A Relative Probabilistic Density Weighted Granular-Ball Twin Support Vector Machine for Robust Classification
यह शोध पत्र RPDLDGBTWSVM का प्रस्ताव करता है, जो एक सुदृढ़ वर्गीकरण विधि है जो उच्च-घनत्व वाले वास्तविक नमूनों से ग्रैनुलर बॉल्स (granular balls) उत्पन्न करके और जटिल डेटासेट पर सटीकता एवं दक्षता में सुधार करने के लिए ग्रैनुलर-बॉल-सेंटर स्तर पर KLIEP-आधारित सापेक्ष संभाव्यता घनत्व भारण (relative probabilistic density weighting) लागू करके ट्विन सपोर्ट वेक्टर मशीनों को उन्नत करता 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
मशीन लर्निंग की दुनिया में, कंप्यूटरों को अक्सर चीजों को श्रेणियों में वर्गीकृत करने के लिए कहा जाता है, जैसे कि मेडिकल स्कैन में स्वस्थ ऊतक (tissue) और रोगग्रस्त ऊतक के बीच अंतर करना या वैध बैंक लेनदेन को धोखाधड़ी वाले लेनदेन से अलग करना। इस कार्य के लिए सबसे भरोसेमंद उपकरणों में से एक 'सपोर्ट वेक्टर मशीन' (Support Vector Machine) नामक विधि है। कल्पना कीजिए कि एक कंप्यूटर कागज के एक टुकड़े पर बिखरे हुए बिंदुओं के दो समूहों के बीच एक रेखा खींचने की कोशिश कर रहा है। पारंपरिक दृष्टिकोण एक ऐसी एकल रेखा खींचता है जो दोनों समूहों को एक-दूसरे से यथासंभव दूर रखती है। हालाँकि, एक अधिक आधुनिक रूपांतर, जिसे 'ट्विन सपोर्ट वेक्टर मशीन' (Twin Support Vector Machine) के रूप में जाना जाता है, दो अलग-अलग रेखाएं खींचता है। एक रेखा बिंदुओं के पहले समूह से सटकर चलती है, और दूसरी रेखा दूसरे समूह से सटकर चलती है, जिससे उनके बीच एक बड़ा अंतर बना रहता है। यह दृष्टिकोण अक्सर तेज़ और अधिक लचीला होता है, लेकिन यह अव्यवस्थित, वास्तविक दुनिया के डेटा के साथ काम करते समय अभी भी एक महत्वपूर्ण बाधा का सामना करता है।
वास्तविक दुनिया का डेटा शायद ही कभी पूर्ण होता है। इसमें त्रुटियां, आउटलेयर्स (outliers) और ऐसे नमूने होते हैं जो श्रेणियों के बीच की सीमा पर स्थित होते हैं, जिससे कंप्यूटर के लिए यह तय करना कठिन हो जाता है कि रेखाएं कहाँ खींची जाएं। इसे संभालने के लिए, शोधकर्ता अक्सर बिंदुओं को पास के समूहों में मिलाकर डेटा को सरल बनाने का प्रयास करते हैं, और प्रत्येक समूह को हजारों व्यक्तिगत बिंदुओं के बजाय एक एकल इकाई के रूप में देखते हैं। 'ग्रैनुलर-बॉल कंप्यूटिंग' (granular-ball computing) नामक यह तकनीक दूर से जंगल को देखने जैसा है: हर एक पत्ते को गिनने के बजाय, आप पेड़ों के आकार को देखते हैं। हालांकि यह प्रक्रिया को तेज करता है, लेकिन इन बिंदुओं को समूहित करने के पिछले तरीकों ने अक्सर ऐसे कृत्रिम केंद्र बनाए जो मूल डेटा का सही प्रतिनिधित्व नहीं करते थे, विशेष रूप से तब जब डेटा जटिल या विरल (sparse) था। इसके अलावा, शोर (noise) को संभालने के लिए इन समूहों को भारित (weighting) करने का तरीका अक्सर सरल दूरी मापों पर निर्भर था जो उच्च-आयामी स्थानों (high-dimensional spaces) में विफल हो सकते थे।
जिनान यूनिवर्सिटी के शोधकर्ताओं ने इन विशिष्ट समस्याओं को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे उन्होंने एक प्रणाली बनाई है जिसे वे RPDLDGBTWSVM कहते हैं। उनकी विधि डेटा समूहों के बनने के तरीके और सीखने की प्रक्रिया के दौरान उनके मूल्य निर्धारण में सुधार करके मौजूदा तकनीकों से बेहतर प्रदर्शन करती है। एक समूह का केंद्र खोजने के लिए गणितीय औसत की गणना करने के बजाय, जो एक आभासी बिंदु का परिणाम दे सकता है जो वास्तव में डेटा में मौजूद नहीं है, उनकी प्रणाली वास्तविक नमूनों का चयन करती है जिनमें पड़ोसियों (neighbors) का उच्च घनत्व होता है। ये वास्तविक, घने बिंदु समूहों के लिए आधार (anchors) बनते हैं। एक बार जब ये समूह बन जाते हैं, तो प्रणाली यह मूल्यांकन करती है कि प्रत्येक समूह अपनी श्रेणी के साथ कितना सुसंगत है बनाम विपरीत श्रेणी के साथ। जो समूह स्पष्ट रूप से अपनी श्रेणी के भीतर स्थित हैं उन्हें अधिक महत्व दिया जाता है, जबकि जो समूह अस्पष्ट हैं या दूसरी श्रेणी की सीमा के पास स्थित हैं उन्हें कम भार दिया जाता है। यह सुनिश्चित करता है कि कंप्यूटर सबसे विश्वसनीय जानकारी पर ध्यान केंद्रित करे और भ्रमित करने वाले शोर को अनदेखा करे।
शोधकर्ताओं ने उन्नीस विभिन्न डेटासेट्स पर इस नई प्रणाली का परीक्षण किया, जिसमें क्रेडिट वर्गीकरण और आणविक डेटा से लेकर मेडिकल इमेज विश्लेषण तक शामिल है। परिणामों ने दिखाया कि उनकी विधि अठारह डेटासेट्स पर उच्चतम या उच्चतम के लिए संयुक्त सटीकता प्राप्त करने में सफल रही, जिसकी औसत सटीकता 90.39% थी। विशिष्ट मामलों में, जैसे कि पार्किंसंस रोग के निदान से जुड़े डेटासेट में, नई विधि ने अगली सर्वोत्तम विकल्प की तुलना में सटीकता में तीन प्रतिशत से अधिक का सुधार किया। सटीकता के अलावा, यह प्रणाली अत्यधिक कुशल भी सिद्ध हुई। स्पैम डिटेक्शन से जुड़े एक बड़े डेटासेट पर, इस नई विधि ने कार्य को एक सेकंड से भी कम समय में पूरा कर लिया, जबकि पुराने तरीकों को कई सेकंड या यहाँ तक कि मिनट लग गए। यह गति का लाभ इस तथ्य से आता है कि प्रणाली डेटा के आवश्यक विवरणों को खोए बिना उन वस्तुओं की संख्या को कम कर देती है जिन्हें कंप्यूटर को संसाधित करने की आवश्यकता होती है।
हालाँकि, अध्ययन ने इस दृष्टिकोण की सीमाओं को भी पहचाना। जब डेटा को गंभीर शोर (noise) के अधीन किया गया, जैसे कि जब डेटा की विशेषताओं को अत्यधिक विकृत किया गया, तो डेटा को संकुचित करने की प्रणाली की क्षमता कम हो गई। पार्किंसंस के एक डेटासेट से संबंधित एक उदाहरण में, जिसमें शोर का स्तर उच्च था, प्रणाली डेटा को प्रभावी ढंग से समूहित करने में सक्षम नहीं थी और उसे लगभग हर नमूने के साथ व्यक्तिगत रूप से व्यवहार करना पड़ा, जिससे इसकी गति धीमी हो गई और इसकी सटीकता भी कम हो गई। यह सुझाव देता है कि हालांकि यह विधि सामान्य त्रुटियों के प्रति मजबूत है, यह इस बात पर निर्भर करती है कि डेटा की अंतर्निहित संरचना कुछ हद तक बरकरार रहे। शोधकर्ताओं ने यह भी नोट किया कि बहुत छोटे या सरल डेटासेट्स के लिए, समूहीकरण के लाभ कम स्पष्ट थे, क्योंकि डेटा पहले से ही वर्गीकृत करने में आसान था।
इस कार्य का सैद्धांतिक आधार पुष्टि करता है कि नई विधि गणितीय रूप से सुदृढ़ है। शोधकर्ताओं ने सिद्ध किया कि डेटा को समूहित करने से उत्पन्न होने वाली अनुमान त्रुटि (approximation error) समूहों के आकार द्वारा नियंत्रित होती है; छोटे, सघन समूह ऐसे परिणाम देते हैं जो प्रत्येक एकल बिंदु का विश्लेषण करने के लगभग समान होते हैं। उन्होंने यह भी प्रदर्शित किया कि उनके तरीके द्वारा बनाई गई अनुकूलन समस्याएँ (optimization problems) समाधान योग्य और स्थिर रहती हैं, जिसका अर्थ है कि कंप्यूटर अटक नहीं जाएगा या अनियमित परिणाम नहीं देगा। वास्तविक, घने डेटा बिंदुओं के चयन को उनके महत्व को तौलने के एक परिष्कृत तरीके के साथ जोड़कर, यह नया मॉडल मशीनों के लिए जटिल, शोर युक्त जानकारी से सीखने का एक अधिक विश्वसनीय और कुशल तरीका प्रदान करता है। यह मशीन लर्निंग उपकरणों को वास्तविक दुनिया के अनुप्रयोगों के लिए अधिक व्यावहारिक बनाने की दिशा में एक कदम है जहाँ डेटा दुर्लभ मामलों में स्वच्छ और पूर्ण नहीं होता 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।