📄 animal behavior and cognition

Low-dimensional latent spaces identify the functional structure of individual behavioral phenotypes

यह शोध पत्र एक बहु-डोमेन ढांचे को प्रस्तुत करता है जो व्याख्या योग्य व्यवहारिक फेनोटाइप्स की पहचान करने और विविध संदर्भों में व्यक्तिगत प्रदर्शन हस्तांतरण की भविष्यवाणी करने के लिए पेशेवर काउंटर-स्ट्राइक 2 टेलीमेट्री से स्थिर, निम्न-आयामी लेटेंट रिप्रजेंटेशन निकालता है।

मूल लेखक: Higashi, H.

प्रकाशित 2026-04-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Higashi, H.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप किसी व्यक्ति के वास्तविक व्यक्तित्व को समझने की कोशिश कर रहे हैं। आप उन्हें केवल एक स्थिति में देख सकते—मान लीजिए, एक "स्नाइपर" के रूप में वीडियो गेम खेलते हुए। लेकिन यह केवल यह बता सकता है कि वे कोने में छिपकर कैसे व्यवहार करते हैं। उन्हें वास्तव में जानने के लिए, आपको यह देखना होगा कि वे युद्ध में झपटते समय, एक बेस की रक्षा करते समय, और एक पूरी तरह से अलग मैप पर खेलते समय कैसे व्यवहार करते हैं।

यह शोध पत्र एक नए तरीके के बारे में है जिससे एक साथ कई स्थितियों में देखकर किसी व्यक्ति का "व्यवहार संबंधी फिंगरप्रिंट" (behavioral fingerprint) खोजा जा सकता है।

यहाँ सरल उपमाओं का उपयोग करके अध्ययन का विवरण दिया गया है:

1. समस्या: "गिरगिट" प्रभाव (The "Chameleon" Effect)

इंसान गिरगिट की तरह होते हैं। हम अपने वातावरण के अनुकूल होने के लिए अपने रंग (व्यवहार) बदलते हैं। यदि आप केवल एक विशिष्ट मैप पर एक पेशेवर काउंटर-स्ट्राइक 2 खिलाड़ी को देखते हैं, तो आपको लग सकता है कि वह बहुत आक्रामक है। लेकिन यदि आप उन्हें दूसरे मैप पर देखते हैं, तो वे बहुत सतर्क हो सकते हैं।

पारंपरिक कंप्यूटर मॉडल यह अनुमान लगाने की कोशिश करते हैं कि एक खिलाड़ी आगे क्या करेगा, लेकिन वे अक्सर भ्रमित हो जाते हैं क्योंकि वे खिलाड़ी के वास्तविक व्यक्तित्व को विशिष्ट गेम मैप के नियमों के साथ मिला देते हैं। यह किसी की खाना बनाने की शैली का अनुमान लगाने की कोशिश करने जैसा है कि केवल उन्हें पास्ता बनाते हुए देखकर; आपको तब तक पता नहीं चलेगा कि वे "तीखा" बनाने वाले रसोइया हैं या "नमकीन", जब तक कि आप उन्हें सलाद, स्टेक और सूप बनाते हुए नहीं देख लेते।

2. समाधान: "यूनिवर्सल ट्रांसलेटर" (The "Universal Translator")

शोधकर्ताओं ने एक स्मार्ट AI सिस्टम बनाया है जो मानव व्यवहार के लिए एक यूनिवर्सल ट्रांसलेटर की तरह कार्य करता है।

एक खिलाड़ी की शैली को एक मैप के लिए सीखने के बजाय, यह सिस्टम खिलाड़ी को एक ही समय में तीन अलग-अलग मैप्स (Dust II, Mirage, और Inferno) और दो अलग-अलग भूमिकाओं (आक्रमण करने वाले और बचाव करने वाले) में देखता है।

एन्कोडर (जासूस): AI का यह हिस्सा एक मिनट के लिए खिलाड़ी की गतिविधियों को देखता है। यह पूछता है, "चाहे वे कहीं भी हों, इस व्यक्ति के बारे में क्या अनूठा है?"
कॉम्बाइनर (ब्लेंडर): यह सभी अलग-अलग मैप्स और भूमिकाओं से मिले सुरागों को लेता है और उन्हें आपस में मिला देता है। यह "शोर" (जैसे कि मैप का विशिष्ट लेआउट) को फ़िल्टर कर देता है और केवल "सिग्नल" (खिलाड़ी की मूल शैली) को रखता है।
परिणाम: एक छोटा, संकुचित ID कार्ड (एक गणितीय कोड) जो उस खिलाड़ी की आत्मा का प्रतिनिधित्व करता है।

3. जादू का खेल: ज़ीरो-शॉट ट्रांसफर (Zero-Shot Transfer)

इस अध्ययन का सबसे दिलचस्प हिस्सा वह है जो इसके बाद होता है। AI मैप A, B और C के डेटा का उपयोग करके यह "ID कार्ड" बनाता है। फिर, इसे यह अनुमान लगाने के लिए कहा जाता है कि वह खिलाड़ी मैप D पर कैसे चलेगा, जो एक ऐसा मैप है जिसे इसने कभी नहीं देखा है।

पुराना तरीका: यदि आप केवल मैप A पर एक खिलाड़ी के व्यवहार को जानते हैं, तो आप मैप D पर उनकी चालों का अनुमान लगाने में बहुत खराब होंगे।
नया तरीका: क्योंकि AI ने खिलाड़ी के मूल व्यक्तित्व (उनका ID कार्ड) को निकाल लिया है, इसलिए यह एक नए मैप पर उनकी चालों की आश्चर्यजनक सटीकता के साथ भविष्यवाणी कर सकता है। यह यह जानने जैसा है कि कोई व्यक्ति बोर्ड गेम में "सतर्क और टीम-उन्मुख" है, और फिर यह सही अनुमान लगाना कि वे एक नए वीडियो गेम में भी सतर्क और टीम-उन्मुख रहेंगे।

4. "दो-आयामी" खोज (The "Two-Dimensional" Discovery)

शोधकर्ताओं ने एक अद्भुत बात पाई: आपको किसी व्यक्ति की रणनीति का वर्णन करने के लिए एक विशाल, जटिल फ़ाइल की आवश्यकता नहीं है। आप उनकी पूरी जटिल खेलने की शैली को केवल दो नंबरों (एक 2D समन्वय/कोऑर्डिनेट) में संकुचित कर सकते हैं।

इसे व्यक्तित्व के GPS मानचित्र की तरह सोचें:

एक्सिस 1 (बाएं से दाएं): जोखिम (Risk) का प्रतिनिधित्व करता है। बाईं ओर, आपके पास वे खिलाड़ी हैं जो "काउबॉय" (उच्च जोखिम, अकेले, आक्रामक) हैं। दाईं ओर, "गार्जियन" (कम जोखिम, टीम-केंद्रित, सतर्क) हैं।
एक्सिस 2 (ऊपर से नीचे): गति बनाम समन्वय (Speed vs. Coordination) का प्रतिनिधित्व करता है। नीचे, आपके पास "रशर" (तेज, अराजक गति) हैं। ऊपर, "टैक्टिशियन" (टीम के साथियों के साथ धीमी, समन्वित गति) हैं।

हर खिलाड़ी इस मानचित्र पर कहीं न कहीं स्थित है। AI ने सीखा कि यदि आप जानते हैं कि एक खिलाड़ी इस 2D मानचित्र पर कहाँ स्थित है, तो आप लगभग सब कुछ अनुमानित कर सकते हैं, यहाँ तक कि एक नए वातावरण में भी।

5. यह क्यों महत्वपूर्ण है?

यह केवल वीडियो गेम के बारे में नहीं है। यह साबित करता है कि हम मानव व्यक्तित्व के स्थिर, अपरिवर्तनीय हिस्सों को खोज सकते हैं, भले ही लोग लगातार नई स्थितियों के अनुकूल हो रहे हों।

विज्ञान के लिए: यह हमें समझने में मदद करता है कि हमारा "वास्तविक स्व" एक स्थिर केंद्र है जो चमकता है, भले ही हम अलग-अलग कामों के लिए अलग-अलग "पोशाकें" पहने हों।
AI के लिए: यह दिखाता है कि हम अधिक स्मार्ट रोबोट या वर्चुअल असिस्टेंट बना सकते हैं जो यह समझते हैं कि आप कौन हैं, न कि केवल यह कि आप अभी क्या कर रहे हैं। वे आपके प्रति तुरंत अनुकूल हो सकते हैं क्योंकि वे आपके "व्यवमान संबंधी फिंगरप्रिंट" को जानते हैं।

संक्षेप में: शोधकर्ताओं ने कंप्यूटर को स्थिति के "कहाँ" और "क्या" को अनदेखा करने और पूरी तरह से "कौन" पर ध्यान केंद्रित करने के लिए प्रशिक्षित किया। ऐसा करके, उन्होंने पाया कि मानव रणनीति हमारी सोच से कहीं अधिक सरल है, और हम इसे एक छोटे से, दो-नंबर वाले कोड के साथ अनुमानित कर सकते हैं जो हमारे साथ हर जगह जाता है।

यहाँ हिरोशी हिगाशी के शोध पत्र "Low-dimensional latent spaces identify the functional structure of individual behavioral phenotypes" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

व्यवहार संबंधी मॉडलिंग (behavioral modeling) में केंद्रीय चुनौती विविध संदर्भों में देखे गए व्यवहार से स्थिर, डोमेन-अपरिवर्तनीय व्यक्तिगत गुणों (stable, domain-invariant individual traits) को निकालना है।

वर्तमान दृष्टिकोणों की सीमा: पारंपरिक कम्प्यूटेशनल मॉडल अक्सर व्यक्तिगत अंतरों को विशिष्ट पर्यावरणीय संरचनाओं या भूमिका संबंधी आवश्यकताओं के साथ उलझा देते हैं, जिससे अनदेखी स्थितियों में व्यवहार का सामान्यीकरण करना कठिन हो जाता है। सिंगल-डोमेन दृष्टिकोण (एक विशिष्ट मैप या भूमिका पर प्रशिक्षित) किसी व्यक्ति की मूल व्यवहार संबंधी प्रवृत्तियों और विशिष्ट प्रासंगिक बाधाओं के प्रति उनकी प्रतिक्रियाओं के बीच अंतर करने में विफल रहते हैं।
अंतराल (The Gap): जबकि साइकोमेट्रिक उपकरण मौजूद हैं, वे वीडियो गेम जैसे उच्च-आयामी, गतिशील वातावरण में पारिस्थितिक वैधता (ecological validity) की कमी रखते हैं। इसके विपरीत, टेलीमेट्री का उपयोग करने वाले डेटा-संचालित दृष्टिकोण अक्सर "शैली" (style) को "संदर्भ" (context) से अलग करने में संघर्ष करते हैं।
लक्ष्य: एक ऐसा ढांचा विकसित करना जो संदर्भ-निर्भर अनुकूलन से आंतरिक व्यक्तिगत व्यवहार संबंधी हस्ताक्षरों (phenotypes) को अलग कर सके, जिससे नवीन वातावरण और भूमिकाओं में व्यवहार का सटीक पूर्वानुमान संभव हो सके।

2. कार्यप्रणाली (Methodology)

लेखक एक मल्टी-डोमेन लेटेंट रिप्रेजेंटेशन फ्रेमवर्क (Multi-Domain Latent Representation Framework) का प्रस्ताव करते हैं, जिसका परीक्षण पेशेवर Counter-Strike 2 (CS2) गेमप्ले डेटा पर किया गया है।

A. डेटासेट और टास्क सेटअप

डेटा: तीन मैप्स: Dust II, Mirage, और Inferno से 268 पेशेवर मैच (5,756 राउंड)।
डोमेन: मैप ( $m$ ) और रणनीतिक पक्ष ( $s \in \{T, CT\}$ ) के अद्वितीय संयोजनों द्वारा परिभाषित, जिसके परिणामस्वरूप 6 विशिष्ट डोमेन प्राप्त होते हैं (जैसे, DUT = Dust II + Terrorist)।
विषय (Subjects): 91 अद्वितीय पेशेवर खिलाड़ी जिन्होंने सभी मैप-साइड संयोजनों में कई मैचों में भाग लिया।
इनपुट: 1 हर्ट्ज़ (Hz) पर सैंपल किए गए समय-क्रमबद्ध 2D निर्देशांक (खिलाड़ी की स्थिति और सहयोगी का सेंटर ऑफ मास)।
विभाजन (Split): एन्कोडिंग के लिए सोर्स सेट्स ( $M^{(1)}$ ) और मूल्यांकन के लिए विलगित (disjoint) टारगेट सेट्स ( $M^{(2)}$ ) में मैचों को विभाजित किया गया ताकि ज़ीरो-शॉट ट्रांसफर क्षमता सुनिश्चित की जा सके।

B. मॉडल आर्किटेक्चर

यह ढांचा हाइपरनेटवर्क्स (HyperNetworks) के साथ एक एन्कोडर-डिकोडर (Encoder-Decoder) आर्किटेक्चर का उपयोग करता है:

डोमेन-विशिष्ट एन्कोडर्स (Domain-Specific Encoders): कई सोर्स डोमेन से 60-सेकंड के ऐतिहासिक प्रक्षेप पथों (trajectories) को प्रोसेस करके प्रारंभिक लेटेंट रिप्रजेंटेशन निकालते हैं।
कंबाइनर (Combiner): डोमेन-विशिष्ट शोर (noise) को फ़िल्टर करने के लिए कई सोर्स डोमेन से रिप्रजेंटेशन को एकत्रित (औसत के माध्यम से) करता है ताकि एक डोमेन-अपरिवर्तनीय लेटेंट कोड ( $z_i$ ) बनाया जा सके। यह चरण अत्यंत महत्वपूर्ण है।
साझा लेटेंट कोड (Shared Latent Code - $z_i$ ): एक निम्न-आयामी वेक्टर (जिसे $d=2$ पर अनुकूलित किया गया है) जो खिलाड़ी के स्थिर व्यवहार संबंधी हस्ताक्षर का प्रतिनिधित्व करता है।
डोमेन-विशिष्ट डिकोडर्स (Domain-Specific Decoders - HyperNetworks): नेटवर्कों का एक सेट जो साझा लेटेंट कोड $z_i$ को टारगेट डोमेन के विशिष्ट प्रक्षेप पथ भविष्यवक्ता (trajectory predictor) के मापदंडों ( $\theta_{pred}$ ) में मैप करता है। यह मॉडल को एक ही मूल "व्यक्तित्व" को विभिन्न मैप/भूमिकाओं के अनुकूल बनाने की अनुमति देता है।
ट्रैजेक्टरी प्रेडिक्टर (Trajectory Predictor): एक अनुक्रमिक मॉडल (GRU + FC) जो डिकोडर-जेनरेटेड मापदंडों की स्थिति में, 5-सेकंड के संदर्भ विंडो को देखते हुए खिलाड़ी की अगली स्थिति ( $t+1$ ) की भविष्यवाणी करता है।

C. प्रशिक्षण रणनीति (Training Strategy)

संयुक्त अनुकूलन (Joint Optimization): मॉडल को सभी मैप-साइड संयोजनों में एक साथ प्रशिक्षित किया जाता है।
स्टोकेस्टिक सोर्स ड्रॉपआउट (Stochastic Source Dropout): प्रशिक्षण के दौरान, रैंडम सोर्स डोमेन को हटा दिया जाता है ताकि मॉडल को अधूरे डेटा के साथ भी मजबूत लक्षण सीखने के लिए मजबूर किया जा सके, जिससे विशिष्ट डोमेन जोड़ों के ओवरफिटिंग को रोका जा सके।
उद्देश्य (Objective): सभी टारगेट डोमेन में अनुमानित और वास्तविक निर्देशांकों के बीच मीन स्क्वेर्ड एरर (MSE) को कम करना।

3. मुख्य योगदान (Key Contributions)

मल्टी-डोमेन इंटीग्रेशन फ्रेमवर्क: एक नवीन आर्किटेक्चर जो व्यक्तिगत व्यक्तित्व के "शुद्ध" प्रतिनिधित्व को इन्फर करने के लिए विविध वातावरणों में व्यवहारों को संयुक्त रूप से एनकोड करता है, जो सफलतापूर्वक आंतरिक शैली को प्रासंगिक मांगों से अलग करता है।
निम्न-आयामी संपीड़न (Low-Dimensional Compression): यह प्रदर्शन सटीकता से समझौता किए बिना जटिल, व्यक्तिगत मूवमेंट नीतियों को एक 2-आयामी लेटेंट स्पेस में संकुचित करने का प्रदर्शन करता है, जो यह सुझाव देता है कि इस डोमेन में मानव रणनीतिक भिन्नता कुछ ही लेटेंट कारकों द्वारा नियंत्रित होती है।
स्ट्रक्चर्ड मेट्रिक स्पेस: यह खोज कि सीखा गया लेटेंट स्पेस एक स्ट्रक्चर्ड मेट्रिक मैनिफोल्ड बनाता है जहाँ खिलाड़ियों के बीच यूक्लिडियन दूरी (Euclidean distance) ट्रांसफर प्रदर्शन के क्षरण (behavioral dissimilarity) के साथ रैखिक रूप से सह-संबंधित होती है।
व्याख्यात्मकता (Interpretability): सीखा गया लेटेंट एक्सिस व्याख्या योग्य मनोवैज्ञानिक/व्यवहार संबंधी फेनोटाइप (जैसे, जोखिम लेना बनाम सावधानी, सोलो-प्ले बनाम टीम कोहेजन) के साथ संरेखित होता है, जो उच्च-आयामी टेलीमेट्री को सार्थक निर्माणों (constructs) से जोड़ता है।

4. मुख्य परिणाम (Key Results)

A. ज़ीरो-शॉट ट्रांसफर प्रदर्शन (Zero-Shot Transfer Performance)

क्रॉस-डोमेन श्रेष्ठता: प्रस्तावित मॉडल ने पूरी तरह से अनदेखे मैप-साइड संयोजनों में प्रक्षेप पथों की भविष्यवाणी करने में "पॉपुलेशन मॉडल" (औसत व्यवहार) और "सेल्फ मॉडल" (केवल एकल-खिलाड़ी डेटा पर प्रशिक्षित) दोनों की तुलना में काफी बेहतर प्रदर्शन किया।
डेटा की कमी के प्रति मजबूती: मल्टी-डोमेन दृष्टिकोण ने एकल-खिलाड़ी डेटासेट में निहित डेटा की कमी की समस्याओं को कम किया, और तब भी 'सेल्फ' बेसलाइन से अधिक सटीकता प्राप्त की जब टारगेट डोमेन में कोई ट्रेनिंग डेटा नहीं था।
सोर्स विविधता: लेटेंट कोड को कंप्यूट करने के लिए उपयोग किए गए सोर्स डोमेन की संख्या ( $k$ ) बढ़ने के साथ प्रेडिक्शन एरर निरंतर घटता गया, जो पुष्टि करता है कि मजबूत लक्षण निष्कर्षण के लिए विविध व्यवहार संबंधी साक्ष्य आवश्यक हैं।

B. आयामक विश्लेषण (Dimensionality Analysis)

इष्टतम आयाम (Optimal Dimensionality): हालांकि उच्च आयामों के साथ ट्रेनिंग एरर कम हुआ, लेकिन जनरलाइजेशन प्रदर्शन $d=2$ पर स्थिर (plateau) हो गया।
पर्याप्तता: अधिकांश व्यक्तिगत रणनीतिक भिन्नता को पकड़ने के लिए एक 2-आयामी एम्बेडिंग पर्याप्त थी, जबकि $d=1$ अपर्याप्त था। उच्च आयाम ( $d>2$ ) मामूली लाभ प्रदान करते थे लेकिन जटिलता बढ़ा देते थे।

C. लेटेंट स्पेस संरचना और व्याख्यात्मकता (Latent Space Structure & Interpretability)

मेट्रिक सहसंबंध: एक लीनियर मिक्स्ड-इफेक्ट्स मॉडल (LMM) ने लेटेंट स्पेस में यूक्लिडियन दूरी और प्रेडिक्शन एरर में सापेक्ष वृद्धि के बीच एक महत्वपूर्ण सकारात्मक संबंध ( $\beta = 51.26, p < 0.001$ ) प्रकट किया। नजदीकी लेटेंट वेक्टर्स समान व्यवहार संबंधी नीतियों को दर्शाते हैं।
फेनोटाइपिक संरेखण:
- डायमेंशन $z_0$ : यह सर्वाइवल ड्यूरेशन (survival duration) और टीममेट प्रॉक्सिमिटी (teammate proximity) के साथ सह-संबंधित है। यह हाई-रिस्क/अग्रेसिव सोलो-प्ले और कंजर्वेटिव/टीम-ओरिएंटेड रणनीतियों के स्पेक्ट्रम का प्रतिनिधित्व करता है।
- डायमेंशन $z_1$ : यह मूवमेंट स्पीड (movement speed) और टीममेट प्रॉक्सिमिटी के साथ सह-संबंधित है। यह तेज़ गति वाले व्यक्तिगत मूवमेंट और धीमी, समन्वित समूह गतिविधियों को अलग करता है।

5. महत्व और निहितार्थ (Significance and Implications)

व्यवहार विज्ञान (Behavioral Science): यह अध्ययन यह परिभाषित करने के लिए एक कम्प्यूटेशनल विधि प्रदान करता है कि व्यक्तित्व को केवल एक कार्य में स्थिर मापदंडों के रूप में नहीं, बल्कि विविध चुनौतियों में निरंतरता के रूप में देखा जाना चाहिए। यह उच्च-आयामी निर्णय लेने वाले कार्यों में स्थिर "व्यवहार संबंधी फेनोटाइप" के अस्तित्व की पुष्टि करता है।
AI और जनरलाइजेशन: यह ढांचा AI में लाइफलॉन्ग लर्निंग (lifelong learning) और डोमेन जनरलाइजेशन की दिशा में एक मार्ग प्रदर्शित करता है, जो दिखाता है कि एजेंट कैसे ऐसे अपरिवर्तनीय प्रतिनिधित्व सीख सकते हैं जो मौलिक रूप से भिन्न वातावरणों में स्थानांतरित हो सकें।
अनुप्रयोग:
- पर्सनलाइज्ड मॉडलिंग: सीमित डेटा वाले उपयोगकर्ताओं के लिए उच्च-सटीक व्यक्तिगत मॉडल सक्षम बनाता है।
- साइकोमेट्रिक्स: यह व्यक्तिपरक आत्म-रिपोर्टिंग के बिना कच्चे टेलीमेट्री और औपचारिक व्यक्तित्व सिद्धांत (जैसे, जोखिम लेना, सामाजिक सामंजस्य) के बीच एक सेतु प्रदान करता है।
- टीम डायनेमिक्स: यह विश्लेषण करने के लिए एक आधार प्रदान करता है कि व्यक्तिगत रणनीतिक फेनोटाइप सामूहिक बुद्धिमत्ता और टीम सिनर्जी बनाने के लिए कैसे परस्पर क्रिया करते हैं।

निष्कर्षतः, यह कार्य स्थापित करता है कि जटिल, उच्च-आयामी कार्यों में व्यक्तिगत व्यवहार संबंधी हस्ताक्षर निम्न-आयामी, डोमेन-अपरिवर्तनीय और संरचनात्मक रूप से व्यवस्थित होते हैं, जो सटीक ज़ीरो-शॉट ट्रांसफर और व्याख्या योग्य मनोवैज्ञानिक विश्लेषण की अनुमति देते हैं।