CandidateFusion-MKAN: A Unified Framework for Robust Multimodal Crisis Classification across Diverse Supervision and Evidence Conditions
CandidateFusion-MKAN एक एकीकृत ढांचा है जो विविध पर्यवेक्षण, लुप्त या क्षयित साक्ष्य, और परस्पर विरोधी या पूरक संकेतों को प्रभावी ढंग से संभालने के लिए मोडैलिटी-समर्थित कैंडिडेट-सेट लर्निंग, कैंडिडेट-सेट लाइकलीहुड और बाउंडेड एडेप्टिव सॉफ्ट टारगेट्स को एकीकृत करके सुदृढ़ सिंगल-आउटपुट मल्टीमॉडल संकट वर्गीकरण प्राप्त 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
आपदा के बाद के अराजक घंटों के दौरान, आपातकालीन प्रबंधक ज़मीन पर क्या हो रहा है, यह समझने के लिए सोशल मीडिया से सूचनाओं की बाढ़ पर निर्भर करते हैं। एक एकल पोस्ट में एक टूटा हुआ पुल वर्णित करने वाला टेक्स्ट संदेश और एक छत पर फंसे परिवार को दिखाने वाली तस्वीर हो सकती है। आदर्श रूप से, ये दोनों साक्ष्य एक ही तत्काल आवश्यकता की ओर संकेत करेंगे, जैसे कि "बचाव प्रयास" या "बुनियादी ढांचे का नुकसान।" हालांकि, मानवीय संचार की वास्तविकता अक्सर अधिक जटिल होती है। कभी-कभी टेक्स्ट और छवि अलग-अलग कहानियाँ बताती हैं, शायद इसलिए क्योंकि लेखक लोगों पर ध्यान केंद्रित कर रहा है जबकि फोटो विनाश को दर्शाता है, या इसलिए क्योंकि छवि धुंधली है और टेक्स्ट ही एकमात्र स्पष्ट सुराग है। इन क्षणों में, पोस्ट को श्रेणियों में वर्गीकृत करने के लिए डिज़ाइन किया गया एक कंप्यूटर सिस्टम एक कठिन विकल्प का सामना करता है: क्या इसे टेक्स्ट पर भरोसा करना चाहिए, छवि पर, या एक एकल उत्तर का अनुमान लगाने की कोशिश करनी चाहिए जो उनमें से एक में मौजूद सत्य की अनदेखी कर सकता है? यदि सिस्टम बहुत जल्दी एक कठोर निर्णय लेने के लिए मजबूर होता है, तो वह महत्वपूर्ण जानकारी को त्यागने का जोखिम उठाता है जो जीवन बचा सकती है।
यह वह विशिष्ट चुनौती है जिसे 'कैंडिडेटफ्यूजन-एमकेएन' (CandidateFusion-MKAN) नामक एक नए फ्रेमवर्क द्वारा संबोधित किया गया है, जिसे इमरजेंसी मैनेजमेंट यूनिवर्सिटी और मिनस्ट्री ऑफ इमरजेंसी मैनेजमेंट के बिग डेटा सेंटर के शोधकर्ताओं द्वारा विकसित किया गया है। टीम ने एक ऐसा सिस्टम बनाने का लक्ष्य रखा जो संकट के डेटा की जटिल वास्तविकता को बिना मूल साक्ष्य की सूक्ष्मता खोए संभाल सके। टेक्स्ट और इमेज को निर्णय लेने से पहले एक एकल लेबल पर सहमत होने के लिए मजबूर करने के बजाय, उनका सिस्टम सीखने की प्रक्रिया के दौरान दोनों संभावनाओं को जीवित रखता है। यह टेक्स्ट और इमेज को दो अलग-अलग गवाहों के रूप में मानता है, जिनमें से प्रत्येक सत्य का अपना संस्करण प्रस्तुत करता है, और केवल अंत में एक अंतिम, विश्वसनीय उत्तर देने के लिए उन्हें जोड़ता है। यह दृष्टिकोण सिस्टम को तब भी मजबूत बनाए रखता है जब साक्ष्य गायब, खराब या विरोधाभासी हों।
शोधकर्ताओं ने अपने सिस्टम का परीक्षण वास्तविक दुनिया की आपदा पोस्ट के एक विशाल डेटासेट पर किया, जिसे 'क्राइसिसएमएमडी' (CrisisMMD) के रूप में जाना जाता है, जिसमें सात अलग-अलग आपदाओं से 18,000 से अधिक इमेज-टेक्स्ट जोड़े शामिल हैं। उन्होंने पाया कि इन पोस्ट्स में से आधे से अधिक में, टेक्स्ट और इमेज वास्तव में अलग-अलग मानवीय श्रेणियों का समर्थन करते थे। उदाहरण के लिए, एक पोस्ट में "प्रभावित व्यक्तियों" के बारे में टेक्स्ट हो सकता है जबकि इमेज ने "बुनियादी ढांचे के नुकसान" को दिखाया हो। पारंपरिक सिस्टम यहाँ संघर्ष करते हैं, या तो एक पक्ष की अनदेखी करते हैं या भ्रमित हो जाते हैं। हालाँकि, नया फ्रेमवर्क दोनों श्रेणियों को वैध उम्मीदवारों के रूप में संरक्षित करना सीख गया। यह एक ऐसी विधि का उपयोग करता है जो कंप्यूटर के आत्मविश्वास को विकल्पों के उस सेट पर केंद्रित करती है जो साक्ष्य द्वारा समर्थित हैं, बजाय इसके कि वह बहुत जल्दी एक विजेता चुनने के लिए मजबूर करे। यदि टेक्स्ट और इमेज सहमत हैं, तो सिस्टम एक मानक क्लासिफायर की तरह व्यवहार करता है। यदि वे असहमत हैं, तो यह दोनों विकल्पों को चलन में रखता है, यह सुनिश्चित करते हुए कि अंतिम निर्णय दोनों स्रोतों द्वारा प्रदान किए गए वास्तविक साक्ष्य पर आधारित हो।
वास्तविक दुनिया के डेटा के अधूरा होने की वास्तविकता को संभालने के लिए, सिस्टम को अधूरे या निम्न-गुणवत्ता वाले इनपुट के साथ तालमेल बिठाने के लिए भी प्रशिक्षित किया गया था। वास्तविक दुनिया में, एक फोटो इतनी अंधेरी हो सकती है कि कुछ दिखाई न दे, या एक टेक्स्ट मैसेज कटा हुआ हो सकता है। शोधकर्ताओं ने परीक्षण के दौरान जानबूझकर टेक्स्ट को हटाकर या इमेज को धुंधला करके इन स्थितियों का अनुकरण किया। उन्होंने पाया कि उनका सिस्टम सहजता से अनुकूलित हो सकता है, शेष स्पष्ट साक्ष्य की ओर अपना झुकाव बदल सकता है। जब टेक्स्ट गायब था, तो सिस्टम ने इमेज पर भारी भरोसा किया; जब इमेज गायब थी, तो उसने टेक्स्ट पर भरोसा किया। महत्वपूर्ण बात यह है कि इसने बिना किसी विशेष प्रकार के गायब डेटा के लिए पुन: प्रशिक्षित हुए, यह सब किया। सिस्टम ने यह भी पहचानना सीख लिया कि कब टेक्स्ट और इमेज पूरक सुराग प्रदान करते हैं—जहाँ उनमें से कोई भी अकेला पर्याप्त नहीं था, लेकिन साथ मिलकर वे एक पूर्ण तस्वीर बनाते थे। इन मामलों में, सिस्टम ने दोनों स्रोतों से प्राप्त विशिष्ट अंतर्दृष्टि को सफलतापूर्वक संयोजित किया ताकि एक अधिक सटीक निष्कर्ष निकाला जा सके, बजाय इसके कि उन्हें रेडंडेंट (अनावश्यक) माना जाता।
अध्ययन के परिणामों को हजारों परीक्षण मामलों में मापा गया, जिसमें वे मामले भी शामिल थे जहाँ टेक्स्ट और इमेज असहमत थे। नया फ्रेमवर्क उन पोस्ट्स पर 92.60% की सटीकता प्राप्त करता है जहाँ टेक्स्ट और इमेज सहमत थे, जो मौजूदा सर्वश्रेष्ठ सिस्टमों के प्रदर्शन से मेल खाता है। अधिक महत्वपूर्ण बात यह है कि कठिन पोस्ट्स पर, जहाँ टेक्स्ट और इमेज विरोधाभासी जानकारी देते थे, सिस्टम ने उच्च स्तर की विश्वसनीयता बनाए रखी, 90% से अधिक मामलों में एक वैध श्रेणी की सही पहचान की। इसने पुराने तरीकों की तुलना में अपनी भविष्यवाणियों में अनिश्चितता को भी काफी कम कर दिया, जो केवल टेक्स्ट और इमेज विश्लेषण के परिणामों का औसत निकालते थे। साक्ष्य को अंतिम क्षण तक अलग रखकर, सिस्टम ने "औसत निकालने" की समस्या से बचा, जहाँ एक स्रोत के मजबूत संकेत को दूसरे के कमजोर या विरोधाभासी संकेत द्वारा कम कर दिया जाता है।
शोधकर्ताओं ने यह भी देखा कि उनका सिस्टम दुर्लभ श्रेणियों को कैसे संभालता है, जैसे कि चोटों या क्षति के विशिष्ट प्रकार जो बहुत कम पोस्ट में दिखाई देते हैं। उन्होंने पाया कि मानक तरीके अक्सर इन दुर्लभ मामलों को खो देते हैं क्योंकि वे एक एकल लेबल लागू करते हैं जो शायद टेक्स्ट और इमेज दोनों द्वारा समर्थित न हो। उम्मीदवार विकल्पों को खुला रखकर, नया सिस्टम इन दुर्लभ लेकिन महत्वपूर्ण स्थितियों को पहचानने की क्षमता को सुरक्षित रखता है, भले ही वे पोस्ट के केवल एक हिस्से में दृश्यमान हों। यह आपातकालीन प्रतिक्रिया के लिए अत्यंत महत्वपूर्ण है, जहाँ एक दुर्लभ लेकिन गंभीर स्थिति को चूकना गंभीर परिणाम ला सकता है। अध्ययन ने दिखाया कि सिस्टम नए प्रकार की आपदाओं में अपने सीखने को स्थानांतरित कर सकता है, बशर्ते उसने प्रशिक्षण के दौरान बाढ़ या भूकंप जैसी सामान्य घटनाओं के पर्याप्त उदाहरण देखे हों।
अंत में, यह कार्य प्रदर्शित करता है कि मजबूत संकट वर्गीकरण के लिए साक्ष्य का पूर्ण या सुसंगत होना आवश्यक नहीं है। इसके लिए एक ऐसे सिस्टम की आवश्यकता है जो मानवीय संचार की जटिलता और वास्तविक दुनिया के डेटा की सीमाओं का सम्मान कर सके। टेक्स्ट और इमेज को सत्य के स्वतंत्र स्रोत के रूप में मानकर और केवल आवश्यकता पड़ने पर ही उन्हें जोड़कर, कैंडिडेटफ्यूजन-एमकेएन फ्रेमवर्क आपातकालीन प्रबंधकों के लिए एक अधिक विश्वसनीय उपकरण प्रदान करता है। यह सुनिश्चित करता है कि जब कोई निर्णय लिया जाता है, तो वह उपलब्ध साक्ष्य के पूर्ण भार पर आधारित होता है, चाहे वह साक्ष्य स्पष्ट, विवादास्पद या अधूरा ही क्यों न हो। यह दृष्टिकोण उच्च-जोखिम वाले वातावरण में आर्टिफिशियल इंटेलिजेंस का उपयोग करने के लिए एक व्यावहारिक मार्ग प्रदान करता है जहाँ गलत अनुमान की कीमत विवरणों की अनदेखी करने के लिए बहुत अधिक होती 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।