A VLM Answer Is Not an Anomaly Score: Rank Compression in Training-Free Video Anomaly Detection
यह शोध पत्र यह प्रदर्शित करता है कि विजन-लैंग्वेज मॉडल्स का उपयोग करके ट्रेनिंग-फ्री वीडियो विसंगति का पता लगाने में, पूर्ण उत्तर वितरण (full answer distribution) का लाभ उठाने वाला एक संभाव्यता-आधारित रीडआउट (probability-based readout) मानक जनरेटेड-आंसर दृष्टिकोण की तुलना में काफी बेहतर प्रदर्शन करता है, क्योंकि यह "रैंक कंप्रेशन" (rank compression) से बचता है, जहाँ विशिष्ट सेगमेंट वितरणों को समान स्कोर में समेट दिया जाता है, जिससे सटीक मूल्यांकन के लिए आवश्यक सूक्ष्म-स्तरीय रैंकिंग सुरक्षित रहती 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
एक निगरानी प्रणाली की शांत गूँज में, एक कैमरा सड़क के कोने, एक कारखाने के फर्श या एक सबवे स्टेशन पर नज़र रखता है, कुछ गलत होने का इंतज़ार करता है। दशकों से, कंप्यूटर इन समस्याओं के क्षणों, जिन्हें विसंगति (anomaly) कहा जाता है, को पहचानने के लिए संघर्ष कर रहे हैं, क्योंकि वे दुर्लभ, अप्रत्याशित होते हैं और अक्सर होने तक वे कुछ भी नहीं लगते। पारंपरिक प्रणालियों के लिए इंजीनियरों को उन्हें यह सिखाना आवश्यक था कि अपराध या दुर्घटना कैसी दिखती है, जिसके लिए उन्हें हज़ारों उदाहरण दिए जाते थे, जो एक धीमी और कठोर प्रक्रिया थी। हाल ही में, विज़न-लैंग्वेज मॉडल नामक एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस ने एक अलग मार्ग प्रशस्त किया है। ये शक्तिशाली प्रणालियाँ हैं जो एक छवि देख सकती हैं और उसे मानवीय भाषा के माध्यम से समझ सकती हैं। हिंसा या चोरी के विशिष्ट उदाहरणों पर प्रशिक्षित होने के बजाय, उनसे एक सरल प्रश्न पूछा जा सकता है: "क्या यहाँ कुछ खतरनाक हो रहा है?" यदि मॉडल कहता है "हाँ," तो सिस्टम उस क्षण को चिह्नित कर देता है। यह एक सीधा समाधान लगता है, लेकिन एक नया अध्ययन बताता है कि हम उत्तर को कैसे सुनते हैं, यह उतना ही महत्वपूर्ण है जितना कि स्वयं उत्तर।
दक्षिण कोरिया के सुंगक्यूनक्वान विश्वविद्यालय के शोधकर्ताओं ने इस बात की जांच की कि ये मॉडल अपने विचारों को एक ऐसे स्कोर में कैसे अनुवादित करते हैं जिसका उपयोग कंप्यूटर घटनाओं को रैंक करने के लिए कर सकता है। उन्होंने पाया कि इन मॉडलों का उपयोग करने का मानक तरीका उपयोगी जानकारी के एक विशाल हिस्से को फेंक देता है। जब एक मॉडल से वीडियो क्लिप का निर्णय लेने के लिए कहा जाता है, तो वह केवल एक सूची से "हाँ" या "नहीं" जैसा एक एकल शब्द नहीं चुनता है। इसके बजाय, वह हर संभव उत्तर के लिए एक संभावना (probability) की गणना करता है। इसे निश्चितता के पैमाने के रूप में समझें। मॉडल किसी क्लिप के बारे में 94% आश्वस्त हो सकता है और दूसरे क्लिप के बारे में 56% आश्वस्त हो सकता है। पुराने तरीके के तहत, दोनों क्लिपों को सीधे "हाँ" का लेबल दिया जाएगा, और कंप्यूटर उन्हें समान मान लेगा। शोधकर्ताओं ने पाया कि विवरण की यह कमी, जिसे वे 'रैंक कम्प्रेशन' कहते हैं, सिस्टम को उन सूक्ष्म अंतरों को पहचानने से रोक देती है जो एक मामूली घटना और एक स्पष्ट खतरे के बीच अंतर करते हैं।
इसे ठीक करने के लिए, टीम ने एक अलग दृष्टिकोण का परीक्षण किया। मॉडल के एक शब्द चुनने की प्रतीक्षा करने के बजाय, उन्होंने उस पूरी संभावनाओं के प्रसार (spread of probabilities) को देखा जो मॉडल ने प्रत्येक संभावित उत्तर के लिए उत्पन्न की थी। उन्होंने निश्चितता के इस पूरे वितरण को एक एकल, सटीक संख्या में बदल दिया। यह विधि, जिसे वे 'प्रोबेबिलिटी रीडआउट' कहते, ने सिस्टम को यह देखने की अनुमति दी कि 94% वाला क्लिप 56% वाले क्लिप की तुलना में काफी अधिक खतरनाक था, भले ही दोनों को "हाँ" के रूप में लेबल किया गया था। जब उन्होंने चार अलग-अलग बड़े मॉडलों और वीडियो विसंगतियों के दो प्रमुख बेंचमार्क पर इस विधि का परीक्षण किया, तो परिणाम चौंकाने वाले थे। नया दृष्टिकोण हर एक परीक्षण में पुराने दृष्टिकोण से बेहतर रहा। एक डेटासेट पर, सटीकता में सुधार 13 प्रतिशत अंक तक था, और दूसरे पर, यह लगभग 19 अंकों तक पहुँच गया। ये लाभ छोटे उतार-चढ़ाव नहीं थे; वे सुसंगत और महत्वपूर्ण थे, जो किसी विशिष्ट मॉडल या पूछे गए प्रश्न के प्रकार के बावजूद दिखाई दिए।
शोधकर्ताओं ने यह भी पता लगाया कि पुराना तरीका इतनी बार विफल क्यों होता था। उन्होंने पाया कि भले ही उन्होंने मॉडलों को एक बहुत ही सूक्ष्म पैमाना दिया हो, जिससे उन्हें केवल दो के बजाय 91 विभिन्न संख्याओं में से चुनने की अनुमति मिली हो, फिर भी मॉडलों ने अपने उत्तरों को कुछ दोहराए गए मूल्यों में समेट दिया। सिस्टम अभी भी कई अलग-अलग क्लिप्स को समान मान लेता था, जिससे रैंकिंग में "टाई" (बराबरी) की स्थिति पैदा हो जाती थी। नया तरीका इस जाल से पूरी तरह बच गया। पूर्ण संभाव्यता वितरण (probability distribution) का उपयोग करके, सिस्टम वीडियो के लगभग हर क्षण के बीच अंतर कर सका, जिससे एक सहज, विस्तृत रैंकिंग बनी, न कि बराबरी की एक टूटी-फूटी सूची। यह अंतर महत्वपूर्ण था क्योंकि सुरक्षा में, सबसे खतरनाक क्षणों को सबसे ऊपर रैंक करने की क्षमता ही सबसे अधिक मायने रखती है। अध्ययन ने दिखाया कि नया तरीका कम 'फॉल्स अलार्म' (गलत चेतावनी) की दर पर वास्तविक खतरों की संख्या को दोगुना कर सकता है, जिससे बिना किसी नए प्रशिक्षण या अतिरिक्त कंप्यूटिंग शक्ति के सिस्टम प्रभावी रूप से दोगुना उपयोगी बन गया।
टीम ने यह सुनिश्चित करने के लिए भी जाँच की कि यह लाभ वास्तविक है या केवल प्रश्न की शब्दावली या मॉडल से खुद को समझाने के तरीके का परिणाम है। उन्होंने मॉडलों से स्कोर देने से पहले दृश्य का वर्णन करने, या स्कोर देने के बाद अपने तर्क को समझाने के लिए कहा। हर मामले में, वह विधि जो पूर्ण संभाव्यता वितरण को देखती थी, श्रेष्ठ बनी रही। उन्होंने यह भी परीक्षण किया कि क्या बड़े, अधिक शक्तिशाली मॉडल इस अंतर को कम कर देंगे, लेकिन पाया कि यह लाभ बना रहा और कभी-कभी बढ़ भी गया। एकमात्र समय जब यह लाभ कम हुआ, जब मॉडल को स्कोर देने से पहले एक स्पष्टीकरण लिखने के लिए मजबूर किया गया, जिससे उसकी आंतरिक निश्चितता दब गई। यह सुझाव देता है कि इन एआई प्रणालियों की पूर्ण क्षमता को अनलॉक करने की कुंजी उनके आउटपुट को पढ़ने के तरीके में निहित है।
यह कार्य केवल एक छोटा सा बदलाव नहीं है; यह सुरक्षा के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करने के एक महत्वपूर्ण चरण को पुनर्परिभाषित करता है। शोधकर्ताओं ने प्रदर्शित किया कि मॉडल की आंतरिक विचार प्रक्रिया और अंतिम स्कोर के बीच का इंटरफ़ेस एक मामूली विवरण नहीं बल्कि सिस्टम के प्रदर्शन का एक केंद्रीय हिस्सा है। केवल उत्तर को पढ़ने का तरीका बदलकर—निश्चितता की पूरी तस्वीर देखकर, न कि केवल अंतिम शब्द—इंजीनियर उसी स्थिर मॉडल को एक बहुत अधिक सटीक डिटेक्टर में बदल सकते हैं। अध्ययन निष्कर्ष निकालता है कि जो कोई भी परेशानी की निगरानी करने वाली प्रणालियाँ बना रहा है, उसके लिए मॉडल के उत्तर की व्याख्या करने का चुनाव मॉडल के स्वयं के चयन जितना ही महत्वपूर्ण है। यह एक अनुस्मारक है कि आर्टिफिशियल इंटेलिजेंस की दुनिया में, सबसे शक्तिशाली संकेत अक्सर उस सूक्ष्म अंतर में छिपा होता है जो लगभग कहा गया है, न कि केवल बोले गए अंतिम शब्द में।
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।