Dynamic Entanglement-Weighted Pruning for Quantum Federated Unlearning in Supply-Chain Risk Prediction
यह शोध पत्र एंटैंगलमेंट-वेटेड प्रूनिंग (EWP) को प्रस्तुत करता है, जो आपूर्ति-श्रृंखला जोखिम भविष्यवाणी (supply-chain risk prediction) में क्वांटम फेडरेटेड लर्निंग के लिए एक नवीन अनलर्निंग विधि है, जो क्वांटम फिशर सूचना और संरचनात्मक एंटैंगलमेंट के संयुक्त स्कोर के आधार पर मापदंडों को प्रून करके क्लाइंट के प्रभाव को कुशलतापूर्वक हटा देता है, जिससे पूर्ण पुनरप्रशिक्षण (full retraining) के तुलनीय सटीकता प्राप्त होती है और गणनात्मक लागत में काफी कमी आती 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
आधुनिक लॉजिस्टिक्स की दुनिया में, जोखिम का पूर्वानुमान लगाना एक सामूहिक प्रयास है। शिपिंग कंपनियां, निर्माता और वाहक सभी एक पहेली के टुकड़ों को धारण करते हैं—देरी, वित्तीय स्वास्थ्य और मार्ग व्यवधानों के बारे में डेटा—जिसे कोई भी एकल कंपनी कानूनी या सुरक्षित रूप से दूसरों के साथ साझा नहीं कर सकती। इसे हल करने के लिए, वे 'फेडरेटेड लर्निंग' नामक एक विधि का उपयोग करते हैं। अपने संवेदनशील डेटा को एक केंद्रीय डेटाबेस में इकट्ठा करने के बजाय, वे केवल छोटे, एन्क्रिप्टेड अपडेट्स को आगे-पीछे भेजकर एक साझा कंप्यूटर मॉडल को प्रशिक्षित करते हैं। कच्चा डेटा कभी भी मालिक के परिसर को नहीं छोड़ता है। यह दृष्टिकोण हाल ही में उभरते हुए क्वांटम कंप्यूटिंग के क्षेत्र में विस्तारित किया गया है, जहाँ साझा मॉडल एक मानक प्रोग्राम नहीं है, बल्कि क्वबिट्स (qubits) का एक जटिल विन्यास है, जो सूचनाओं को उन तरीकों से संसाधित कर सकते हैं जो क्लासिकल कंप्यूटर नहीं कर सकते। हालाँकि, एक नई जटिलता उत्पन्न हुई है। गोपनीयता कानून, जैसे यूरोप में जनरल डेटा प्रोटेक्शन रेगुलेशन (GDPR), व्यक्तियों और कंपनियों को "भूल जाने का अधिकार" (right to be forgotten) प्रदान करते हैं। यदि कोई कंपनी एक सहयोगात्मक मॉडल में शामिल होती है और बाद में बाहर निकलने का निर्णय लेती है, तो कानून यह मांग करता है कि अंतिम प्रणाली से उसके प्रभाव को मिटा दिया जाए। क्लासिकल सेटिंग में, यह कठिन है; क्वांटम सेटिंग में, जहाँ सूचना 'एंटैंगलमेंट' (entanglement) नामक घटना के माध्यम से आपस में बुनी जाती है, यह और भी रहस्यमय है। मुख्य प्रश्न यह बन जाता है: आप किसी व्यक्ति के योगदान को क्वांटम मॉडल से कैसे हटा सकते हैं बिना मॉडल की दूसरों के लिए जोखिमों का पूर्वानुमान लगाने की क्षमता को नष्ट किए?
भारतीय प्रौद्योगिकी संस्थान जोधपुर के शोधकर्ताओं ने इस समस्या के समाधान के रूप में एक विधि प्रस्तावित की है, जिसे वे 'एंटैंगलमेंट-वेटेड प्रूनिंग' (Entanglement-Weighted Pruning) कहते हैं। आदित्य कुमार और सुमित चोंडर के नेतृत्व वाली टीम ने पांच अलग-अलग कंपनियों वाले आपूर्ति श्रृंखला जोखिम भविष्यवाणी परिदृश्य का अनुकरण करके इस चुनौती का सामना किया। उनके प्रयोग में, प्रत्येक कंपनी के पास शिपमेंट जोखिमों के बारे में डेटा का एक छोटा सेट था। उन्होंने मिलकर एक साझा क्वांटम मॉडल को प्रशिक्षित किया, और फिर, एक सिम्युलेटेड कानूनी अनुरोध में, एक कंपनी ने हटने के लिए कहा। शोधकर्ताओं को उस विशिष्ट कंपनी के प्रभाव को सर्जिकल तरीके से काटने की आवश्यकता थी, बिना पूरे मॉडल को शुरू से फिर से प्रशिक्षित (retrain) किए, जो वर्तमान क्वांटम हार्डवेयर पर अविश्वसनीय रूप से धीमा और महंगा होगा।
टीम ने महसूस किया कि क्वांटम मॉडल के सभी हिस्से हर कंपनी के लिए समान रूप से महत्वपूर्ण नहीं होते हैं। यह पता लगाने के लिए कि किन हिस्सों को हटाना है, उन्होंने एक स्कोरिंग सिस्टम विकसित किया जो क्वांटम सर्किट के प्रत्येक समायोज्य नॉब (adjustable knob), या पैरामीटर के लिए दो विशिष्ट चीजों को देखता है। पहले, उन्होंने मापा कि एक विशिष्ट नॉब उस कंपनी के डेटा के प्रति कितना संवेदनशील था जो छोड़ना चाहती थी। यदि किसी नॉब ने उस कंपनी के डेटा को फीड करने पर मॉडल के आउटपुट को नाटकीय रूप से बदल दिया, तो उसे उस कंपनी के प्रति अत्यधिक संवेदनशील माना गया। दूसरा, उन्होंने मापा कि उस नॉब ने सिस्टम के क्वांटम एंटैंगलमेंट में कितना योगदान दिया। एंटैंगलमेंट कणों को जोड़ने वाला अनूठा क्वांटम लिंक है; कुछ नॉब कणों के बीच मजबूत संबंध बनाते हैं, जबकि अन्य कमजोर संबंध बनाते हैं। शोधकर्ताओं ने पाया कि हटाने के लिए सबसे सुरक्षित नॉब्स वे थे जो जाने वाली कंपनी के डेटा के प्रति अत्यधिक संवेदनशील थे लेकिन बहुत कमजोर एंटैंगलमेंट लिंक बनाते थे। ये मॉडल के वे हिस्से थे जो विशिष्ट कंपनी के रहस्यों को धारण करते थे लेकिन मॉडल को थामे रखने वाली समग्र संरचना के लिए आवश्यक नहीं थे।
उन्होंने इन दो मापों को एक एकल स्कोर में संयोजित किया। कोई भी नॉब जिसका स्कोर कम था—अर्थात जो जाने वाली कंपनी के लिए विशिष्ट था लेकिन समूह के लिए संरचनात्मक रूप से महत्वहीन था—उसे एक तटस्थ अवस्था (neutral state) पर रीसेट कर दिया गया, जिससे प्रभावी रूप से उसका योगदान मिट गया। इस प्रूनिंग के बाद, शोधकर्ताओं ने केवल शेष कंपनियों के डेटा का उपयोग करके एक संक्षिप्त, लक्षित समायोजन चलाया ताकि यह सुनिश्चित हो सके कि मॉडल अभी भी अच्छी तरह से काम करता है। उन्होंने इस पद्धति का परीक्षण कई विकल्पों के विरुद्ध किया, जिसमें पूरे मॉडल को शुरू से फिर से प्रशिक्षित करना शामिल है, जो कि गोल्ड स्टैंडर्ड है लेकिन इसमें बहुत समय लगता है, और अन्य विधियाँ जो केवल दो में से एक कारक को देखती हैं।
परिणाम चौंकाने वाले थे। अपने सिमुलेशन में, नई प्रूनिंग विधि ने जोखिमों की भविष्यवाणी करने में लगभग 84 प्रतिशत की सटीकता प्राप्त की, जो पूर्ण पुन: प्रशिक्षण (full retraining) विधि से सांख्यिकीय रूप से अविभेद्य है। अधिक महत्वपूर्ण बात यह है कि, यह "भूलने" (forgetting) में कहीं अधिक प्रभावी थी। जब शोधकर्ताओं ने परीक्षण किया कि क्या एक हैकर अभी भी यह बता सकता है कि क्या जाने वाली कंपनी का डेटा प्रशिक्षण का हिस्सा था, तो नए तरीके ने मॉडल को चकमा देना पूर्ण पुन: प्रशिक्षण विधि की तुलना में काफी कठिन बना दिया। सबसे महत्वपूर्ण निष्कर्ष गति था। जबकि पूरे मॉडल को शुरू से फिर से प्रशिक्षित करने में उनके सिमुलेशन में लगभग 65 सेकंड लगे, नई प्रूनिंग विधि ने अनलर्निंग (unlearning) की प्रक्रिया को चार सेकंड से कम समय में पूरा कर लिया। यह लगभग 16 गुना गति वृद्धि है, जो एक ऐसे सिस्टम के लिए एक बड़ी उपलब्धि है जहाँ गणना का हर सेकंड महंगा होता है।
अध्ययन ने यह भी पता लगाया कि क्या होता है यदि शोधकर्ता केवल दो में से एक कारक का उपयोग करने का प्रयास करते हैं। यदि वे जाने वाली कंपनी के प्रति संवेदनशीलता के आधार पर नॉब्स को हटाते हैं, और एंटैंगलमेंट स्ट्रेंथ को अनदेखा करते हैं, तो मॉडल की सटीकता 35 प्रतिशत अंकों से अधिक गिर जाती है। इसी तरह, यदि वे कमजोर एंटैंगलमेंट के आधार पर नॉब्स को हटाते हैं, और विशिष्ट डेटा संवेदनशीलता को अनदेखा करते हैं, तो मॉडल कंपनी को प्रभावी ढंग से भूलने में विफल रहता है। इसने पुष्टि की कि दोनों संकेतों का संयोजन आवश्यक था; विधि तभी काम करती है जब वह उस विशिष्ट प्रतिच्छेदन (intersection) को पाती है जहाँ एक पैरामीटर वांछित डेटा का वाहक भी है और हटाने के लिए सुरक्षित भी है।
शोधकर्ताओं ने अपने कार्य की सीमाओं को स्पष्ट रूप से नोट किया। उनके निष्कर्ष एक क्लासिकल कंप्यूटर पर एक सिमुलेशन से आए हैं, न कि वास्तविक क्वांटम मशीन से, और उन्होंने केवल चार क्वबिट्स वाला एक छोटा मॉडल उपयोग किया। उन्होंने इस बात पर भी जोर दिया कि हालांकि उनकी विधि कानूनी "भूल जाने के अधिकार" के प्रभाव की नकल करती है, लेकिन यह गणितीय गारंटी नहीं देती है कि डेटा उसी तरह गायब हो गया है जैसे कि एक क्रिप्टोग्राफिक प्रमाण देता है। फिर भी, यह अध्ययन एक स्पष्ट, व्यावहारिक मार्ग प्रदान करता है। यह सुझाव देता है कि भविष्य में, जब क्वांटम मॉडल का उपयोग आपूर्ति श्रृंखला या स्वास्थ्य सेवा जैसे क्षेत्रों में महत्वपूर्ण निर्णय लेने के लिए किया जाएगा, तो मॉडल के प्रदर्शन या पूर्ण पुन: प्रशिक्षण की प्रतीक्षा किए बिना गोपनीयता कानूनों का सम्मान करना और विशिष्ट योगदान को हटाना संभव होगा। यह विधि एक संभावित विनाशकारी प्रक्रिया को एक सटीक, कुशल ऑपरेशन में बदल देती है, यह सुनिश्चित करती है कि समूह की सामूहिक बुद्धिमत्ता विकसित हो सकती है, भले ही व्यक्तिगत सदस्य आते और जाते रहें।
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।