Quantifying Event Impacts on Time Series via Multiscale Contrastive Learning

बाज़ार केवल ऐसे मशीनें नहीं हैं जो अपने आप आगे बढ़ती रहती हैं; वे जीवित प्रणालियाँ हैं जो अपने आस-पास की दुनिया के प्रति प्रतिक्रिया करती हैं। जब कोई कंपनी स्वस्थ होती है और अर्थव्यवस्था स्थिर होती है, तो उसकी स्टॉक की कीमत आमतौर पर अनुमानित लय में चलती है, जो व्यवसाय के मौसमों और निवेशकों की आदतों के साथ ऊपर-नीचे होती है। लेकिन कभी-कभी, कुछ अचानक और बाहरी घटित होता है—डेटा उल्लंघन (data breach) की कोई समाचार रिपोर्ट, एक नियामक फाइलिंग, या कोई सार्वजनिक घोटाला—जो उन लयों को छिन्न-भिन्न कर देता है। ये घटनाएँ विविक्त (discrete) होती हैं, जैसे एक शांत तालाब में गिरा हुआ पत्थर, लेकिन उनके परिणाम निरंतर वित्तीय डेटा के माध्यम से लहरों की तरह फैलते हैं, जिससे कीमतें अचानक और अप्रत्याशित रूप से गिर जाती हैं। इन बाज़ारों को समझने की चुनौती यह है कि जबकि घटना स्वयं समय का एक एकल क्षण है, उससे होने वाला नुकसान दिनों या हफ्तों तक फैलता है, जो अक्सर सामान्य बाज़ार के शोर के बीच मिश्रित होता है। यह पता लगाना कि किसी विशिष्ट घटना ने कंपनी को वास्तव में कितना नुकसान पहुँचाया, स्टॉक मार्केट के सामान्य उतार-चढ़ाव से अलग करके, एक कठिन पहेली है जिसे पारंपरिक उपकरण अक्सर हल करने में विफल रहते हैं।

शोधकर्ताओं की एक टीम ने इस विशिष्ट प्रकार के नुकसान को मापने का एक नया तरीका विकसित किया है, जो विशेष रूप से साइबर सुरक्षा घटना के सार्वजनिक होने के क्षण पर ध्यान केंद्रित करता है। उन्होंने 'इवेंटटाइम' (EventTime) नामक एक प्रणाली बनाई, जिसे किसी उल्लंघन की घोषणा से पहले कंपनी के स्टॉक मूल्य के इतिहास को देखने और उल्लंघन के विवरणों के साथ जोड़कर, उसके तुरंत बाद होने वाले तत्काल वित्तीय नुकसान की भविष्यवाणी करने के लिए डिज़ाइन किया गया है। पुराने मॉडल जो स्टॉक की कीमत के पूरे भविष्य के पथ का अनुमान लगाने की कोशिश करते हैं, उनके विपरीत यह प्रणाली एक सरल, अधिक सटीक प्रश्न पूछती है: समाचार के बारे में जो हम जानते हैं और समाचार की गंभीरता को देखते हुए, कंपनी कितनी वैल्यू खो देगी? शोधकर्ताओं ने पाया कि घटना को केवल एक फुटनोट के रूप में नहीं, बल्कि कहानी के केंद्रीय भाग के रूप में मानकर, और एक ऐसी शिक्षण पद्धति (learning method) का उपयोग करके जो कंप्यूटर को दुर्लभ स्थितियों में पैटर्न पहचानने में मदद करती है, वे इन नुकसानों की बहुत अधिक सटीकता से भविष्यवाणी कर सके।

समस्या का मूल यह है कि मानक पूर्वानुमान उपकरण रुझानों (trends) को पहचानने में उत्कृष्ट होते हैं, जैसे कि किसी कंपनी की निरंतर वृद्धि या खुदरा बिक्री के मौसमी चक्र, लेकिन जब कोई दुर्लभ, अराजक घटना आती है, तो वे संघर्ष करते हैं। इनमें से अधिकांश उपकरण यह मान लेते हैं कि भविष्य कुछ हद तक अतीत जैसा ही होगा, लेकिन एक बड़ा डेटा उल्लंघन एक नियमित घटना नहीं है। यह एक 'आउटलायर' (outlier) है जो नियमों को तोड़ देता है। शोधकर्ताओं ने महसूस किया कि ऐसी घटना के प्रभाव को समझने के लिए, उन्हें बाज़ार को एक साथ कई दृष्टिकोणों से देखने की आवश्यकता थी। उन्हें कंपनी के दीर्घकालिक स्वास्थ्य, मध्यम अवधि के रुझानों और समाचार आने से ठीक पहले की हालिया, अस्थिर गतिविधियों को देखने की आवश्यकता थी। उन्हें इस घटना की विशिष्ट प्रकृति को भी समझने की आवश्यकता थी: क्या यह ईमेल पतों का एक छोटा सा रिसाव था, या सोशल सिक्योरिटी नंबरों की बड़ी चोरी? इन दोनों परिदृश्यों का प्रभाव बहुत अलग है, फिर भी पारंपरिक मॉडल अक्सर इन्हें केवल एक अन्य डेटा पॉइंट के रूप में देखते हैं।

इसे हल करने के लिए, टीम ने एक ढांचा बनाया जो एक बहु-स्तरीय फ़िल्टर की तरह कार्य करता है। सबसे पहले, यह एक स्टॉक के प्रदर्शन के इतिहास को विभिन्न समय पैमानों में विभाजित करता है, जो एक साथ दैनिक उतार-चढ़ाव, साप्ताहिक रुझान और मासिक पैटर्न को देखता है। यह झटके से पहले कंपनी की स्थिति की एक पूर्ण तस्वीर देता है। फिर, यह साइबर सुरक्षा घटना के विवरणों को—चोरी किए गए डेटा का प्रकार, प्रभावित लोगों की संख्या और उल्लंघन की गंभीरता—वित्तीय चित्र के साथ मिला देता है। घटना के विवरणों को केवल डेटा के अंत में जोड़ने के बजाय, सिस्टम एक विशेष 'अटेंशन मैकेनिज्म' (attention mechanism) का उपयोग करता है ताकि उस विशिष्ट क्षणों को खोजा जा सके जहाँ हाल के अतीत में बाज़ार उस तरह की घटना के प्रति सबसे अधिक संवेदनशील था जो अभी हुई है। यह पूछता है, "इस विशिष्ट प्रकार के उल्लंघन को देखते हुए, हाल के बाज़ार इतिहास के कौन से हिस्से सबसे अधिक महत्वपूर्ण हैं?" यह मॉडल को सामान्य बाज़ार गतिविधि के शोर से घटना के संकेत (signal) को अलग करने की अनुमति देता है।

चूंकि बड़े डेटा उल्लंघन दुर्लभ होते हैं, इसलिए कंप्यूटर को उनकी भविष्यवाणी करना सिखाने के लिए ऐतिहासिक डेटा की भारी मात्रा उपलब्ध नहीं है। यदि किसी मॉडल को बहुत कम डेटा पर प्रशिक्षित किया जाता है, तो वह वास्तविक पैटर्न सीखने के बजाय शोर को याद करने लगता है। इस चुनौती से निपटने के लिए, शोधकर्ताओं ने 'कॉन्ट्रास्टिव लर्निंग' (contrastive learning) नामक एक तकनीक पेश की। कल्पना कीजिए कि सिस्टम को दो अलग-अलग कंपनियों को दिखाया जाता है जिन्होंने समान प्रकार के बाजार स्थितियों के तहत समान प्रकार के डेटा उल्लंघन झेले हैं। सिस्टम को यह पहचानने के लिए प्रशिक्षित किया जाता है कि ये दोनों स्थितियाँ एक जैसी हैं और उन्हें अपनी समझ में एक साथ रखा जाना चाहिए, भले ही उनके नुकसान की सटीक डॉलर राशि थोड़ी भिन्न हो। इसके विपरीत, यह उन स्थितियों को अलग करने के लिए सीखता है जो अलग दिखती हैं, जैसे कि बाजार की गिरावट के दौरान एक मामूली उल्लंघन बनाम एक स्थिर अवधि के दौरान एक बड़ा उल्लंघन। यह विधि मॉडल को इन दुर्लभ घटनाओं में वित्तीय नुकसान को चलाने वाले कारकों की एक मजबूत समझ बनाने में मदद करती है, जिससे यह नए प्रकार की घटना या अधूरी जानकारी मिलने पर भी अधिक विश्वसनीय बन जाता है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण एक विशाल, वास्तविक दुनिया के डेटासेट पर किया जिसे उन्होंने स्वयं बनाया था, जो 'प्राइवेसी राइट्स क्लियरिंगहाउस' द्वारा रिपोर्ट की गई हजारों साइबर सुरक्षा घटनाओं को सैकड़ों अमेरिकी कंपनियों के दैनिक स्टॉक मूल्यों के साथ जोड़ता है। उन्होंने पाया कि उनकी नई प्रणाली स्टॉक की गतिविधियों की भविष्यवाणी करने के लिए मौजूदा सर्वोत्तम मॉडलों से लगातार बेहतर प्रदर्शन करती है। जहाँ अन्य उपकरण अक्सर एक सामान्य बाज़ार की गिरावट और एक विशिष्ट समाचार घटना के कारण हुई गिरावट के बीच अंतर करने में संघर्ष करते हैं, वहीं इवेंटटाइम असामान्य नुकसान को अधिक सटीकता के साथ पहचानने में सक्षम था। सिस्टम अपूर्ण जानकारी को संभालने में विशेष रूप से अच्छा साबित हुआ; यहाँ तक कि जब उल्लंघन के बारे में कुछ विवरण गायब थे, तब भी यह पिछले समान घटनाओं से सीखे गए पैटर्न पर भरोसा करके एक ठोस भविष्यवाणी कर सकता था। यह सुझाव देता है कि मॉडल ने केवल विशिष्ट उदाहरणों को याद करने के बजाय, इस बात के अंतर्निहित तर्क को सीख लिया है कि बाज़ार सुरक्षा विफलताओं के प्रति कैसे प्रतिक्रिया करता है।

यह सुनिश्चित करने के लिए कि उनका दृष्टिकोण केवल वित्तीय जगत का कोई संयोग नहीं था, टीम ने एक पूरी तरह से अलग क्षेत्र: जल विज्ञान (hydrology) पर भी इसका परीक्षण किया। उन्होंने नदी के जल स्तर के प्रति अत्यधिक वर्षा की घटनाओं के जवाब में होने वाली प्रतिक्रिया की भविष्यवाणी करने के लिए उसी तर्क को लागू किया। जिस तरह एक स्टॉक की कीमत समाचार की कहानी पर प्रतिक्रिया करती है, उसी तरह एक नदी का प्रवाह अचानक बारिश के उछाल पर प्रतिक्रिया करता है। सिस्टम ने नदी के इतिहास और वर्षा के विवरण के आधार पर जल स्तर के तत्काल उछाल की सफलतापूर्वक भविष्यवाणी की। यह क्रॉस-डोमेन सफलता इंगित करती है कि यह पद्धति केवल वित्त तक सीमित नहीं है; यह किसी भी निरंतर प्रणाली (continuous system) के अचानक, विविक्त झटके के प्रति प्रतिक्रिया को समझने का एक सामान्य तरीका है।

निष्कर्ष बताते हैं कि संकट के भविष्य के प्रभाव की भविष्यवाणी करने के लिए हमें बाज़ार के झटकों का विश्लेषण करने के तरीके को बदलने की आवश्यकता है। हम ऐसे मॉडलों पर भरोसा नहीं कर सकते जो केवल कीमतों के पिछले व्यवहार को देखते हैं। इसके बजाय, हमें ऐसे सिस्टम बनाने चाहिए जो घटना को पढ़ सकें और समझ सकें कि वह घटना वर्तमान बाज़ार की स्थिति के साथ कैसे परस्पर क्रिया करती है। अतीत के गहन अवलोकन को वर्तमान समाचारों के सावधानीपूर्वक अध्ययन के साथ जोड़कर, और सीखने की उन तकनीकों का उपयोग करके जो कंप्यूटर को दुर्लभ पैटर्न पहचानने में मदद करती हैं, हम संकट की वास्तविक लागत की एक स्पष्ट तस्वीर प्राप्त कर सकते हैं। यह कार्य न केवल निवेशकों के लिए एक बेहतर उपकरण प्रदान करता है; यह हमारे डिजिटल और आर्थिक तंत्रों में फैलने वाले अदृश्य नुकसान को मापने का एक नया तरीका भी प्रदान करता है जब सुरक्षा विफल हो जाती है।