Learning Calibrated and Transferable Node-Level Infection Risk in Stochastic Epidemics on Complex Networks
यह शोध पत्र प्रदर्शित करता है कि एक पैरामीटर-कंडीशन्ड ग्राफ न्यूरल नेटवर्क विविध नेटवर्क टोपोलॉजी में कैलिब्रेटेड, ट्रांसफ़रेबल नोड-स्तरीय संक्रमण जोखिम को सीखने के लिए प्रभावी ढंग से लक्षित हस्तक्षेपों का मार्गदर्शन कर सकता है, हालांकि इसका प्रदर्शन अनदेखे ग्राफों में महत्वपूर्ण संरचनात्मक विषमता द्वारा सीमित है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक अफवाह, एक वायरस, या कोई बुरी खबर भीड़ में कैसे फैलेगी। वास्तविक दुनिया में, लोग पानी की बाल्टी में पानी की तरह नहीं मिलते; वे विशिष्ट, असमान तरीकों से जुड़ते हैं। कुछ लोग सभी को जानते हैं, जबकि कुछ केवल कुछ ही लोगों को जानते हैं। कनेक्शनों का यह जाल एक नेटवर्क कहलाता है, और यह पैटर्न कि कौन किसे जानता है, यह सब बदल सकता है कि एक बीमारी कैसे आगे बढ़ती है। वैज्ञानिक लंबे समय से इन प्रकोपों का अनुकरण (सिमुलेट) करने के लिए कंप्यूटर मॉडल का उपयोग करते आए हैं, लेकिन वे मॉडल अक्सर एक बहुत ही विशिष्ट, तत्काल प्रश्न का उत्तर देने में संघर्ष करते हैं: बीमारी फैलने के सटीक क्षण में, किसी विशिष्ट, स्वस्थ व्यक्ति के बीमार होने की सटीक संभावना क्या है? यह केवल यह अनुमान लगाने के बारे में नहीं है कि कौन सबसे लोकप्रिय है या किसके सबसे अधिक दोस्त हैं; यह एक ऐसी संभावना की गणना करने के बारे में है जो प्रसार की अनिश्चितता और सामाजिक वेब के अनूठे आकार को ध्यान में रखती है। इसे सही ढंग से समझना महत्वपूर्ण है क्योंकि सार्वजनिक स्वास्थ्य अधिकारियों को यह जानने की आवश्यकता होती है कि कम से कम संसाधनों के साथ प्रकोप को रोकने के लिए किसे सुरक्षित करना है।
इटली के विश्वविद्यालयों के शोधकर्ताओं की एक टीम ने एक कंप्यूटर को इस प्रश्न का उच्च सटीकता के साथ उत्तर देने के लिए प्रशिक्षित करने का लक्ष्य रखा। उन्होंने एक ऐसा सिस्टम बनाया जो एक सिम्युलेटेड भीड़ में हर एक व्यक्ति के लिए संक्रमण के भविष्य के जोखिम की भविष्यवाणी करना सीखता है, यहाँ तक कि तब भी जब कंप्यूटर ने उस विशिष्ट भीड़ को पहले कभी नहीं देखा हो। इसे करने के लिए, उन्होंने कंप्यूटर से केवल एक परिणाम का अनुमान लगाने के लिए नहीं कहा। इसके बजाय, उन्होंने उसे फैलती हुई बीमारी के एक स्नैपशॉट को देखने और कल्पना करने के लिए कहा कि उसी स्थिति के हजारों अलग-अलग तरीके कैसे हो सकते हैं। इन हजारों काल्पनिक भविष्य के परिदृश्यों को चलाकर, कंप्यूटर यह गिन सका कि कितनी बार एक विशिष्ट स्वस्थ व्यक्ति वास्तव में बीमार पड़ा। इसने एक "सॉफ्ट" लक्ष्य बनाया—एक सटीक संभावना, जैसे कि संक्रमण की 64 प्रतिशत संभावना—न कि केवल हाँ या ना। शोधकर्ताओं ने एक प्रकार के आर्टिफिशियल इंटेलिजेंस (AI) को इन संभावनाओं को सीखने के लिए प्रशिक्षित किया, जिसे 'ग्राफ न्यूरल नेटवर्क' के रूप में जाना जाता है। यह AI विशेष है क्योंकि यह समझता है कि लोग एक वेब में नोड्स (nodes) हैं, और यह सूचनाओं को उनके बीच के कनेक्शनों के माध्यम से प्रसारित करके सीखता है, ठीक वैसे ही जैसे एक बीमारी फैलती है।
इस प्रशिक्षण के परिणाम उल्लेखनीय रूप से सटीक थे। सौ लोगों के नए, अनदेखे नेटवर्क पर परीक्षण करते समय, AI ने संक्रमण के जोखिमों की भविष्यवाणी लगभग पूर्ण सटीकता के साथ की। इसने केवल लोगों को "सबसे अधिक संभावित" से "सबसे कम संभावित" के क्रम में नहीं रखा; बल्कि इसने एक कैलिब्रेटेड (सटीक रूप से मापा गया) नंबर दिया जो वास्तविक खतरे को सटीक रूप से दर्शाता था। उदाहरण के लिए, यदि AI ने कहा कि किसी व्यक्ति के संक्रमण की 70 प्रतिशत संभावना है, तो वह व्यक्ति सिमुलेशन में लगभग 70 प्रतिशत बार संक्रमित हुआ। यह एक महत्वपूर्ण अंतर है, क्योंकि एक रैंकिंग आपको बताती है कि कौन मुसीबत में है, लेकिन एक संभावना आपको बताती है कि वे कितनी बड़ी मुसीबत में हैं। AI ने अन्य सांख्यिकीय विधियों को पीछे छोड़ दिया जो मानव-निर्मित नियमों पर निर्भर थीं, जिससे यह सिद्ध हुआ कि मशीन स्वयं प्रसार के जटिल तर्क को सीख सकती है।
हालाँकि, शोधकर्ताओं ने यह भी पाया कि इस सीखने की क्षमता की एक सीमा है। उन्होंने विभिन्न प्रकार के नेटवर्क संरचनाओं पर इसका परीक्षण किया, जिसमें यादृच्छिक परिचितों से लेकर घनिष्ठ समुदायों तक सब कुछ शामिल था। AI एक नेटवर्क प्रकार से दूसरे प्रकार में जाने पर (जैसे एक यादृच्छिक वेब से एक मजबूत क्लस्टर वाले समुदाय में) बहुत अच्छा काम करता है। लेकिन यह उन नेटवर्कों के सामने लड़खड़ा गया जो कुछ अत्यधिक जुड़े हुए "हब" (hubs) द्वारा नियंत्रित थे—ऐसे लोग जिनके कनेक्शनों की संख्या असामान्य रूप से अधिक है। इन विशिष्ट, हब-प्रधान संरचनाओं में, AI की भविष्यवाणियाँ कम विश्वसनीय हो गईं। यह खोज बताती है कि भले ही AI बीमारी फैलने के सामान्य नियमों को सीख सकता है, लेकिन जब नेटवर्क की मूल संरचना देखी गई चीज़ों से मौलिक रूप से भिन्न होती है, तो वह संघर्ष करता है। यह इस बात पर प्रकाश डालता है कि नेटवर्क का आकार ही इस बात की सीमा तय करता है कि एक मॉडल कितनी अच्छी तरह से सामान्यीकरण (generalize) कर सकता है।
इस कार्य का वास्तविक मूल्य एक अंतिम हस्तक्षेप (intervention) के सिमुलेशन में परखा गया। शोधकर्ताओं ने पूछा: यदि आप स्वस्थ लोगों के एक छोटे प्रतिशत को ही टीका या सुरक्षा दे सकते हैं, तो आपको किसे चुनना चाहिए? उन्होंने अपने AI के विकल्पों की तुलना यादृच्छिक चयन और उन रणनीतियों से की जो केवल उन लोगों को लक्षित करती हैं जिनके सबसे अधिक मित्र हैं। जब बजट कम था, यानी केवल पांच प्रतिशत आबादी को सुरक्षित करने का विकल्प था, तो AI की रणनीति ने यादृच्छिक चयन की तुलना में तीन गुना अधिक संक्रमणों को कम किया। वास्तव में, AI के चुनाव इतने अच्छे थे कि वे एक "परफेक्ट ऑरेकल" (perfect oracle)—एक सैद्धांतिक आदर्श जिसे प्रत्येक निर्णय के लिए सबसे अच्छा व्यक्ति खोजने हेतु हजारों सिमुलेशन चलाने की आवश्यकता होती है—के प्रदर्शन के लगभग बराबर थे। इसका अर्थ है कि AI हजारों जटिल सिमुलेशन के काम को एक एकल, तेज़ भविष्यवाणी में संकुचित कर सकता है जो जीवन बचाने के लिए पर्याप्त अच्छी है।
अंततः, यह अध्ययन दिखाता है कि हम मशीनों को महामारी की स्टोकेस्टिक (यादृच्छिक/stochastic), या अनिश्चित प्रकृति को समझने और उस समझ को कार्रवाई योग्य, कैलिब्रेटेड जोखिम स्कोर में बदलने के लिए सिखा सकते हैं। AI ने सीखा कि यह भविष्यवाणी करने के लिए कि कौन बीमार होगा, सबसे महत्वपूर्ण कारक संक्रमित पड़ोसियों की उपस्थिति है, यह एक तार्किक निष्कर्ष है जिसे मशीन ने बिना किसी प्रत्यक्ष निर्देश के स्वयं खोजा। हालांकि यह प्रणाली हर संभव नेटवर्क आकार के लिए अभी भी पूर्ण नहीं है, फिर भी यह एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करती है। यह क्षेत्र को केवल यह सिम्युलेट करने से कि बीमारी कैसे फैल सकती है, इस ओर ले जाता है कि किसी विशिष्ट व्यक्ति के बीमार होने की संभावना कितनी है, जो अनिश्चितता के बीच लक्षित, जीवन बचाने वाले निर्णयों के लिए एक शक्तिशाली उपकरण प्रदान करता 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।