When Lifts Predict Lifts: Leakage-Controlled Strength Prediction and a Closed-Form Leakage Diagnostic
यह शोध पत्र उजागर करता है कि कैसे एथलीटों के अधिकतम उत्तोलन (मैक्सिमल लिफ्ट) की भविष्यवाणी करने वाले मशीन लर्निंग मॉडल समवर्ती-लिफ्ट डेटा लीकेज (कन्करेंट-लिफ्ट डेटा लीकेज) के कारण महत्वपूर्ण सटीकता मुद्रास्फीति से ग्रस्त होते हैं, और इस लीकेज की गंभीरता को मापने के लिए एक क्लोज्ड-फॉर्म डायग्नोस्टिक के साथ-साथ एक लागत प्रभावी जनरेटिव मॉडल प्रस्तावित करता है जो सिबलिंग लिफ्ट डेटा पर निर्भर हुए बिना कैलिब्रेटेड और शारीरिक रूप से सुसंगत भविष्यवाणियां प्रदान 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
स्ट्रेंथ स्पोर्ट्स (शक्ति खेलों) की दुनिया में, ओलंपिक प्लेटफॉर्म से लेकर स्थानीय जिम तक, एक एथलीट कितना वजन उठा सकता है, यह जानना ही सब कुछ का आधार है। कोच इन नंबरों का उपयोग प्रशिक्षण कार्यक्रम डिजाइन करने, प्रगति को ट्रैक करने और यह तय करने के लिए करते हैं कि क्या कोई मूवमेंट (गतिविधि) सुरक्षित रूप से करना संभव है। आदर्श रूप से, एक कोच एक एथलीट द्वारा किए जाने वाले हर एक लिफ्ट—क्लीन एंड जर्क, स्नैच, बैक स्क्वाट और डेडलिफ्ट—को मापना चाहेगा ताकि एक पूर्ण तस्वीर मिल सके। लेकिन हर चीज़ को मापना धीमा, थकाऊ और उन नए एथलीटों के लिए अक्सर असंभव होता है जिन्होंने पहले कभी प्रतियोगिता नहीं की है। इसने सरल तथ्यों जैसे आयु, लिंग, ऊंचाई और शरीर के वजन के आधार पर इन लिफ्ट्स का अनुमान लगाने के लिए कंप्यूटर प्रोग्रामों का उपयोग करने में बढ़ती रुचि पैदा की है। उम्मीद यह है कि एक मशीन किसी व्यक्ति की बुनियादी प्रोफाइल को देखकर आपको बता सकती है कि वह कितना उठा सकता है, जिससे समय और प्रयास की बचत हो सके।
वर्षों से, कंप्यूटर मॉडल अविश्वसनीय सटीकता का दावा करते रहे हैं, जो अक्सर 90 प्रतिशत से अधिक बार सही नंबर बताते हैं। हालांकि, एक नया अध्ययन बताता है कि ये उच्च स्कोर भ्रामक हैं। शोधकर्ताओं ने पाया कि मॉडल वास्तव में किसी व्यक्ति के शरीर से ताकत का अनुमान नहीं लगा रहे थे; इसके बजाय, वे एक गायब लिफ्ट का अनुमान लगाने के लिए अन्य ज्ञात लिफ्टों को सुराग के रूप में उपयोग कर रहे थे। यदि मॉडल को पता है कि कोई व्यक्ति कितना स्क्वाट कर सकता है, तो वह लगभग पूर्ण सटीकता के साथ उसके डेडलिफ्ट का अनुमान लगा सकता है क्योंकि दोनों गतिविधियाँ आपस में बहुत गहराई से जुड़ी हुई हैं। यह किसी व्यक्ति की ऊंचाई पूछकर उसकी ऊंचाई का अनुमान लगाने जैसा है; उत्तर आसान है, लेकिन यह आपको कुछ भी नया नहीं बताता है। असली चुनौती, जिसका सामना कोच वास्तव में करते हैं, एक अजनबी के लिए—जिसने पहले कभी वजन नहीं उठाया है—केवल उसकी आयु और आकार का उपयोग करके एक पूर्ण प्रोफाइल की भविष्यवाणी करना है।
यासिन अलीपुर औरreza पुरघोली, जो ईरान के दमघान विश्वविद्यालय के शोधकर्ता हैं, ने इस खामी को उजागर करने और ताकत का अनुमान लगाने का एक बेहतर तरीका बनाने का निर्णय लिया। उन्होंने एक बड़े, सार्वजनिक क्रॉसफ़िट एथलीट डेटाबेस का उपयोग करके पिछले अध्ययनों में रिपोर्ट की गई उच्च-सटीकता के परिणामों को पुन: उत्पन्न किया। जब उन्होंने अपने कंप्यूटर मॉडल को भविष्यवाणी करते समय एथलीट की अन्य लिफ्ट देखने की अनुमति दी, तो मॉडल शानदार प्रदर्शन कर रहे थे, जो पहले के काम में देखी गई 93 प्रतिशत सटीकता से मेल खाते थे। लेकिन फिर उन्होंने नियम बदल दिए। उन्होंने अन्य लिफ्टों को इनपुट से हटा दिया, जिससे मॉडल को केवल एथलीट की आयु, लिंग, ऊंचाई और वजन का उपयोग करके एक लिफ्ट की भविष्यवाणी करने के लिए मजबूर होना पड़ा। परिणाम ढह गए। सटीकता एक महत्वपूर्ण अंतर से गिर गई, जो उच्च 90 के दशक से गिरकर मध्य 60 के दशक में आ गई। इस नाटकीय गिरावट ने खुलासा किया कि पिछली सफलता काफी हद तक 'डेटा लीकेज' (data leakage) से बना एक भ्रम था, जहाँ उत्तर प्रश्न के भीतर ही छिपा हुआ था।
शोधकर्ताओं ने महसूस किया कि ईमानदार समस्या उस समस्या से कहीं अधिक कठिन है जिसे लैब में हल किया जा रहा है। बिना किसी इतिहास के एक नए एथलीट के लिए लिफ्ट की भविष्यवाणी करना एक कठिन कार्य है, और वर्तमान में उपलब्ध सर्वोत्तम कंप्यूटर प्रोग्राम केवल 65 प्रतिशत बार ही इसे सही कर पाते हैं। यह तकनीक की विफलता नहीं है, बल्कि वास्तविकता का प्रतिबिंब है: एक व्यक्ति के शरीर का आकार और आयु आपको उसकी ताकत के बारे में केवल इतना ही बता सकते हैं। अध्ययन दिखाता है कि जबकि मशीनें एथलीटों की स्क्रीनिंग कर सकती हैं और एक शुरुआती बिंदु दे सकती हैं, वे लिफ्ट के वास्तविक माप की जगह नहीं ले सकतीं। जटिल एल्गोरिदम द्वारा प्रदान की गई अतिरिक्त जानकारी केवल लिंग और शरीर के वजन पर आधारित एक सरल गणना की तुलना में बहुत कम मूल्य जोड़ती है।
इस भ्रम को ठीक करने के लिए, टीम ने इस तरह के निर्भरता को होने से पहले ही पकड़ने के लिए एक नया उपकरण विकसित किया। उन्होंने एक सरल स्कोर बनाया जो एक डेटासेट को देख सकता है और यह अनुमान लगा सकता है कि यदि "सिबलिंग" (सहोदर) लक्ष्यों को—जैसे कि अन्य लिफ्ट—को हटा दिया जाए तो कितनी सटीकता कम होगी। यह स्कोर विभिन्न लिफ्टों के बीच के संबंध का विश्लेषण करके काम करता है, जिसमें बुनियादी शारीरिक तथ्यों को ध्यान में रखा जाता है। यदि स्कोर उच्च है, तो यह चेतावनी देता है कि डेटासेट लीकेज के कारण बढ़ा हुआ है। शोधकर्ताओं ने स्ट्रेंथ डेटा पर इस डायग्नोस्टिक का परीक्षण किया और पाया कि यह पूरी तरह से काम करता है। उन्होंने इसे पूरी तरह से अलग क्षेत्रों, जैसे कि कंक्रीट के मिश्रण की मजबूती और इमारतों की ऊर्जा खपत की भविष्यवाणी करने पर भी आजमाया। उन मामलों में जहाँ लक्ष्य वास्तव में जुड़े हुए थे, जैसे कि जिम में अलग-अलग लिफ्ट, स्कोर ने सटीकता में बड़ी गिरावट की सही भविष्यवाणी की। उन मामलों में जहाँ लक्ष्य पहले से ही इनपुट डेटा द्वारा निर्धारित थे, जैसे कि किसी इमारत की हीटिंग और कूलिंग की ज़रूरतें, स्कोर ने लगभग कोई गिरावट नहीं दिखाई, जिससे साबित हुआ कि यह उपकरण वास्तविक भविष्यवाणी और डेटा लीकेज के बीच अंतर कर सकता है।
समस्या को उजागर करने के अलावा, शोधकर्ताओं ने एक नए प्रकार का मॉडल बनाया जिसे 'कोल्ड-स्टार्ट प्रेडिक्शन' (cold-start prediction) के ईमानदार और कठिन कार्य को संभालने के लिए डिज़ाइन किया गया है। प्रत्येक लिफ्ट को एक अलग समस्या मानने के बजाय, उन्होंने एक एकल प्रणाली बनाई जो ताकत को समग्र क्षमता और एक विशिष्ट शैली के संयोजन के रूप में देखती है। कल्पना कीजिए कि ताकत एक 'वॉल्यूम नॉब' की तरह है जो नियंत्रित करती है कि एक एथलीट सामान्य रूप से कितना मजबूत है, और 'स्लाइडर्स' का एक सेट जो यह निर्धारित करता है कि उस ताकत को विभिन्न गतिविधियों में कैसे वितरित किया जाता है। यह प्रणाली कुछ ज्ञात लिफ्टों को ले सकती है और अज्ञात लिफ्टों के अंतराल को भर सकती है, या एक नए एथलीट के लिए पूर्ण प्रोफाइल की भविष्यवाणी कर सकती है। यह पुराने, अधिक जटिल तरीकों की तुलना में बहुत कम समय और लागत में ऐसा करती है, और साथ ही अनिश्चितता का एक माप भी प्रदान करती है ताकि कोच जान सकें कि उस नंबर पर कितना भरोसा किया जाए।
टीम ने अपने निष्कर्षों को बड़े पैमाने पर सत्यापित किया, एक अलग डेटाबेस से लगभग 3,00,000 प्रतिस्पर्धी पावरलिफ्टर्स पर अपनी विधियों का परीक्षण किया। परिणाम बरकरार रहे: जब अन्य लिफ्टों को हटा दिया गया, तो पुराने मॉडलों की उच्च सटीकता गायब हो गई, और नए डायग्नोस्टिक टूल ने लीकेज की सही पहचान की। उन्होंने यह भी दिखाया कि लिफ्ट के बीच का संबंध विभिन्न आबादी में सुसंगत रहता है। एक मॉडल जिसे मनोरंजक क्रॉसफ़िट एथलीटों पर प्रशिक्षित किया गया था, वह एलीट पावरलिफ्टर्स के लिए लिफ्ट के बीच के संबंध की सफलतापूर्वक भविष्यवाणी कर सका, भले ही एलीट एथलीट बहुत अधिक मजबूत थे। यह सुझाव देता है कि जबकि पूर्ण संख्याएँ बदल जाती हैं, ताकत कैसे वितरित होती है, इसका अंतर्निहित ढांचा समान रहता है।
अध्ययन कोचों और डेटा वैज्ञानिकों के लिए एक स्पष्ट संदेश के साथ समाप्त होता है: स्ट्रेंथ प्रेडिक्शन के हेडलाइन नंबर अक्सर सच होने के लिए बहुत अच्छे होते हैं। जब एक मॉडल किसी नए लिफ्ट का अनुमान लगाने के लिए एथलीट की अन्य लिफ्टों का उपयोग करता है, तो वह बुद्धिमत्ता का प्रदर्शन नहीं कर रहा होता है; वह केवल एक ज्ञात भौतिक संबंध का फायदा उठा रहा होता है। इस क्षेत्र में मशीन लर्निंग का वास्तविक मूल्य एक नए एथलीट के लिए एक उचित शुरुआती बिंदु प्रदान करने और तब डेटा भरने में है जब कुछ लिफ्ट ज्ञात हों, और साथ ही अपनी निश्चितता की सीमाओं को ईमानदारी से स्वीकार करने में है। 'आसान, लीक की गई भविष्यवाणियों' को 'कठिन, ईमानदार भविष्यवाणियों' से अलग करके, शोधकर्ताओं ने मानव शक्ति को समझने के लिए डेटा का उपयोग करने हेतु एक स्पष्ट मार्ग प्रदान किया 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।