PWLR: Pairwise Witness Local Rejection for Boundary-Aware Out-of-Distribution Detection
यह शोध पत्र पेयरवाइज़ विटनेस लोकल रिजेक्शन (PWLR) को प्रस्तुत करता है, जो एक MLLM का लाभ उठाकर प्रतिस्पर्धी इन-डिस्ट्रीब्यूशन क्लासेस के बीच स्पष्ट बाउंड्री एविडेंस के रूप में विश्वसनीय लोकल विजुअल क्यूज को जेनरेट और स्क्रीन करता है, जिससे पेयरवाइज़ लोकल वेरिफिकेशन को ग्लोबल क्लास स्कोर्स के साथ जोड़कर नियर-OOD डिटेक्शन प्रदर्शन में महत्वपूर्ण सुधार होता 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 एक ऐसा कंप्यूटर है जो किसी तस्वीर को देख सकता है और आपको ठीक-ठीक बता सकता है कि वह उसमें क्या देख रहा है। यह क्षमता, जिसे इमेज रिकग्निशन (छवि पहचान) कहा जाता है, उन चीजों की पहचान करने में अविश्वसनीय रूप से कुशल हो गई है जिन पर इसे प्रशिक्षित किया गया है, जैसे कि कुत्ते की एक विशिष्ट नस्ल या किसी फूल का प्रकार। हालाँकि, ये प्रणालियाँ तब एक कठिन समस्या का सामना करती हैं जब वे किसी ऐसी चीज़ का सामना करती हैं जिसे उन्होंने पहले कभी नहीं देखा है। आर्टिफिशियल इंटेलिजेंस की दुनिया में, इसे आउट-ऑफ-डिस्ट्रीब्यूशन सैंपल (वितरण से बाहर का नमूना) कहा जाता है। यदि कोई प्रणाली केवल कुत्तों और बिल्लियों की तस्वीरों पर प्रशिक्षित है, और वह एक टोस्टर की तस्वीर देखती है, तो वह अभी भी एक लेबल थोपने की कोशिश कर सकती है, और आत्मविश्वास के साथ उसे "एक बहुत ही अजीब बिल्ली" घोषित कर सकती है। यह वास्तविक दुनिया के अनुप्रयोगों में खतरनाक है, जैसे कि स्वयं-चालित कारों (सेल्फ-ड्राइविंग कार्स) या चिकित्सा निदान में, जहाँ एक आत्मविश्वासी गलती के गंभीर परिणाम हो सकते हैं। इस क्षेत्र के शोधकर्ताओं का लक्ष्य इन प्रणालियों को यह सिखाना है कि जब वे कुछ अपरिचित देखें तो अनुमान लगाने के बजाय "मुझे नहीं पता" कहना सीखें।
यह चुनौती तब और भी कठिन हो जाती है जब अज्ञात वस्तु ज्ञात वस्तुओं के समान दिखती है। यदि कोई प्रणाली दो समान पक्षियों के बीच अंतर करने के लिए प्रशिक्षित है, तो उसे एक तीसरे पक्षी को पहचानने में संघर्ष करना पड़ सकता जिसे उसने पहले कभी नहीं देखा है, क्योंकि उन सभी का आकार और रंग समान होता है। पारंपरिक तरीके अक्सर पूरी छवि को एक एकल इकाई के रूप में देखते हैं, और उसे एक सामान्य श्रेणी से मिलाने का प्रयास करते हैं। लेकिन जब अंतर सूक्ष्म और छोटे विवरणों में छिपे होते हैं, तो पूरी तस्वीर को देखना पर्याप्त नहीं होता। प्रणाली को और करीब से देखने की आवश्यकता होती है, ताकि वह उन विशिष्ट, सूक्ष्म सुरागों को खोज सके जो सिद्ध करते हैं कि एक चीज़ दूसरी चीज़ नहीं है।
सन यत-सेन विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसे वे 'पेयरवाइज विटनेस लोकल रिजेक्शन' (Pairwise Witness Local Rejection) कहते हैं। कंप्यूटर को यह अनुमान लगाने के लिए कहने के बजाय कि अज्ञात वस्तु क्या हो सकती है, वे इसे एक सतर्क पर्यवेक्षक की तरह कार्य करना सिखाते हैं जो दो विशिष्ट उम्मीदवारों की तुलना करता है। यह विधि पहले यह पहचानकर काम करती है कि किसी छवि के लिए सबसे संभावित उम्मीदवार क्या हो सकते हैं। फिर, केवल सर्वोत्तम मिलान को स्वीकार करने के बजाय, प्रणाली एक विशिष्ट प्रश्न पूछती है: "क्या इस छवि में वे छोटे, स्थानीय लक्षण हैं जो यह सिद्ध करते हैं कि यह विशेष पक्षी है, न कि वह समान दिखने वाला प्रतिद्वंद्वी पक्षी?"
इसे करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस के एक शक्तिशाली प्रकार, जिसे मल्टीमॉडल लार्ज लैंग्वेज मॉडल (बहु-मोडल विशाल भाषा मॉडल) कहा जाता है, का उपयोग किया। यह मॉडल टेक्स्ट और छवियों दोनों को समझ सकता है। इससे पहले कि प्रणाली वास्तविक परीक्षण छवि देखे, शोधकर्ता इस मॉडल का उपयोग ऑफलाइन रूप से विशिष्ट, वर्णनात्मक वाक्यांश उत्पन्न करने के लिए करते हैं। ये वाक्यांश "गवाह" (विटनेस) के रूप में कार्य करते हैं। उदाहरण के लिए, यदि प्रणाली दो प्रकार के पक्षियों के बीच अंतर करने का प्रयास कर रही है, तो मॉडल "सुनहरा परतदार क्रस्ट" या "विशिष्ट पूंछ का पैटर्न" जैसा वाक्यांश उत्पन्न कर सकता है जो एक पक्षी के लिए अद्वितीय है लेकिन दूसरे के लिए नहीं। ये वाक्यांश केवल यादृच्छिक विवरण नहीं हैं; उन्हें सावधानीपूर्वक उन सटीक अंतरों को उजागर करने के लिए चुना गया है जो एक वर्ग को उसके निकटतम प्रतिद्वंद्वी से अलग करते हैं।
एक बार जब ये गवाह वाक्यांश बना लिए जाते हैं, तो प्रणाली यह सुनिश्चित करने के लिए हजारों ज्ञात छवियों के विरुद्ध उनका परीक्षण करती है कि वे विश्वसनीय हैं। यह जाँचता है कि क्या वह वाक्यांश लगातार लक्षित पक्षी की तस्वीरों में दिखाई देता है और प्रतिद्वंद्वी पक्षी की तस्वीरों में शायद ही कभी आता है। यदि कोई वाक्यांश बहुत अस्पष्ट है या कई चीजों पर लागू हो सकता है, तो उसे हटा दिया जाता है। यह प्रक्रिया दृश्य सुरागों की एक विश्वसनीय लाइब्रेरी बनाती है। जब एक नई छवि आती है, तो प्रणाली पहले कुछ संभावित उम्मीदवारों को चुनती है। फिर, प्रत्येक उम्मीदवार के लिए, वह जाँच करती है कि क्या छवि में वह विशिष्ट स्थानीय साक्ष्य मौजूद है जो उसे उसके सबसे भ्रमित करने वाले प्रतिद्वंद्वी पर बढ़त दिलाता है। वह छवि के छोटे हिस्सों (पैच) की जांच करती है, और "गवाह" लक्षणों की तलाश करती है।
अंतिम निर्णय दो प्रकार की जानकारी को जोड़कर लिया जाता है। पहला, छवि कैसी दिखती है इसका एक व्यापक, वैश्विक बोध (ग्लोबल सेंस) है। दूसरा, गवाह वाक्यांशों से प्राप्त विस्तृत, स्थानीय साक्ष्य है। प्रणाली वर्गीकरण को तभी स्वीकार करती है जब छवि वैश्विक रूप से तर्कसंगत हो और उसके निकटतम प्रतिद्वंद्वियों के विरुद्ध मजबूत स्थानीय साक्ष्य द्वारा समर्थित हो। यदि छवि उन विशिष्ट संकेतों को दिखाने में विफल रहती है जो उसे एक समान दिखने वाले प्रतिद्वंद्वी से अलग करते हैं, तो प्रणाली उसे अज्ञात मानकर अस्वीकार कर देती है।
अपने परीक्षणों में, शोधकर्ताओं ने मानक बेंचमार्क और अधिक कठिन, वास्तविक परिदृश्यों सहित विविध प्रकार के इमेज डेटासेट पर इस पद्धति को लागू किया, जहाँ अज्ञात वस्तुएं ज्ञात वर्गों के बहुत समान होती हैं। उन्होंने पाया कि यह दृष्टिकोण मौजूदा प्रणालियों की अज्ञात इनपुट का पता लगाने की क्षमता में लगातार सुधार करता है। मानक परीक्षणों पर, नए तरीके ने गलत अलार्म की दर को काफी कम कर दिया, जिससे इसने पिछली तकनीकों की तुलना में अज्ञात छवियों को अधिक सही ढंग से पहचाना। सुधार विशेष रूप से उन स्थितियों में स्पष्ट था जहाँ अज्ञात वस्तुएं दृश्य रूप से ज्ञात वर्गों के बहुत करीब थीं, जिससे यह सिद्ध हुआ कि सामान्य धारणाओं पर भरोसा करने के बजाय विशिष्ट, स्थानीय अंतरों की तलाश करना अधिक प्रभावी है।
शोधकर्ताओं ने यह सुनिश्चित करने के लिए कि यह पद्धति व्यापक रूप से काम करती है, न कि केवल एक विशिष्ट सेटअप के साथ, विभिन्न प्रकार के कंप्यूटर विजन मॉडल पर अपने तरीके का परीक्षण किया। परिणामों ने दिखाया कि यह दृष्टिकोण मजबूत है और इसे मौजूदा प्र telah प्रणालियों को सुरक्षित और अधिक विश्वसनीय बनाने के लिए जोड़ा जा सकता है। "क्या यह अज्ञात है?" की अमूर्त समस्या को "क्या इस छवि में वे विशिष्ट लक्षण हैं जो सिद्ध करते हैं कि यह यह है और वह नहीं है?" के ठोस कार्य में बदलकर, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की अपनी सीमाओं को पहचानने के लिए एक स्पष्ट मार्ग प्रदान किया है। यह कार्य बताता है कि एआई में बेहतर सुरक्षा की कुंजी केवल अधिक जानना नहीं है, बल्कि यह जानना है कि परिचित को अपरिचित से अलग करने वाले सटीक विवरणों को कैसे देखा जाए।
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।