Creation begins with understanding: LLMs as strategy designers for privacy-preserving tabular data synthesis
यह शोधपत्र TabSSD प्रस्तुत करता है, जो एक नवीन ढांचा है जो कच्चे डेटा के बजाय चर निर्भरता सारांशों (variable dependence summaries) के आधार पर गोपनीयता-संरक्षण संश्लेषण प्रक्रियाओं को डिजाइन करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे मौजूदा विधियों की तुलना में बेहतर सांख्यिकीय निष्ठा, उपयोगिता और गोपनीयता संतुलन प्राप्त होता है और साथ ही गणना लागत एवं विशेषज्ञता संबंधी बाधाओं में उल्लेखनीय कमी आती 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
चिकित्सा से लेकर वित्त जैसे कई क्षेत्रों में, सबसे मूल्यवान अंतर्दृष्टि संख्याओं की पंक्तियों और स्तंभों को देखने से आती है: एक रोगी की आयु, रक्तचाप और परीक्षण परिणाम; एक ग्राहक की खर्च करने की आदतें और स्थान। ये सारणीबद्ध (tabular) डेटा हैं, वे संरचित रिकॉर्ड जो आधुनिक निर्णय लेने की प्रक्रिया को शक्ति प्रदान करते हैं। हालाँकि, इस जानकारी को साझा करना अक्सर व्यक्तियों की सुरक्षा के लिए बनाए गए सख्त गोपनीयता कानूनों द्वारा बाधित होता है। यदि कोई अस्पताल शोधकर्ताओं के साथ सहयोग करना चाहता है, तो वह वास्तविक रोगी के नाम और इतिहास वाली स्प्रेडशीट सीधे नहीं भेज सकता। वर्षों से, इसका समाधान "सिंथेटिक" (कृत्रिम) डेटा बनाना रहा है: ऐसे नकली रिकॉर्ड जो असली चीज़ों की तरह दिखते और व्यवहार करते हैं लेकिन वास्तव में किसी व्यक्ति के नहीं होते। चुनौती हमेशा यह रही है कि इन नकली डेटा को उपयोगी होने के लिए इतना अच्छा बनाया जाए कि वे बहुत अधिक सटीक न हो जाएं जिससे अनजाने में उन वास्तविक लोगों के रहस्यों का खुलासा हो जाए जिनकी वे नकल कर रहे हैं।
पारंपरिक रूप से, इन सिंथेटिक तालिकाओं को बनाने के लिए दो कठिन रास्तों का उपयोग किया जाता रहा है। एक पथ जटिल, 'ब्लैक-बॉक्स' कंप्यूटर मॉडल का उपयोग करता है जो लाखों आंतरिक सेटिंग्स को समायोजित करके पैटर्न सीखते हैं। हालांकि ये मॉडल शक्तिशाली होते हैं, लेकिन इन्हें जाँचना कठिन है; यदि वे विफल हो जाते हैं या जानकारी लीक करते हैं, तो यह देखना असंभव होता है कि ऐसा क्यों हुआ। दूसरा पथ हाल ही में बड़े भाषा मॉडल (large language models) का उपयोग करने का प्रयास कर रहा है, वही तकनीक जो उन्नत चैटबॉट्स को शक्ति प्रदान करती है, ताकि वे एक-एक करके नकली रिकॉर्ड लिख सकें। लेकिन यह दृष्टिकोण अक्सर विफल हो जाता है क्योंकि यह कंप्यूटर को एक स्प्रेडशीट को पाठ (text) की एक लंबी, निरंतर धारा के रूप में पढ़ने के लिए मजबूर करता है, जो स्तंभों के बीच के प्राकृतिक संबंधों को बिगाड़ देता है और इस प्रक्रिया में संवेदनशील विवरणों को अनजाने में उजागर कर सकता है।
एक नया अध्ययन एक अलग दिशा में आगे बढ़ने का परिचय देता है, जो कृत्रिम बुद्धिमत्ता (AI) की भूमिका को एक 'रिकॉर्ड-कीपर' से बदलकर एक 'आर्किटेक्ट' (वास्तुकार) के रूप में स्थापित करता है। हजारों नकली डेटा पंक्तियों को सीधे उत्पन्न करने के लिए कंप्यूटर से पूछने के बजाय, शोधकर्ताओं ने TabSSD नामक एक प्रणाली विकसित की है जो कंप्यूटर को उन्हें बनाने के निर्देश डिजाइन करने के लिए कहती है। यह प्रणाली पहले वास्तविक डेटा का स्थानीय स्तर पर एक सुरक्षित कंप्यूटर पर विश्लेषण करती है, और यह सारांश देती है कि विभिन्न स्तंभ एक-दूसरे से कैसे संबंधित हैं, बिना कभी भी कच्चे डेटा (raw numbers) को क्लाउड पर भेजे। इसके बाद यह सारांशों को एक बड़े भाषा मॉडल (LLM) को भेजती है, जो एक 'रणनीति डिजाइनर' के रूप में कार्य करता है। मॉडल इन सारांशों को पढ़ता है और कंप्यूटर कोड निर्देशों का एक सेट लिखता है—जो नकली डेटा उत्पन्न करने के लिए एक रेसिपी (विधि) है। यह कोड फिर स्थानीय स्तर पर चलाया जाता है ताकि सिंथेटिक डेटासेट तैयार किया जा सके। रणनीति के डिजाइन को डेटा के वास्तविक उत्पादन से अलग करके, यह प्रणाली सुनिश्चित करती है कि मूल निजी रिकॉर्ड कभी भी मालिक के नियंत्रण से बाहर न जाएं, जबकि उच्च गुणवत्ता वाला सिंथेटिक डेटा भी तैयार होता है जो वास्तविक दुनिया में पाए जाने वाले जटिल संबंधों को सुरक्षित रखता है।
शोधकर्ताओं ने बारह विभिन्न वास्तविक दुनिया के डेटासेट्स पर इस दृष्टिकोण का परीक्षण किया, जिसमें छोटे मेडिकल रिकॉर्ड से लेकर जनसांख्यिकीय जानकारी के बड़े संग्रह तक शामिल थे। उन्होंने अपने तरीके की तुलना दस अन्य अग्रणी तकनीकों से की, जिनमें डीप लर्निंग मॉडल और अन्य भाषा-आधारित दृष्टिकोण शामिल थे। परिणामों ने दिखाया कि नया सिस्टम एक उल्लेखनीय संतुलन बनाता है। इसने ऐसा सिंथेटिक डेटा तैयार किया जो वास्तविक डेटा के सांख्यिकीय रूप से बहुत करीब था, जिसका अर्थ है कि नकली डेटा पर प्रशिक्षित मॉडल उतने ही अच्छे प्रदर्शन करते हैं जितने वास्तविक डेटा पर। साथ ही, इसने वास्तविक व्यक्तियों की पुन: पहचान (re-identification) के जोखिम को अत्यंत कम रखा। वास्तव में, सभी मापदंडों में, इस नए तरीके ने परीक्षण किए गए दस तरीकों में से सर्वश्रेष्ठ औसत रैंक प्राप्त की। इसने काफी कम कंप्यूटिंग शक्ति और समय का उपयोग करते हुए यह प्रदर्शन हासिल किया, जो महंगे ग्राफिक्स कार्ड की आवश्यकता के बिना मानक कंप्यूटर प्रोसेसरों पर कुशलतापूर्वक चलता है।
इस दृष्टिकोण का एक सबसे महत्वपूर्ण लाभ पारदर्शिता है। क्योंकि यह प्रणाली एक छिपे हुए न्यूरल नेटवर्क के बजाय पठनीय कंप्यूटर कोड आउटपुट के रूप में देती है, इसलिए मानव विशेषज्ञ वास्तव में निर्देशों को देख सकते हैं कि डेटा कैसे बनाया जा रहा है। यदि कोई डॉक्टर या डेटा विश्लेषक किसी संभावित पूर्वाग्रह (bias) को देखता है, जैसे कि सिस्टम गलती से किसी व्यक्ति के लिंग को उनके कार्य शीर्षक से इस तरह जोड़ रहा है जो वास्तविकता को नहीं दर्शाता, तो वे बस कोड को खोलकर नियमों को संपादित कर सकते हैं। जनगणना (census) के एक डेटासेट से जुड़े परीक्षण में, शोधकर्ताओं ने दिखाया कि कैसे एक मानव निर्देशों से एक विशिष्ट चर (variable) को हटा सकता है ताकि लिंग संबंधी पूर्वाग्रह को कम किया जा सके, और सिस्टम बिना दोबारा प्रशिक्षित हुए तुरंत नया डेटा उत्पन्न करेगा जो इस परिवर्तन का सम्मान करता है। इस प्रक्रिया को ऑडिट करने और बदलने की यह क्षमता इसे उन उच्च-दांव वाले क्षेत्रों के लिए बहुत उपयुक्त बनाती है जहाँ विश्वास और सुरक्षा सर्वोपरि है।
अध्ययन ने यह भी रेखांकित किया कि यह प्रणाली विभिन्न प्रकार के डेटा के अनुकूल कैसे होती है। जब इसे ऐसे डेटासेट का सामना करना पड़ा जहाँ चर आपस में मजबूती से जुड़े हुए थे, जैसे कि रक्त परीक्षण के परिणाम जो एक-दूसरे पर निर्भर करते हैं, तो सिस्टम ने निरंतर संख्याओं के लिए उपयुक्त सांख्यिकीय उपकरणों का उपयोग करके एक रणनीति डिजाइन की। जब इसका सामना श्रेणियों (categories) वाले डेटासेट से हुआ, जैसे कि कारों के प्रकार, तो इसने नियमों का एक अलग सेट अपनाया। इस लचीलेपन ने इसे सरल तालिकाओं से लेकर सैकड़ों चरों वाले जटिल, उच्च-आयामी (high-dimensional) डेटा तक सब कुछ संभालने की अनुमति दी। एक विशिष्ट मामले में जिसमें एक नैदानिक (clinical) डेटासेट शामिल था जिसमें एक दुर्लभ परिणाम था—सर्जरी के एक वर्ष के भीतर मृत्यु वाले रोगी—सिस्टम ने इन दुर्लभ मामलों के पर्याप्त नकली उदाहरण सफलतापूर्वक उत्पन्न किए ताकि बेहतर भविष्यवाणी मॉडल को प्रशिक्षित करने में मदद मिल सके, और साथ ही बीमारी के उन सूक्ष्म पैटर्न को भी सुरक्षित रखा जिन्हें अन्य विधियों ने छोड़ दिया था।
अंततः, यह कार्य संरचित डेटा के लिए कृत्रिम बुद्धिमत्ता के बारे में हमारी सोच में बदलाव का सुझाव देता है। डेटा को टोकन दर टोकन बाहर निकालने वाले इंजन के रूप में मानने के बजाय, शोधकर्ता दिखाते हैं कि वे प्रक्रिया को डिजाइन करने वाले आर्किटेक्ट बनने के लिए अधिक उपयुक्त हैं। भाषा मॉडल का उपयोग निर्देशों को लिखने के लिए करके और वास्तविक डेटा उत्पादन को स्थानीय और मानव पर्यवेक्षण के अधीन रखकर, यह प्रणाली संवेदनशील जानकारी साझा करने का एक सुरक्षित और समझने योग्य मार्ग प्रदान करती है। यह संगठनों के लिए सिंथेटिक डेटा का उपयोग करने की बाधा को कम करता है, जिससे जटिल मॉडलों को ट्यून करने या विशाल कंप्यूटिंग संसाधनों को प्रबंधित करने के लिए विशेष टीमों की आवश्यकता समाप्त हो जाती है। निष्कर्ष बताते हैं कि सारणीबद्ध डेटा के लिए, उन्नत एआई का सबसे प्रभावी उपयोग स्वयं डेटा उत्पन्न करना नहीं, बल्कि उन पारदर्शी, ऑडिट योग्य नियमों को डिजाइन करना है जो हमें इसे सुरक्षित रूप से बनाने की अनुमति देते हैं।
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।