कल्पना कीजिए कि आप एक संग्रहालय में नकली पेंटिंग को पकड़ने की कोशिश कर रहे एक जासूस हैं। आपके पास असली उत्कृष्ट कृतियों की लाखों तस्वीरें हैं, लेकिन नकली पेंटिंग्स केवल कुछ ही हैं, और वे नकली भी असली जैसी दिखने में बहुत संदिग्ध रूप से समान हैं। आपका काम उस सूक्ष्म ब्रशस्ट्रोक को ढूंढना है जो वहां नहीं होना चाहिए। यह अनोमली डिटेक्शन (Anomaly Detection) का दैनिक संघर्ष है, जो कंप्यूटर विज्ञान की एक शाखा है जहाँ मशीनें "सामान्य" चीजों के समुद्र में "अजीब" चीजों को पहचानना सीखती हैं। चाहे वह कार के पुर्जे पर एक छोटा सा खरोंच हो या फेफड़ों के एक्स-रे में एक अजीब छाया, चुनौती एक ही है: मशीन को यह सीखना होगा कि "सामान्य" क्या दिखता है ताकि कुछ भी थोड़ा सा अलग होने पर तुरंत चिल्ला उठे, "मैं यहाँ नहीं होना चाहिए था!"

ऐसा करने के लिए, वैज्ञानिक अक्सर डिस्टिलेशन (Distillation) नामक एक चतुर तकनीक का उपयोग करते हैं। इसे एक मास्टर शेफ (शिक्षक) द्वारा एक सू-शेफ (छात्र) को एक आदर्श व्यंजन बनाना सिखाने जैसा समझें। छात्र मास्टर की चालों की नकल करने की कोशिश करता है। यदि मास्टर एक बेहतरीन स्टेक बना रहा है, तो छात्र लय सीखता है। लेकिन यदि किसी ने छात्र को मांस का एक कच्चा, जला हुआ या अजीब आकार का टुकड़ा थमा दिया (एक विसंगति/anomaly), तो छात्र भ्रमित हो जाता है क्योंकि उसने पहले कभी ऐसा कुछ नहीं देखा होता। वह भ्रम—जो मास्टर की अपेक्षा और छात्र द्वारा देखे गए दृश्य के बीच का अंतर है—ही वह संकेत है कि कुछ गलत है। हालाँकि, वास्तविक जीवन अव्यवसायी है। कभी-कभी "मास्टर" विशिष्ट विवरणों (जैसे रसोई में रोशनी) के बारे में बहुत अधिक नखरेबाज होता है, और कभी-कभी "छात्र" अनुमान लगाने में इतना अच्छा हो जाता है कि वह सूक्ष्म त्रुटियों को भी मिस कर देता है। यह शोध पत्र उन समस्याओं को ठीक करने का प्रयास करता है और छात्र को दो शिक्षक और समस्या को विभिन्न कोणों से देखने के लिए नए उपकरण प्रदान करता है।

दो-शिक्षक टीम-अप

SGMS-DTDNet से मिलिए, जो कारखानों और अस्पतालों दोनों में दोषों को पहचानने के लिए डिज़ाइन किया गया एक नया कंप्यूटर मस्तिष्क है। शोधकर्ताओं ने, जिनका नेतृत्व पुफान गुओ (Pufan Guo) ने किया, महसूस किया कि केवल एक शिक्षक पर निर्भर रहना एक जटिल मूवी सीन का वर्णन करने के लिए एक व्यक्ति से पूछने जैसा है; वे बैकग्राउंड के विवरणों को छोड़ सकते हैं या मुख्य पात्र पर बहुत अधिक ध्यान केंद्रित कर सकते हैं। इसलिए, उन्होंने दो शिक्षकों के साथ एक सिस्टम बनाया।

एक शिक्षक "टारगेट-व्यू टीचर" (Target-View Teacher) है। कल्पना कीजिए कि यह शिक्षक एक स्थानीय गाइड है जो उस विशिष्ट पड़ोस को पूरी तरह से जानता है। वे जानते हैं कि किसी विशिष्ट कार के पुर्जे या चिकित्सा स्कैन के विशिष्ट प्रकार का "सामान्य" टेक्सचर कैसा दिखता है। दूसरा शिक्षक "सोर्स-व्यू टीचर" (Source-View Teacher) है। यह एक बुद्धिमान यात्री है जिसने कई अलग-अलग पड़ोस देखे हैं। वे स्थानीय गपशप नहीं जानते, लेकिन वे इमारतों और सड़कों की सामान्य संरचना को समझते हैं। स्थानीय गाइड के विशिष्ट ज्ञान को यात्री के व्यापक संरचनात्मक ज्ञान के साथ जोड़कर, छात्र "सामान्य" की एक अधिक मजबूत परिभाषा सीखता है। यह एक ऐसे कोच की तरह है जो आपकी विशिष्ट खेल शैली को भी जानता है और खेल के बुनियादी नियमों को भी समझता है।

सुपर-सेंस: ज़ूम इन करना और पुनर्निर्माण करना

एक बार जब छात्र दोनों शिक्षकों से सीख लेता है, तो उसे सुरागों की तलाश करनी होती है। यह शोध पत्र DAME (डायनेमिक एडेप्टिव मल्टी-स्केल एनहांसमेंट) नामक एक विशेष मॉड्यूल पेश करता है। DAME को ऐसे जादुई चश्मे के रूप में सोचें जो तुरंत ज़ूम इन और ज़ूम आउट कर सकता है। कभी-कभी दोष एक छोटी सी खरोंच (हाई ज़ूम) होता है, और कभी-कभी यह एक बड़ा, धुंधला दाग (लो ज़ूम) होता है। DAME कंप्यूटर को इन दृश्यों के बीच सहजता से स्विच करने में मदद करता है, यह सुनिश्चित करता है कि वह केवल बड़े चित्र को देखते हुए एक छोटी खरोंच को न छोड़ दे, या एक सिंगल पिक्सेल पर बहुत अधिक ध्यान केंद्रित करने के कारण एक बड़े दाग को न चूक जाए।

इसके बाद, DRB (डिफ्यूजन रिकंस्ट्रक्शन ब्रांच) है। यह एक "क्या होगा अगर?" सिम्युलेटर की तरह है। कंप्यूटर एक सामान्य वस्तु की तस्वीर लेता है और पूछता है, "यदि मैं इसे अस्त-व्यस्त कर दूँ और फिर इसे वापस सुलझाने की कोशिश करूँ, तो क्या मैं इसे वापस सामान्य स्थिति में ला पाऊंगा?" यदि वस्तु वास्तव में सामान्य है, तो कंप्यूटर इसे आसानी से पुनर्निर्मित कर सकता है। लेकिन यदि इसमें कोई छिपा हुआ दोष है, तो कंप्यूटर इसे ठीक करने की कोशिश में फंस जाता है, और "रिकंस्ट्रक्शन एरर" (इसे ठीक करने की कोशिश में होने वाली गड़बड़ी) एक बड़ा रेड फ्लैग बन जाती है। यह उन विसंगतियों को पकड़ने में मदद करता है जो पहली नज़र में सामान्य दिखती हैं लेकिन जिनका अंतर्निहित ढांचा अजीब होता है।

शोर को फ़िल्टर करना और बिंदुओं को जोड़ना

बेहतरीन शिक्षकों और सुपर-सेंस के बावजूद, कंप्यूटर बैकग्राउंड नॉइज़ (शोर) से भ्रमित हो सकता है। दीवार पर एक छाया एक दरार जैसी लग सकती है, या फेफड़ों में एक अजीब टेक्सचर ट्यूमर जैसा लग सकता है। इसे ठीक करने के लिए, शोध पत्र S-DFS (सिमेंटिक-गाइडेड डोमेन-रेलेवेंट फीचर सिलेक्शन) का उपयोग करता है। कल्पना कीजिए कि एक क्लब के बाउंसर की जो केवल सही मेहमानों को ही अंदर आने देता है। S-DFS उस बाउंसर की तरह कार्य करता है, जो "शोर" (जैसे यादृच्छिक छाया या धूल) को बाहर रखता है और केवल उन्हीं फीचर्स को अंदर आने देता है जो वास्तव में दोष खोजने के लिए महत्वपूर्ण हैं।

अंत में, सिस्टम रीजन कनेक्टिविटी एनालिसिस (क्षेत्र जुड़ाव विश्लेषण) का उपयोग करता है। कभी-कभी, कंप्यूटर कुछ यादृच्छिक पिक्सेल देख सकता है जो संदिग्ध लगते हैं, लेकिन वे कॉन्फेटी (रंगीन कागज के टुकड़े) की तरह हर जगह बिखरे हुए होते हैं। वास्तविक दोष आमतौर पर एक समूह में जुड़े होते हैं। यह अंतिम चरण संदिग्ध पिक्सेल के मानचित्र को देखता है और कहता है, "ठीक है, ये बिखरे हुए बिंदु शायद सिर्फ शोर हैं, लेकिन यह बड़ा, जुड़ा हुआ धब्बा? यह एक वास्तविक समस्या है।" यह बिंदुओं के एक बिखरे हुए मानचित्र को समस्या के स्थान की एक स्पष्ट, सुसंगत तस्वीर में बदल देता है।

परिणाम: एक ठोस कदम आगे

शोधकर्ताओं ने इस नए सिस्टम का एक नियंत्रित वातावरण में परीक्षण किया। महत्वपूर्ण रूप से, इस अध्ययन में उपयोग किया गया डेटा वास्तविक कारखानों या अस्पतालों का वास्तविक डेटा नहीं था। इसके बजाय, उन्होंने पांच विशिष्ट "प्रोटोकॉल-डिफ़ाइंड" परिदृश्य बनाए जो औद्योगिक पुर्जों (जैसे धातु पर खरोंच) और मेडिकल इमेज दोनों की नकल करते हैं। उपयोग किए गए ब्रेन-एमआरआई (Brain-MRI) और चेस्ट-एक्सरे (Chest-Xray) चित्र वास्तविक रोगी डेटा नहीं थे; वे केवल नियंत्रित पद्धतिगत मूल्यांकन के लिए निर्मित सिंथेटिक, प्रोटोकॉल-डिफ़ाइंड जनरेटेड प्रयोगात्मक डोमेन थे। इसने यह सुनिश्चित किया कि वास्तविक रोगी गोपनीयता के मुद्दे शामिल न हों और शोधकर्ताओं को सख्त, दोहराने योग्य स्थितियों के तहत सिस्टम के तर्क का परीक्षण करने की अनुमति मिली। उन्होंने इन परीक्षणों को एक निश्चित "सीड" (जैसे हर बार बिल्कुल समान नंबरों के साथ पासा फेंकना) के साथ कई बार चलाया ताकि परिणाम सुसंगत और निष्पक्ष हों।

इन सिमुलेशन में, नया SGMS-DTDNet सिस्टम पिछले तरीकों से बेहतर प्रदर्शन करता है। इसने औसतन 92.41% का इमेज-लेवल AUROC और 93.06% का पिक्सेल-लेवल AUROC प्राप्त किया। इसे समझने के लिए, इसने ठीक कहाँ दोष है (पिक्सेल-लेवल AP) बताने की क्षमता में 4.74 प्रतिशत अंक का सुधार किया, जो कि एक मजबूत प्रतिस्पर्धी UniAD की तुलना में है। लेखक बताते हैं कि ये संख्याएँ प्रभावशाली लेकिन यथार्थवादी हैं; उन्होंने 100% का पूर्ण स्कोर प्राप्त नहीं किया, जो अच्छा है क्योंकि इसका मतलब है कि सिस्टम अभी भी एक कठिन चुनौती का सामना कर रहा है, ठीक वैसे ही जैसे एक वास्तविक जासूस करता है।

इसका क्या अर्थ है (और क्या नहीं)

यह शोध पत्र सुझाव देता है कि दो शिक्षकों को मिलाना, मल्टी-स्केल ज़ूमिंग का उपयोग करना, पुनर्निर्माण का अनुकरण करना और शोर को फ़िल्टर करना दोषों को खोजने का एक अधिक विश्वसनीय तरीका बनाता है। एब्लेशन स्टडीज (जहाँ उन्होंने सिस्टम के हिस्सों को एक-एक करके हटाया) ने दिखाया कि पहेली के हर हिस्से ने परिणामों को बेहतर बनाने में मदद की, जिससे यह सिद्ध हुआ कि संपूर्ण वास्तव में अपने भागों के योग से बड़ा है।

हालाँकि, इस अध्ययन की सीमाओं को याद रखना महत्वपूर्ण है। लेखक स्पष्ट रूप से कहते हैं कि ये परिणाम सिंथेटिक डेटा का उपयोग करके नियंत्रित, जनरेटेड प्रयोगों से आए हैं। उन्होंने अभी तक वास्तविक रोगी रिकॉर्ड या वास्तविक कारखानों के फर्श पर इसका परीक्षण नहीं किया है। वे स्पष्ट रूप से कहते हैं कि हालांकि यह विधि आशाजनक दिखती है, लेकिन इससे पहले कि हम कह सकें कि यह वास्तविक दुनिया के लिए तैयार है, इसे MVTec AD जैसे वास्तविक डेटासेट या वास्तविक क्लिनिकल इमेज पर मान्य करने की आवश्यकता है। वे यह भी बताते हैं कि वर्तमान में सिस्टम कम्प्यूटेशनल रूप से थोड़ा भारी है, इसलिए भविष्य के काम में इसे अस्पतालों या असेंबली लाइनों में रीयल-टाइम उपयोग के लिए पर्याप्त तेज़ बनाने पर ध्यान देना होगा।

संक्षेप में, SGMS-DTDNet विसंगति का पता लगाने (anomaly detection) के टूलबॉक्स में एक बहुत ही चतुर नया उपकरण है। यह असामान्य चीजों को पहचानने के लिए दो शिक्षकों की एक टीम और स्मार्ट फिल्टरों का उपयोग करता है। हालाँकि इसने अभी तक सभी विसंगतियों के रहस्य को हल नहीं किया है, लेकिन यह मशीनों को उन सूक्ष्म, खतरनाक या महंगी त्रुटियों को पकड़ने में बेहतर बनाने के लिए एक बहुत मजबूत मार्ग सुझाता है जिन्हें इंसान मिस कर सकते हैं।