Drift Variation Autoencoder: Unifying Generation and Representation Learning through Conditional Posterior Flow Matching
यह शोध पत्र ड्रिफ्ट वेरिएशन ऑटोएन्कोडर (Drift Variation Autoencoder) प्रस्तुत करता है, जो एक ऐसा ढांचा है जो कंडीशनल जनरेशन और रिप्रेजेंटेशन लर्निंग को एक एकीकृत करता है, जिसमें एक मास्कड एनकोडर और एक कंडीशनल फ्लो डिकोडर को क्लीन-प्रेडिक्शन फ्लो मैचिंग लॉस को कम करने के लिए प्रशिक्षित किया जाता है, जिससे एक पोस्टीरियर-सफिशिएंट रिप्रेजेंटेशन प्राप्त होता है जहाँ एनकोडर आंशिक अवलोकनों (partial observations) से पूर्ण डेटा वितरण को पुनर्गठित करने के लिए आवश्यक सभी जानकारी को कैप्चर 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
आर्टिफिशियल इंटेलिजेंस की दुनिया में, मशीनों से तेजी से खाली स्थानों को भरने के लिए कहा जा रहा है। जब किसी फोटो को क्रॉप किया जाता है, तो कंप्यूटर को यह अनुमान लगाना पड़ता है कि फ्रेम के परे क्या है। जब कोई वाक्य अधूरा रह जाता है, तो उसे अगले शब्दों की कल्पना करनी पड़ती है। जब कोई सेंसर विफल हो जाता है, तो सिस्टम को लुप्त डेटा का अनुमान लगाना पड़ता है। वर्षों तक, शोधकर्ताओं ने इन कार्यों को दो अलग-अलग समस्याओं के रूप में माना है। उपकरणों का एक समूह जानकारी को एक संक्षिप्त सारांश में संकुचित करके दुनिया को समझने के लिए सीखता है, जबकि दूसरा समूह शून्य से नई, वास्तविक बारीकियों को उत्पन्न करना सीखता है। अक्सर, इन दोनों प्रणालियों को स्वतंत्र रूप से प्रशिक्षित किया जाता है और फिर उन्हें आपस में जोड़ दिया जाता है, एक ऐसी प्रक्रिया जो मशीन को इस बारे में भ्रमित कर सकती है कि वह वास्तव में क्या जानती है और वह केवल क्या अनुमान लगा रही है। मौलिक चुनौती यह है कि जब जानकारी खो जाती है, तो शायद ही कभी केवल एक सही उत्तर होता है। एक एकल क्रॉप की गई छवि जंगल, शहर या रेगिस्तान से संबंधित हो सकती है; मशीन को संभावनाओं की पूरी सीमा को समझने की आवश्यकता है, न कि केवल एक को चुनने की।
द चाइनीज यूनिवर्सिटी ऑफ हांगकांग के एक शोधकर्ता ने इन दोनों कार्यों को एक एकल, निर्बाध प्रक्रिया में एकीकृत करके इसे हल करने का एक नया तरीका प्रस्तावित किया है। उन्होंने 'ड्रिफ्ट वेरिएशन ऑटोएन्कोडर' नामक एक प्रणाली विकसित की है, जो मशीन को दुनिया का एक प्रतिनिधित्व (representation) सीखने और उसी प्रतिनिधित्व से नई बारीकियों को उत्पन्न करने के लिए एक साथ सिखाती है। मशीन को समझने और बनाने के बीच चयन करने के लिए मजबूर करने के बजाय, उनकी विधि इस कार्य को संभावना के एक सांख्यिकीय समस्या के रूप में देखती है। मूल विचार यह है कि किसी भी अपूर्ण अवलोकन के लिए, उन स्वच्छ वास्तविकताओं का एक विशिष्ट बादल (cloud) होता है जिन्होंने इसे उत्पन्न किया होगा। लक्ष्य एक एकल पूर्ण पुनर्निर्माण खोजना नहीं है, बल्कि उस बादल के पूरे आकार को सीखना है। सिस्टम को शोर युक्त, अपूर्ण संस्करण से स्वच्छ डेटा की भविष्यवाणी करने के लिए प्रशिक्षित करके, शोधकर्ता ने पाया कि मशीन स्वाभाविक रूप से अपने आंतरिक ज्ञान को इस तरह से व्यवस्थित करना सीखती है जो वास्तविक दुनिया की अनिश्चितता के साथ पूरी तरह मेल खाता है।
शोधकर्ता ने इस विचार का परीक्षण एक नियंत्रित वातावरण में किया जिसे उन्होंने 'क्रॉसजियोम-4' (CrossGeom-4) नाम दिया है। एक ऐसी प्रणाली की कल्पना करें जो एक ही अंतर्निहित वास्तविकता के बारे में तथ्यों का एक अलग सेट दिखाने वाले तीन अलग-अलग लेंसों के माध्यम से एक दृश्य का अवलोकन करती है। कभी सिस्टम केवल एक लेंस देखता है, कभी दो, और कभी तीनों। चुनौती यह है कि जब वह केवल एक लेंस देखता है, तो उसे अन्य दो से छिपे हुए विवरणों का अनुमान लगाना होता है, लेकिन उसे ऐसा इस तरह से करना चाहिए कि वह सभी आउटपुट में सुसंगत हो। यदि सिस्टम एक दृश्य के लिए गायब हिस्से की जानकारी उत्पन्न करता है, तो वही हिस्सा अन्य कोणों से देखने पर भी तर्कसंगत होना चाहिए। अपने प्रयोगों में, शोधकर्ता ने अपने नए एकीकृत सिस्टम की तुलना पुराने तरीकों से की जो प्रत्येक दृश्य के लिए अलग-अलग डिकोडर का उपयोग करते थे। परिणाम आश्चर्यजनक थे। जब सिस्टम से दृश्य के गायब हिस्सों को उत्पन्न करने के लिए कहा गया, तो नए तरीके ने पुराने दृष्टिकोण की तुलना में विभिन्न दृश्यों के बीच असहमति को नब्बे प्रतिशत से अधिक कम कर दिया। इसका अर्थ है कि मशीन अब केवल अनुमान नहीं लगा रही थी; वह अपने अनुमानों को इस तरह से समन्वित कर रही थी कि अंतिम चित्र सुसंगत और गणितीय रूप से सुसंगत था।
अध्ययन ने यह भी उजागर किया कि मशीन दी गई जानकारी का उपयोग कैसे करती है। जब शोधकर्ता ने इनपुट डेटा को बदल दिया (shuffle कर दिया), जिसका अर्थ था कि मशीन को उस शोर को साफ करने के लिए गलत संदर्भ दिया गया जिसे वह साफ करने की कोशिश कर रही थी, तो त्रुटि दर तेरह गुना से अधिक बढ़ गई। इसने सिद्ध किया कि सिस्टम वास्तव में उत्पादन को निर्देशित करने के लिए इनपुट के विशिष्ट विवरणों पर वास्तव में निर्भर था, न कि केवल पैटर्न को याद करने या शोर को ही काम करने देने पर। इसके अलावा, सिस्टम दृश्य के दृश्य भागों को ठीक उसी तरह से पुनर्निर्मित करने में सक्षम था जैसे उसने अदृश्य भागों को भरा, जिससे पता चला कि वह अज्ञात क्षेत्रों को बेहतर बनाने के लिए ज्ञात क्षेत्रों में सटीकता का त्याग नहीं कर रहा था। शोधकर्ता ने पाया कि मशीन द्वारा सीखा गया आंतरिक प्रतिनिधित्व इतना सटीक था कि वह उच्च स्तर के विश्वास के साथ विभिन्न संभावित वास्तविकताओं के बीच अंतर कर सकता था, जिससे ज्ञात कारकों की भविष्यवाणी करने में लगभग पूर्ण सटीकता प्राप्त हुई।
हालाँकि, शोधकर्ता अपने निष्कर्षों की सीमाओं को नोट करने में सावधानी बरतते हैं। सिस्टम का परीक्षण एक कृत्रिम, गणितीय दुनिया पर किया गया था जिसे विशेष रूप से स्पष्ट, ज्ञात नियमों के लिए डिज़ाइन किया गया था। हालांकि इस नियंत्रित सेटिंग में परिणाम सफल रहे, शोधकर्ता यह दावा नहीं करते हैं कि इस पद्धति ने प्राकृतिक फोटोग्राफ या मानव भाषा जैसे जटिल, वास्तविक दुनिया के डेटा के लिए समस्या को हल कर दिया है। वे बताते हैं कि वास्तविक दुनिया में, विभिन्न संभावित परिणामों के बीच संतुलन अभी भी पूर्ण नहीं है, और सिस्टम अभी भी दुर्लभ घटनाओं की आवृत्ति के साथ थोड़ा संघर्ष करता है। यह कार्य एक 'प्रूफ ऑफ कॉन्सेप्ट' के रूप में कार्य करता है, जो यह प्रदर्शित करता है कि एक एकल प्रणाली को अपूर्ण डेटा की संरचना को समझने और उससे पूर्ण, स्वच्छ वास्तविकता उत्पन्न करने के लिए प्रशिक्षित करना संभव है। यह दिखाकर कि मशीन अपने बोध और अपनी रचनात्मकता को सिंक्रोनाइज़ करना सीख सकती है, यह शोध कृत्रिम बुद्धिमत्ता बनाने के लिए एक नया मार्ग प्रदान करता है जो अनिश्चितता के बारे में उसी स्पष्टता के साथ तर्क कर सके जिसका उपयोग वह निर्माण के लिए करती 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।