Weakly supervised concept Bottleneck Learning for Robust Two stage Object centric visual reasoning
यह शोधपत्र डायनेमिक ऑर्थोगोनल कॉन्सेप्ट बॉटलनेक (D-OCB) प्रस्तुत करता है, जो एक ऑब्जेक्ट-सेंट्रिक स्लॉट-VAE फ्रेमवर्क है जो हाइपरपैरामीटर्स को गतिशील रूप से अनुकूलित करके, कॉन्सेप्ट स्वतंत्रता को लागू करके और रिप्रेजेंटेशन कोलैप्स को रोकने के लिए लेटेंट डाइमेंशन्स को अनुकूल रूप से पुनर्वितरित करके अत्यंत कमजोर पर्यवेक्षण (weak supervision) के तहत सुदृढ़ दो-चरणीय दृश्य तर्क (visual reasoning) प्राप्त करता 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
दुनिया को वास्तव में समझने वाली मशीनें बनाने की खोज में, वैज्ञानिक लंबे समय से एक मौलिक विभाजन का सामना कर रहे हैं। एक तरफ देखने की क्षमता है: गहरे न्यूरल नेटवर्क जो एक तस्वीर को देख सकते हैं और अविश्वसनीय गति से एक बिल्ली या कार को पहचान सकते हैं। दूसरी ओर तर्क करने की क्षमता है: मानवीय क्षमता जो उन अवलोकनों को लेती है और उन पर तर्क लागू करती है, जैसे कि सवाल पूछना कि "यदि कार लाल है, तो क्या वह तेज़ भी है?" या "वह वस्तु छिपी क्यों है?" दशकों तक, ये दोनों क्षमताएं अलग-अलग साइलो (silos) में संचालित होती रही हैं। जो मशीनें अच्छी तरह से देखती हैं वे अक्सर अपने तर्क की व्याख्या नहीं कर पातीं, जबकि जो मशीनें अच्छी तरह से तर्क करती हैं, उन्हें भारी मात्रा में मानवीय मार्गदर्शन के बिना कच्चे दृश्य डेटा की व्याख्या करने में संघर्ष करना पड़ता है। न्यूरो-सिंबोलिक आर्टिफिशियल इंटेलिजेंस का लक्ष्य इस अंतर को पाटना है, ऐसी प्रणालियाँ बनाना जो भौतिक दुनिया को देख भी सकें और उस पर तार्किक नियम भी लागू कर सकें, ठीक वैसे ही जैसे एक मनुष्य किसी दृश्य को देखते समय करता है और यह निष्कर्ष निकालता है कि वहां क्या हो रहा है।
चुनौती यह रही है कि एक मशीन को किसी दृश्य छवि को एक विशिष्ट तार्किक अवधारणा से जोड़ने के लिए सिखाने के लिए आमतौर पर लेबल किए गए डेटा की एक विशाल मात्रा की आवश्यकता होती है। कल्पना कीजिए कि आप एक बच्चे को यह सिखाने की कोशिश कर रहे हैं कि "लाल घन" (red cube) क्या है, उसे हजारों तस्वीरें दिखाकर, जिनमें से प्रत्येक को एक इंसान द्वारा मैन्युअल रूप से टैग किया गया है कि "यह लाल है" और "यह एक घन है।" यह प्रक्रिया धीमी, महंगी और अक्सर जटिल कार्यों के लिए अव्यावहारिक है। शोधकर्ता एक ऐसा तरीका खोजने की तलाश में रहे हैं जिससे इन प्रणालियों को बहुत कम लेबल के साथ सिखाया जा सके, जो केवल कभी-कभार मिलने वाले सुधारों पर निर्भर करते हुए, पैटर्न को खुद से सीखने की मशीन की क्षमता पर आधारित हो। यही वह मुख्य समस्या है जिसे ल्यूबेक विश्वविद्यालय, उल्म विश्वविद्यालय और बैमबर्ग विश्वविद्यालय के शोधकर्ताओं के एक नए अध्ययन ने संबोधित किया है, जिन्होंने मशीनों को बहुत कम डेटा का उपयोग करके देखने और तर्क करने के लिए सिखाने की एक विधि विकसित की है।
शोधकर्ताओं ने 'डायनेमिक ऑर्थोगोनल कॉन्सेप्ट बॉटलनेक' (Dynamic Orthogonal Concept Bottleneck) नामक एक नया ढांचा पेश किया है। यह कैसे काम करता है इसे समझने के लिए, कल्पना करें कि एक मशीन विभिन्न वस्तुओं से भरी एक व्यस्त दृश्य को देख रही है। पारंपरिक प्रणालियाँ सीधे अंतिम उत्तर का अनुमान लगाने की कोशिश कर सकती हैं, जो अक्सर डेटा में शॉर्टकट या संयोगिक पैटर्न के कारण भ्रमित हो जाती हैं। यह नया दृष्टिकोण मशीन को पहले रुकने और दृश्य को उसके बुनियादी निर्माण खंडों (building blocks) में तोड़ने के लिए मजबूर करता है। यह व्यक्तिगत वस्तुओं की पहचान करता है और फिर उनके बारे में विशिष्ट प्रश्न पूछता है: "आकार क्या है?" "रंग क्या है?" "सामग्री क्या है?" ये प्रश्न एक चेकपॉइंट, या बॉटलनेक के रूप में कार्य करते हैं, जहाँ मशीन को अंतिम पहेली को हल करने की अनुमति मिलने से पहले अपनी समझ को स्पष्ट करना होता है। नवाचार इस बात में निहित है कि मशीन इन अवधारणाओं को कैसे सीखती है जब उसके पास मार्गदर्शन के लिए बहुत कम उदाहरण होते हैं।
आमतौर पर, जब कोई मशीन इतने कम डेटा के साथ सीखने की कोशिश करती है, तो वह बिखर जाती है। वह महत्वपूर्ण विवरणों को अनदेखा करना शुरू कर सकती है और यादृच्छिक शोर (random noise) पर ध्यान केंद्रित कर सकती है, या वह विभिन्न अवधारणाओं को मिला सकती है, यह सोचकर कि "लाल" हमेशा "वर्ग" (square) होता है क्योंकि यह उन कुछ तस्वीरों में सच था जो उसने देखी थीं। यह नया सिस्टम एक चतुर संतुलन बनाकर इस समस्या का समाधान करता है। यह मशीन की अपने आंतरिक नोट्स से छवि को पुनर्गठित करने की स्वाभाविक क्षमता को एक सख्त नियम के साथ जोड़ता है जो विभिन्न अवधारणाओं को अलग रखता है। यदि मशीन "आकार" के विचार को "रंग" के विचार के साथ मिलाने लगती है, तो सिस्टम उन्हें धीरे से अलग कर देता है, यह सुनिश्चित करता है कि प्रत्येक अवधारणा विशिष्ट और स्पष्ट बनी रहे। यह मशीन को डेटा में आसान शॉर्टकटों पर निर्भर होने से रोकता है।
शायद सबसे महत्वपूर्ण सफलता यह है कि सिस्टम अपने संसाधनों का प्रबंधन कैसे करता है। कई कंप्यूटर प्रोग्रामों में, प्रत्येक अवधारणा को पहले से निर्धारित मात्रा में मेमोरी या "मस्तिष्क शक्ति" आवंटित की जाती है। यह अक्षम है क्योंकि कुछ अवधारणाएं सरल होती हैं जिन्हें कम स्थान की आवश्यकता होती है, जबकि अन्य जटिल होती हैं जिन्हें अधिक स्थान की आवश्यकता होती है। नया ढांचा इसे बदलकर यह सुनिश्चित करता है कि सिस्टम प्रशिक्षण के दौरान अपने संसाधनों को गतिशील रूप से स्थानांतरित कर सके। यदि मशीन "सामग्री" की अवधारणा को सीखने में संघर्ष कर रही है, तो वह "आकार" जैसी अवधारणा से स्थान उधार ले सकती है जिसे उसने पहले ही महारत हासिल कर ली है, ताकि संघर्ष कर रही अवधारणा को आवश्यक ध्यान दिया जा सके। यह अनुकूलन प्रक्रिया सुनिश्चित करती है कि कोई भी विचार पीछे न छूटे, और सिस्टम दुनिया की संतुलित, मजबूत समझ विकसित करे, बिना किसी मानवीय हस्तक्षेप के सेटिंग्स को बार-बार बदलने की आवश्यकता के।
शोधकर्ताओं ने ज्यामितीय आकृतियों वाले सिंथेटिक दृश्यों और त्वचा के घावों (skin lesions) की वास्तविक दुनिया की चिकित्सा छवियों सहित कई अलग-अलग डेटासेट्स पर इस पद्धति का परीक्षण किया। उन्होंने पाया कि भले ही सिस्टम को सामान्यतः आवश्यक लेबल किए गए डेटा का केवल एक प्रतिशत से पंद्रह प्रतिशत दिखाया गया हो, फिर भी यह उच्च सटीकता के साथ अवधारणाओं की पहचान कर सकता है। जटिल तार्किक नियमों वाले परीक्षणों में, जैसे कि यह निर्धारित करना कि क्या किसी दृश्य में वस्तुओं की एक विशिष्ट व्यवस्था है, सिस्टम ने पूर्ण पर्यवेक्षण (full supervision) के साथ प्रशिक्षित मॉडलों के समान प्रदर्शन किया। महत्वपूर्ण रूप से, क्योंकि सिस्टम को तर्क करने से पहले अवधारणाओं को अलग से सीखने के लिए मजबूर किया गया था, यह डेटा में भ्रामक पैटर्न से बचने में बहुत अधिक सक्षम साबित हुआ। जब शोधकर्ताओं ने सिस्टम का परीक्षण नए, अनदेखे परिदृश्यों पर किया जहाँ सामान्य शॉर्टकट काम नहीं करते थे, तो इसने अपनी सटीकता बनाए रखी, जबकि अन्य प्रणालियाँ विफल हो गईं।
यह कार्य प्रदर्शित करता है कि मशीनें मानव-जनित एनोटेशन के पहाड़ की आवश्यकता के बिना अमूर्त प्रतीकों को दृश्य वास्तविकता में स्थापित करना सीख सकती हैं। धारणा (perception) को तर्क (reasoning) से अलग करके और सिस्टम को अपने फोकस को स्वयं सुधारने की अनुमति देकर, शोधकर्ताओं ने अधिक कुशल और विश्वसनीय आर्टिफिशियल इंटेलिजेंस की ओर एक मार्ग बनाया है। सिस्टम केवल उत्तरों को याद नहीं करता है; यह दुनिया को विशिष्ट, समझने योग्य गुणों के रूप में देखना सीखता है, जिससे नई स्थितियों में आत्मविश्वास के साथ तार्किक नियमों को लागू करना संभव हो जाता है। यह दृष्टिकोण एक ऐसे भविष्य का सुझाव देता है जहाँ AI सिस्टम को छोटे, अधिक प्रबंधनीय डेटासेट्स पर प्रशिक्षित किया जा सकता है, जबकि जटिल वास्तविक दुनिया के कार्यों के लिए आवश्यक मजबूत, मानव-समान समझ प्राप्त की जा सकती है।
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।