Conformal Risk Minimization for Semi-Supervised Domain Adaptation via Optimal Transport
यह शोध पत्र सेमी-सुपरवाइज्ड डोमेन अडैप्टेशन के लिए एक एंड-टू-एंड फ्रेमवर्क प्रस्तावित करता है जो साइको-लेबल (pseudolabels) उत्पन्न करने के लिए ऑप्टिमल ट्रांसपोर्ट के साथ कॉन्फॉर्मल रिस्क मिनिमाइजेशन को एकीकृत करता है, जिससे उन मॉडलों को प्रशिक्षित करने में सक्षमता मिलती है जो सीमित लेबल वाले टार्गेट डेटा के बावजूद कॉम्पैक्ट और कवरेज-वैलिड प्रेडिक्शन सेट्स उत्पन्न करते हैं।
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
चिकित्सा निदान की उच्च-दांव वाली दुनिया में, एक मशीन लर्निंग मॉडल को अक्सर रोगियों के एक समूह के डेटा पर प्रशिक्षित किया जाता है, लेकिन इसका उपयोग रोगियों के एक अलग समूह के निदान के लिए किया जाना होता है। आबादी का यह बदलाव एक छिपी हुई खाई पैदा करता है: मॉडल उन पैटर्न को पहचान सकता है जिन्हें उसने पहले कभी नहीं देखा है, जिससे ऐसी त्रुटियां हो सकती हैं जो रोगी को नुकसान पहुंचा सकती हैं। विश्वास बनाने के लिए, डॉक्टरों को केवल एक अनुमान से अधिक की आवश्यकता होती है; उन्हें यह जानने की जरूरत है कि मॉडल कितना आश्वस्त है। 'कॉन्फॉर्मल प्रेडिक्शन' (conformal prediction) नामक एक विधि एक समाधान प्रदान करती है, जो केवल एक एकल निदान के बजाय संभावित निदानों की एक सूची प्रदान करती है। यह सूची एक विशिष्ट प्रतिशत समय में सही उत्तर को शामिल करने की गारंटी देती है, जिससे चिकित्सकों को एक सुरक्षा जाल मिलता है। हालांकि, एक बड़ी समस्या तब उत्पन्न होती है जब ये सूचियाँ मॉडल के प्रशिक्षित होने के बाद बनाई जाती हैं। क्योंकि प्रशिक्षण प्रक्रिया में इस बात पर विचार नहीं किया गया था कि इन सूचियों का निर्माण कैसे किया जाएगा, परिणामी सूचियाँ अक्सर उपयोग के लिए बहुत बड़ी होती हैं, जिनमें इतनी सारी संभावनाएं होती हैं कि एक डॉक्टर निर्णय नहीं ले पाता।
ड्यूक यूनिवर्सिटी के शोधकर्ताओं ने इस समस्या को ठीक करने के लिए एक नया दृष्टिकोण विकसित किया है, विशेष रूप से उन स्थितियों के लिए जहां नए रोगी समूह के लिए लेबल किया गया डेटा कम है। उन्होंने एक ऐसी प्रणाली बनाई है जो मॉडल को यह सिखाती है कि वह सीखने के दौरान ही अपने भविष्य के निदान सूचियों के आकार के बारे में सोचे। विभिन्न रोगी आबादी को संरेखित करने वाली एक तकनीक को अधिक सटीक और छोटी सूचियों के लिए अनुकूलित करने वाले एक तरीके के साथ जोड़कर, उन्होंने एक ऐसा मॉडल बनाया है जो संभावित निदानों के संक्षिप्त और विश्वसनीय सेट बनाता है। उनका कार्य बताता है कि प्रशिक्षण चरण के दौरान अनिश्चितता की योजना बनाकर (न कि इसे बाद में जोड़ने के बजाय), मेडिकल एआई न केवल अधिक सटीक बल्कि वास्तविक दुनिया के उपयोग के लिए अधिक व्यावहारिक भी बन सकता है।
मुख्य चुनौती जिसे टीम ने संबोधित किया है, उसे 'सेमी-सुपरवाइज्ड डोमेन अडैप्टेशन' (semi-supervised domain adaptation) के रूप में जाना जाता है। कल्पना कीजिए कि एक डॉक्टर जिसने एक अस्पताल से हजारों त्वचा छवियों का अध्ययन किया है, लेकिन अब उसे एक अन्य अस्पताल में रोगियों का निदान करना है जहाँ केवल कुछ ही छवियां लेबल की गई हैं। नए अस्पताल के रोगियों की त्वचा की रंगत, प्रकाश की स्थिति या उपकरण अलग हो सकते हैं, जो एक "डिस्ट्रीब्यूशन शिफ्ट" (distribution shift) पैदा करते हैं जो मॉडल को भ्रमित कर देता है। पारंपरिक तरीके इस अंतर को पाटने के लिए मॉडल को दोनों अस्पतालों के बीच के अंतर को अनदेखा करने और केवल निदान के लिए महत्वपूर्ण विशेषताओं पर ध्यान केंद्रित करने के लिए प्रशिक्षित करते हैं। हालांकि, ये तरीके आमतौर पर केवल सबसे संभावित एकल उत्तर के लिए लक्षित होते हैं। वे उस सुरक्षा जाल के आकार की परवाह नहीं करते हैं जो मॉडल अंततः प्रदान करेगा।
जब शोधकर्ता अंतिम चरण के रूप में इन पूर्व-प्रशिक्षित मॉडलों पर कॉन्फॉर्मल प्रेडिक्शन लागू करते हैं, तो सुरक्षा जाल अक्सर इतना व्यापक हो जाता है कि वह सब कुछ पकड़ लेता है। ऐसा इसलिए होता है क्योंकि मॉडल को कभी भी विकल्पों की संख्या को कम करने के लिए प्रशिक्षित नहीं किया गया था। ड्यूक की टीम ने महसूस किया कि एक उपयोगी सूची प्राप्त करने के लिए, मॉडल को शुरुआत से ही सूची को ध्यान में रखकर प्रशिक्षित किया जाना चाहिए। उन्होंने CP-JDOT नामक एक ढांचा प्रस्तावित किया, जो छोटी, कुशल सूचियाँ बनाने के लक्ष्य को सीधे प्रशिक्षण प्रक्रिया में एकीकृत करता है। यह मॉडल को डेटा का एक ऐसा प्रतिनिधित्व सीखने की अनुमति देता है जो स्वाभाविक रूप से अधिक सघन और आत्मविश्वासी भविष्यवाणियों की ओर ले जाता है।
इसे नए अस्पताल से बहुत कम लेबल किए गए उदाहरणों के साथ काम करने योग्य बनाने के लिए, शोधकर्ताओं ने 'ऑप्टिमल ट्रांसपोर्ट' (optimal transport) नामक एक गणितीय उपकरण का उपयोग किया। इस उपकरण को एक ऐसे तरीके के रूप में सोचें जो नए अस्पताल के प्रत्येक बिना लेबल वाले रोगी को पुराने अस्पताल के एक समान रोगी के साथ जोड़ता है, प्रभावी रूप से पुराने रोगी के निदान को उधार लेकर नए रोगी का मार्गदर्शन करता है। यह "स्यूडोलेबल" (pseudolabels) का एक सेट बनाता है जो एक सेतु के रूप में कार्य करता है, जिससे मॉडल को स्रोत अस्पताल के प्रचुर डेटा से सीखने और साथ ही लक्ष्य अस्पताल की विशिष्ट आवश्यकताओं के अनुकूल होने की अनुमति मिलती है। सिस्टम फिर लक्ष्य अस्पताल के वास्तविक लेबल किए गए उदाहरणों के छोटे समूह का उपयोग भविष्यवाणियों की सूचियों के आकार के लिए एक थ्रेशोल्ड (सीमा) निर्धारित करने के लिए करता है।
शोधकर्ताओं ने अपने तरीके का परीक्षण दो अलग-अलग परिदृश्यों पर किया। पहले, उन्होंने कला, क्लिपआर्ट, उत्पाद और वास्तविक दुनिया की तस्वीरों वाले चार डोमेन से जुड़ी छवियों वाले ऑब्जेक्ट रिकग्निशन के एक मानक बेंचमार्क का उपयोग किया। उन्होंने कठिन स्थिति का अनुकरण किया जहां लक्ष्य डोमेन के लिए प्रति श्रेणी केवल एक या तीन लेबल किए गए उदाहरण उपलब्ध थे। इन परीक्षणों में, उनके तरीके ने लगातार मौजूदा सर्वोत्तम तरीकों की तुलना में छोटी भविष्यवाणियाँ की सूचियाँ बनाईं, जिससे विकल्पों की औसत संख्या में लगभग पांच से दस प्रतिशत की कमी आई। यह सुधार महत्वपूर्ण था, भले ही डोमेन के बीच का अंतर कठिन था, जो यह दर्शाता है कि यह दृष्टिकोण मजबूत है।
उन्होंने एक अधिक महत्वपूर्ण चिकित्सा कार्य के लिए भी इस पद्धति को लागू किया: त्वचा के घावों (skin lesions) का वर्गीकरण। HAM10000 डेटासेट का उपयोग स्रोत के रूप में करते हुए, उन्होंने विभिन्न त्वचा इमेजिंग स्थितियों का प्रतिनिधित्व करने वाले पांच अलग-अलग लक्ष्य डेटासेट पर परीक्षण किया। यहाँ, परिणाम और भी अधिक प्रभावशाली थे। नए तरीके ने पिछले दृष्टिकोणों की तुलना में भविष्यवाणियों की सूचियों के औसत आकार को बारह प्रतिशत तक कम कर दिया। इसका अर्थ यह है कि त्वचा के घाव को देख रहे डॉक्टर के लिए, मॉडल संभावित स्थितियों की बहुत छोटी सूची प्रदान करेगा, जिससे निदान तेज़ और अधिक क्रियाशील हो जाएगा, जबकि सूची में सही निदान शामिल होने की कठोर गारंटी भी बनी रहेगी।
सूचियों को केवल छोटा बनाने के अलावा, शोधकर्ताओं ने दिखाया कि उनका ढांचा विशिष्ट चिकित्सा नियमों का सम्मान करने के लिए ट्यून किया जा सकता है। त्वचा कैंसर के निदान में, यह खतरनाक है कि एक सूची में एक साथ सौम्य (benign) और घातक (malignant) दोनों संभावनाएं शामिल हों, क्योंकि यह डॉक्टर के लिए एक भ्रमित करने वाला संकेत पैदा करता है। टीम ने अपनी 'ट्रेनिंग लॉस' को संशोधित किया ताकि ऐसी विरोधाभासी सूचियों को दंडित किया जा सके। जब उन्होंने ऐसा किया, तो भ्रमित करने वाली, मिश्रित सूचियों की संख्या विभिन्न डेटासेट्स में साठ से पचहत्तर प्रतिशत तक नाटकीय रूप से गिर गई। इसके बदले में सूचियों के समग्र आकार में बहुत मामूली वृद्धि हुई, लेकिन परिणाम भविष्यवाणियों का एक ऐसा सेट था जो न केवल सांख्यिकीय रूप से वैध था बल्कि अर्थपूर्ण रूप से सुसंगत और नैदानिक रूप से उपयोगी भी था।
निष्कर्ष बताते हैं कि एआई मॉडल को प्रशिक्षित करने का पारंपरिक तरीका—एक सही उत्तर के लिए अनुकूलित होना और फिर बाद में अनिश्चितता को ठीक करने की कोशिश करना—मौलिक रूप से सीमित है। कुशल अनिश्चितता मात्रा निर्धारण (uncertainty quantification) के लक्ष्य को सीधे सीखने की प्रक्रिया में एकीकृत करके, मॉडल ऐसे आउटपुट उत्पन्न करना सीखता है जो स्वाभाविक रूप से उच्च-दांव वाले निर्णय लेने के लिए बेहतर होते हैं। शोधकर्ताओं ने प्रदर्शित किया है कि यह एक ऐसा मॉडल प्रशिक्षित करना संभव है जो अपनी सीमाओं और अपनी भविष्य की भविष्यवाणियों की संरचना के प्रति जागरूक हो, भले ही डेटा दुर्लभ हो। यह दृष्टिकोण ऐसे मेडिकल एआई की ओर एक आशाजनक मार्ग प्रदान करता है जो न केवल सटीक है बल्कि विश्वसनीय और चिकित्सकों की व्यावहारिक आवश्यकताओं के अनुरूप भी 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।