FiGuRO: Intrinsic Dimension Estimation for Multi-Modal Data

कल्पना कीजिए कि आप किसी जटिल वस्तु का वर्णन करने की कोशिश कर रहे हैं, जैसे कि एक घूमती हुई आकाशगंगा या एक हलचल भरा शहर, और इसके लिए केवल कुछ ही शब्दों का उपयोग कर रहे हैं। यदि आप कहते हैं "यह बड़ा और चमकदार है," तो आपने कहानी का अधिकांश हिस्सा खो दिया है। यदि आप हज़ार पन्नों का उपन्यास लिखते हैं, तो उसमें बहुत अधिक विवरण होगा और मुख्य बात ढूँढना कठिन हो जाएगा। वैज्ञानिक किसी चीज़ का वर्णन करने के लिए आवश्यक जानकारी की "बिल्कुल सही" मात्रा को उसका इंट्रिन्सिक डायमेंशन (Intrinsic Dimension) कहते हैं। इसे उन "नॉब्स" (knobs) की वास्तविक संख्या के रूप में समझें जिन्हें आपको किसी आकार को फिर से बनाने के लिए घुमाने की आवश्यकता होती है, भले ही वह आकार लाखों अन्य चीजों के बीच स्थित हो। उदाहरण के लिए, कागज की एक सपाट शीट का इंट्रिन्सिक डायमेंशन 2 होता है (लंबाई और चौड़ाई), भले ही वह 3D कमरे में तैर रही हो।

अब, कल्पना कीजिए कि आपके पास एक ही घटना की शूटिंग करने वाले दो अलग-अलग कैमरे हैं: एक रंगीन देखता है, दूसरा ब्लैक-एंड-व्हाइट। वे दोनों एक ही "साझा" (shared) क्रिया को देख रहे हैं, लेकिन प्रत्येक कैमरा अपने स्वयं के अनूठे "निजी" (private) विवरण भी कैप्चर करता है (जैसे शर्ट का रंग या फिल्म का दाना)। कंप्यूटर के लिए बड़ी चुनौती यह पता लगाना है कि: साझा क्रिया का वर्णन करने के लिए कितने "नॉब्स" की आवश्यकता है? और प्रत्येक कैमरे के लिए अनूठे विवरणों को बताने के लिए कितने की आवश्यकता है? यदि कंप्यूटर इसमें गलती करता है, तो वह कहानी को मिला सकता है, यह सोचकर कि शर्ट का रंग मुख्य क्रिया का हिस्सा है, या वह बहुत अधिक डेटा से अभिभूत हो सकता है। इस बात को सही ढंग से समझना महत्वपूर्ण है ताकि ऐसी स्मार्ट एआई (AI) बनाई जा सके जो जीव विज्ञान, चिकित्सा और वास्तविक दुनिया को बिना भ्रमित हुए समझ सके।

यहाँ आता है FiGuRO (फिडेलिटी-गाइडेड रैंक ऑप्टिमाइजेशन), एक नया टूल जिसे शोधकर्ताओं द्वारा इसी पहेली को सुलझाने के लिए बनाया गया है। आप FiGuRO को एक सुपर-स्मार्ट, आत्म-सुधार करने वाले संपादक (editor) के रूप में देख सकते हैं। कल्पना कीजिए कि आप यात्रा के लिए एक सूटकेस पैक करने की कोशिश कर रहे हैं। आप अपनी सारी चीजें उसमें डालना शुरू करते हैं (बहुत सारा सामान!)। FiGuRO वह यात्री है जो सूटकेस की जाँच करता रहता है: "क्या वास्तव में इस जैकेट की आवश्यकता है? क्या मैं इसे यात्रा खराब किए बिना बाहर निकाल सकता हूँ?" लेकिन यहाँ जादू है: यदि उन्हें एहसास होता है कि उन्होंने बहुत कम सामान पैक किया है और कोट भूल गए हैं, तो FiGuRO उसे वापस रख देता है। यह लगातार डेटा के विवरण के "आकार" को सिकोड़ता और बढ़ाता रहता है जब तक कि वह एकदम सही फिट न मिल जाए।

पेपर दिखाता है कि FiGuRO पहला ऐसा तरीका है जो एक साथ कई प्रकार के डेटा के लिए ऐसा कर सकता है। केवल यह अनुमान लगाने के बजाय कि सूटकेस कितना बड़ा होना चाहिए, यह "साझा" वस्तुओं (वे चीजें जो दोनों कैमरों ने देखीं) को "निजी" वस्तुओं (वे चीजें जो केवल एक कैमरे ने देखीं) से अलग करना सीखता है। अपने परीक्षणों में, FiGuRO ने सिम्युलेटेड डेटा की वास्तविक जटिलता को सफलतापूर्वक पहचाना, भले ही डेटा अव्यवस्थित, शोर वाला (noisy), या प्रत्येक भाग में बहुत अलग मात्रा में जानकारी वाला था। इसे डेटा को अलग करने के लिए जटिल अतिरिक्त नियमों की आवश्यकता नहीं थी; अलगाव स्वाभाविक रूप से हुआ क्योंकि यह टूल सूटकेस पैक करने के सबसे कुशल तरीके को खोजने में इतना अच्छा था।

जब शोधकर्ताओं ने वास्तविक दुनिया के डेटा पर FiGuRO का परीक्षण किया—जैसे कि बोले गए नंबरों की ऑडियो रिकॉर्डिंग को उन नंबरों की छवियों के साथ मिलाना, या रडार और ऑप्टिकल सैटेलाइट फोटो को संयोजित करना—तो इसने बहुत अच्छा काम किया। इसने शोर को हटा दिया और मुख्य "साझा" सिग्नल को खोजने में सफलता प्राप्त की, जिससे कंप्यूटर के लिए पैटर्न पहचानना पहले की तुलना में बेहतर हो गया। पेपर सुझाव देता है कि यह दृष्टिकोण मजबूत और विश्वसनीय है, जो लगातार बदलाव की आवश्यकता के बिना विभिन्न प्रकार के डेटा पर अच्छी तरह से काम करता है। यह एआई को एक ऐसे चश्मे को देने जैसा है जो उसे यह देखने में मदद करता है कि किसी स्थिति की जटिलता वास्तव में कितनी है, जिससे वह सिग्नल को शोर से अलग कर सके ताकि वह तेजी से और समझदारी से सीख सके।