AutoML-XAI convolutional neural network for hypnotic susceptibility classification from segmented multichannel EEG
यह शोध पत्र एक व्याख्या योग्य (interpretable) AutoML-संचालित CNN फ्रेमवर्क प्रस्तावित करता है जो सेगमेंटेड मल्टीचैनल EEG डेटा से हिप्नोटिक संवेदनशीलता (hypnotic susceptibility) को वर्गीकृत करता है, जो अपने सर्वश्रेष्ठ फोल्ड में पूर्ण सटीकता प्राप्त करता है और XAI तकनीकों के माध्यम से अल्फा और गामा फ्रीक्वेंसी बैंड्स को सबसे महत्वपूर्ण विशेषताओं के रूप में पहचानता है।
मूल पेपर CC BY 4.0 (https://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
कल्पना कीजिए कि आप एक कंप्यूटर को दो प्रकार के लोगों के बीच अंतर करना सिखाने की कोशिश कर रहे हैं: वे जो आसानी से "सम्मोहित" (अत्यधिक संवेदनशील) हो जाते हैं और वे जो नहीं होते (कम संवेदनशील)। आमतौर पर, वैज्ञानिक मस्तिष्क की तरंगों (EEG) को देखकर ऐसा करते हैं, लेकिन यह घास के ढेर में सुई खोजने जैसा है क्योंकि डेटा बहुत बिखरा हुआ है, मस्तिष्क के संकेत जटिल हैं, और उपलब्ध डेटा बहुत कम है।
यह शोध पत्र इस पहेली को सुलझाने का एक नया, स्मार्ट तरीका प्रस्तुत करता है, जिसमें तीन डिजिटल उपकरणों की एक टीम का उपयोग किया गया है: AutoML, CNNs, और XAI। यहाँ बताया गया है कि वे मिलकर कैसे काम करते हैं, इसे सरल शब्दों में समझाया गया है:
1. सेटअप: मस्तिष्क की तरंगों को "टुकड़ों" में काटना
शोधकर्ताओं ने 16 अलग-अलग मस्तिष्क सेंसरों की रिकॉर्डिंग से शुरुआत की। पूरी रिकॉर्डिंग को एक विशाल ब्लॉक के रूप में देखने के बजाय, उन्होंने इसे एक लंबी ब्रेड की तरह माना।
- काटने की प्रक्रिया: उन्होंने प्रत्येक रिकॉर्डिंग को 10 छोटे, गैर-अतिव्यापी (non-overlapping) टुकड़ों में विभाजित किया जिन्हें "स्निपेट्स" (snippets) कहा जाता है।
- फॉर्मेट: उन्होंने इन स्लाइस को एक ग्रिड (मैट्रिक्स) में व्यवस्थित किया जो एक स्प्रेडशीट की तरह दिखता है जिसमें 5 पंक्तियाँ (मस्तिष्क तरंगों की 5 अलग-अलग गति सीमा: डेल्टा, थीटा, अल्फा, बीटा और गामा का प्रतिनिधित्व करने वाली) और 1,600 कॉलम (समय का प्रतिनिधित्व करने वाले) हैं।
- सुनहरा नियम: यह सुनिश्चित करने के लिए कि कंप्यूटर धोखाधड़ी न करे, उन्होंने एक ही व्यक्ति के सभी 10 स्लाइस को एक साथ रखा। यदि किसी व्यक्ति के स्लाइस "प्रशिक्षण" (training) समूह में गए, तो उनमें से कोई भी "परीक्षण" (testing) समूह में नहीं गया। यह कंप्यूटर को व्यक्ति का नाम याद करने के बजाय पैटर्न सीखने से रोकता है।
2. तीन की टीम
द आर्किटेक्ट (AutoML)
AutoML को एक सुपर-रोबोट आर्किटेक्ट के रूप में सोचें। एक न्यूरल नेटवर्क (एक प्रकार का AI मस्तिष्क) बनाना आमतौर पर एक इंसान के लिए यह अनुमान लगाना होता है कि उसे कितने स्तरों की आवश्यकता है, फिल्टर कितने बड़े होने चाहिए, और उसे कितनी तेजी से सीखना चाहिए।
- इसने क्या किया: रोबोट आर्किटेक्ट ने स्वचालित रूप से हजारों अलग-अलग निर्माण डिजाइनों को आजमाया। इसने पूछा, "क्या होगा अगर मैं यहाँ एक परत जोड़ दूँ? क्या होगा अगर मैं सीखने की गति बदल दूँ?" इसने उस एकल सर्वोत्तम डिजाइन को चुना जो प्रशिक्षण डेटा पर सबसे अच्छा काम करता था।
द डिटेक्टिव (CNN)
कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) वह वास्तविक जासूस है जो मस्तिष्क-तरंग ग्रिड को देखता है।
- इसने क्या किया: एक बार जब आर्किटेक्ट ने सबसे अच्छा डिजाइन चुन लिया, तो जासूस ने 5x1,600 के ग्रिड को स्कैन करना शुरू किया। इसने मस्तिष्क की तरंगों में उन पैटर्न को खोजा जो "उच्च संवेदनशीलता" या "कम संवेदनशीलता" का संकेत देते हैं।
द ट्रांसलेटर (XAI)
यह सबसे महत्वपूर्ण हिस्सा है। आमतौर पर, AI एक "ब्लैक बॉक्स" की तरह होता है—आप डेटा डालते हैं, और यह एक उत्तर देता है, लेकिन आपको पता नहीं चलता कि क्यों। XAI (एक्सप्लेनेबल AI) एक अनुवादक की तरह है जो ब्लैक बॉक्स को खोलता है और जासूस के तर्क को समझाता है।
- इसने क्या किया: शोधकर्ताओं ने SHAP और LIME जैसे उपकरणों का उपयोग यह पूछने के लिए किया कि, "जासूस अपने निर्णय लेने के लिए आपकी स्प्रेडशीट की किन पंक्तियों को देख रहा था?"
- खोज: अनुवादक ने खुलासा किया कि जासूस कुछ पंक्तियों को अनदेखा कर रहा था और केवल दो पंक्तियों पर बहुत अधिक ध्यान केंद्रित कर रहा था: अल्फा (Alpha) और गामा (Gamma) तरंगें।
3. परिणाम: दो अलग-अलग कहानियाँ
इस प्रणाली का परीक्षण दो तरीकों से किया गया, और परिणाम दिलचस्प थे:
- "परफेक्ट" क्षण: एक विशिष्ट परीक्षण रन में, शोधकर्ताओं ने जासूस के निष्कर्षों (कि अल्फा और गामा महत्वपूर्ण थे) को लिया और उन विशिष्ट पंक्तियों को अतिरिक्त महत्व दिया। इस एक भाग्यशाली परिदृश्य में, AI ने पूर्ण स्कोर (100% सटीकता) प्राप्त किया। इसने परीक्षण समूह में प्रत्येक व्यक्ति की सही पहचान की।
- "यथार्थवादी" औसत: हालाँकि, जब उन्होंने कई अलग-अलग समूहों में सिस्टम का परीक्षण किया (यह सुनिश्चित करने के लिए कि यह केवल किस्मत नहीं थी), तो पूर्ण स्कोर गायब हो गया। औसत सटीकता गिरकर लगभग 67% हो गई।
- सीख: "परफेक्ट" स्कोर यह दर्शाता है कि यह विधि काम कर सकती है, लेकिन कम औसत स्कोर यह दर्शाता है कि सिस्टम अभी भी सीख रहा है और इसे विश्वसनीय होने के लिए अधिक डेटा की आवश्यकता है।
4. उन्होंने क्या सीखा?
अध्ययन से पता चला कि जब आप इस स्मार्ट, स्वचालित दृष्टिकोण का उपयोग करते हैं, तो मस्तिष्क की तरंगों के अल्फा और गामा फ्रीक्वेंसी बैंड सम्मोहनीयता (hypnotizability) बताने के लिए सबसे अधिक सुराग रखते हैं।
सारांश उपमा
कल्प laइए कि आप किसी पक्षी के पंखों के 100 पन्नों के फोटो एल्बम को देखकर एक विशिष्ट प्रकार के पक्षी की पहचान करने की कोशिश कर रहे हैं।
- पुराना तरीका: आप मैन्युअल रूप से सबसे अच्छे पन्ने चुनते हैं और नियमों का अनुमान लगाते हैं।
- इस शोध पत्र का तरीका:
- AutoML एक रोबोट है जो सबसे अच्छा दृश्य खोजने के लिए एल्बम को व्यवस्थित करने के हर संभावित तरीके को आजमाता है।
- The CNN वह पक्षी-प्रेक्षक है जो एल्बम का अध्ययन करता है।
- XAI पक्षी-प्रेक्षक की नोटबुक है जहाँ वे लिखते हैं, "मैंने पन्ने 1-50 नहीं देखे; मैंने केवल पन्ने 51-60 को देखा क्योंकि वहीं पर अद्वितीय पंख पैटर्न थे।"
- परिणाम: पक्षी-प्रेक्षक ने अद्वितीय पैटर्न (अल्फा और गामा) पा लिए, लेकिन क्योंकि अध्ययन के लिए केवल कुछ ही फोटो एल्बम उपलब्ध हैं, वे अभी तक पूरी तरह आश्वस्त नहीं हैं कि वे हर नए एल्बम में पक्षी की पहचान कर सकते हैं।
मुख्य बात: यह शोध पत्र साबित करता है कि ऑटोमेटेड डिज़ाइन (AutoML) को व्याख्यात्मक उपकरणों (XAI) के साथ जोड़ना मस्तिष्क तरंगों का उपयोग करके सम्मोहनीयता का अध्ययन करने का एक आशाजनक तरीका है, लेकिन यह चेतावनी भी देता है कि पूरी तरह से भरोसा करने से पहले हमें अधिक डेटा की आवश्यकता 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।