मानती हैं कि हर कार बिल्कुल एक ही चीज़ सीखने की कोशिश कर रही है, जैसे कि स्टॉप साइन को पहचानना। लेकिन वास्तव में, एक कार को ट्रैफिक लाइट के बारे में सीखने की आवश्यकता हो सकती है, दूसरी को पैदल यात्रियों के बारे में, और तीसरी को सड़क निर्माण के बारे में। इन सभी अलग-अलग कार्यों को एक ही "सुपर-मॉडल" में जबरदस्ती डालने की कोशिश करना एक शेफ, एक मैकेनिक और एक पेंटर को हर काम के लिए एक ही सेट के औजारों का उपयोग करने के लिए मजबूर करने जैसा है—यह अच्छी तरह से काम नहीं करता है। यह शोध पत्र इस अव्यवस्थ वाली वास्तविकता को हल करने के लिए एक नया तरीका प्रस्तावित करता है जिससे कारें अपनी विशिष्टता खोए बिना एक साथ सीख सकें।

समस्या: विभिन्न विषयों वाली एक कक्षा

एक व्यस्त राजमार्ग को एक विशाल, चलती-फिरती कक्षा के रूप में सोचें। पुराने फेडरेटेड लर्निंग सेटअप में, शिक्षक (केंद्रीय सर्वर) ने हर छात्र (कार) को बिल्कुल एक ही पाठ्यपुस्तक पढ़ने के लिए कहा। यदि एक छात्र लाल ट्रैफिक लाइट की पहचान करना सीख रहा था और दूसरा सड़क पार करने वाले पैदल यात्री को पहचानने की कोशिश कर रहा था, तो उन्हें अपने नोट्स को एक विशाल, भ्रमित करने वाले ढेर में मिलाने के लिए मजबूर किया गया था। परिणाम? शिक्षक को एक धुंधला, औसत सबक मिला जो न तो उस कार्य में बहुत अच्छा था और न ही दूसरे में। इसके अलावा, कारें तेज़ होती हैं! वे बहुत तेज़ी से आती और जाती हैं, और जब वे बहुत दूर चली जाती हैं या कनेक्शन खो देती हैं, तो वे "कक्षा" से बाहर हो जाती हैं, जिससे सीखने की प्रक्रिया अराजक और अस्थिर हो जाती है।

समाधान: एक स्मार्ट, लचीला स्टडी ग्रुप

इस शोध पत्र के लेखक, हगीघीफ़ार्ड (HaghighiFard) और कोलेरी (Coleri), AERO-HMTFL नामक एक नया ढांचा प्रस्तावित करते हैं। आप इसे एक सुपर-संगठित, गतिशील स्टडी ग्रुप के रूप में देख सकते हैं जो सड़क की अराजकता के अनुकूल ढल जाता है।

यह कैसे काम करता है, यहाँ तीन शानदार तरीकों में दिया गया है:

1. "साझा मस्तिष्क" और "विशेषज्ञ हाथ"
हर कार को एक विशाल मॉडल सीखने के लिए मजबूर करने के बजाय, यह शोध पत्र एक "स्प्लिट-मॉडल" आर्किटेक्चर का सुझाव देता है। कल्पना कीजिए कि हर कार के पास एक साझा मस्तिष्क (Shared Brain - AutoEncoder) और कई विशेषज्ञ हाथ (Specialized Hands - Task Heads) हैं।

• साझा मस्तिष्क सामान्य विशेषताओं को सीखता है, जैसे "सड़क कैसी दिखती है?" या "परछाइयाँ कैसे गिरती हैं?" यह सभी के लिए उपयोगी है।
• विशेषज्ञ हाथ प्रत्येक कार के विशिष्ट कार्य के लिए अद्वितीय हैं। एक कार का हाथ स्टॉप साइन पहचानने के लिए है; दूसरे का पैदल यात्रियों के पथ की भविष्यवाणी करने के लिए।
  इस नई प्रणाली में, कारें केवल अपना साझा मस्तिष्क समूह के साथ साझा करती हैं। वे अपने विशेषज्ञ हाथों को अपने स्वयं के दस्ताने के बक्सों (gloveboxes) में बंद रखती हैं। इसका मतलब है कि कारें विशिष्ट कार्यों को मिलाए बिना सामान्य ज्ञान पर सहयोग कर सकती हैं।

2. "स्मार्ट क्लस्टरिंग" (अपना कबीला ढूँढना)
कारें केवल रैंडम तरीके से समूह नहीं बनातीं; वे एक "त्रि-भारित" (tri-weighted) मित्रता मीट्रिक के आधार पर क्लस्टर बनाती हैं। सिस्टम कारों को समूह में शामिल होने देने से पहले तीन चीजों को देखता है:

• गतिशीलता (Mobility): क्या हम समान गति से चल रहे हैं? (हम उस कार के साथ नहीं पढ़ना चाहते जो 2 सेकंड में भाग जाए)।
• साझा मस्तिष्क समानता (Shared Brain Similarity): क्या हमारे "साझा मस्तिष्क" पहले से ही दुनिया को एक समान तरीके से समझते हैं?
• कार्य संबद्धता (Task Affinity): क्या हमारा होमवर्क समान है? (यदि एक कार ट्रैफिक लाइट का अध्ययन कर रही है और दूसरी गड्ढों का, तो वे सबसे अच्छे अध्ययन साथी नहीं हो सकते)।
  यह सुनिश्चित करता है कि कारें स्थिर, मैत्रीपूर्ण समूह बनाती हैं जहाँ वे वास्तव में एक-दूसरे को सीखने में मदद कर सकें।

3. "विश्वसनीयता फ़िल्टर" (शोर मचाने वाले छात्रों को अनदेखा करना)
एक चलती-फिरती कक्षा में, कुछ छात्र विचलित हो सकते हैं, जिनका कनेक्शन खराब हो सकता है, या जो बस विषय में कमजोर हो सकते हैं। नई प्रणाली एक विश्वसनीयता स्कोर (Reliability Score) का उपयोग करती है। यह इस बात का इतिहास रखता है कि कौन सी कारएं अतीत में कितनी सुसंगत और सटीक रही हैं। जब समूह का नेता (क्लस्टर हेड) सभी के "साheld मस्तिष्क" अपडेट को जोड़ता है, तो वे विश्वसनीय छात्रों को अधिक महत्व देते हैं और अविश्वसनीय छात्रों को कम महत्व देते हैं। यह कुछ खराब अपडेट्स को पूरे समूह की प्रगति को खराब करने से रोकता है।

उन्होंने क्या पाया (परिणाम)

शोधकर्ताओं ने इस विचार का परीक्षण कंप्यूटर सिमुलेशन का उपयोग करके किया जो 50 कारों तक की आवाजाही वाले वास्तविक ट्रैफिक की नकल करता है। उन्होंने अपने नए तरीके की तुलना तीन अन्य लोकप्रिय तरीकों से की। सिमुलेशन ने निम्नलिखित दिखाया:

• स्मार्ट लर्निंग: नया तरीका बहुत अधिक सटीक था। कठिन परीक्षणों में (जैसे जटिल छवियों जैसे ट्रैफिक साइन को पहचानना), इसने सबसे अच्छे प्रतिस्पर्धी तरीके की तुलना में 13% अधिक सटीकता प्राप्त की।
• तेज़ कन्वर्जेंस (Faster Convergence): इसने न केवल बेहतर सीखा; इसने तेज़ी से भी सीखा। कम दूरी के कनेक्शनों में, इसे एक स्थिर, स्मार्ट अवस्था तक पहुँचने के लिए संचार के लगभग 13% से 29% कम राउंड की आवश्यकता थी।
• डेटा की भारी बचत: क्योंकि कारें केवल "साझा मस्तिष्क" साझा करती थीं न कि पूरा मॉडल, और क्योंकि वे कुशलतापूर्वक समूहों में बँटी हुई थीं, सेलुलर नेटवर्क पर भेजे गए डेटा की मात्रा नाटकीय रूप रूप से गिर गई। इस प्रणाली ने अन्य तरीकों की तुलना में पैकेट ट्रांसमिशन को 87% से 97% तक कम कर दिया। यह एक ट्रक भर डाक भेजने के बजाय एक पोस्टकार्ड भेजने जैसा है।
• सही संतुलन (The Sweet Spot): सिमुलेशन ने यह भी परीक्षण किया कि संदेश को कितने "हॉप्स" (क्रमवार कारों की संख्या) तक यात्रा करनी चाहिए। उन्होंने पाया कि एक 2-हॉप कनेक्शन (जहाँ एक कार अपने पड़ोसी से बात करती है, जो फिर समूह के नेता से बात करती है) सबसे सटीक संतुलन था। इससे आगे जाने (3 हॉप्स) से बहुत अधिक शोर (noise) आ गया, जबकि बहुत करीब रहने (1 हॉप) से पर्याप्त जानकारी साझा नहीं हो पाई।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि कारों के लिए अराजक, उच्च गति वाली दुनिया में वास्तव में एक साथ सीखने के लिए, उन्हें एक ऐसी प्रणाली की आवश्यकता है जो उनके विभिन्न कार्यों का सम्मान करे, उन्हें उनके व्यक्तित्व और दिशा के आधार पर समूहों में बाँटे, और अविश्वसनीय शोर को फ़िल्टर करे। "साझा मस्तिष्क" दृष्टिकोण के साथ स्मार्ट क्लस्टरिंग का उपयोग करके, लेखक दिखाते हैं कि हम कारों का एक ऐसा बेड़ा बना सकते हैं जो न केवल गोपनीयता-अनुकूल है, बल्कि वर्तमान तरीकों की तुलना में काफी स्मार्ट और अधिक कुशल भी है। हालाँकि ये परिणाम सिमुलेशन से हैं, फिर भी वे बुद्धिमान परिवहन के भविष्य के लिए एक आशाजनक ब्लूप्रिंट पेश करते हैं।