FedSS: Shareability-Aware Privacy-Preserving Federated Learning for Sports Recognition
यह शोध पत्र FedSS का प्रस्ताव करता है, जो स्पोर्ट्स रिकग्निशन में डिफरेंशियल प्राइवेट फेडरेटेड लर्निंग के लिए एक शेयरैबिलिटी-अवेयर फ्रेमवर्क है जो क्लिपिंग डिस्टॉर्शन को कम करने और प्राइवेसी-यूटिलिटी ट्रेड-ऑफ को बेहतर बनाने के लिए क्लाइंट-विशिष्ट कॉन्टेक्स्ट को स्थानीय रूप से रखते हुए चुनिंदा रूप से ट्रांसफरेबल स्पोर्ट्स सिमेंटिक्स को साझा 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
खेलों की दुनिया में, एक चैंपियन और एक दावेदार के बीच का अंतर अक्सर गति, मुद्रा और तकनीक के सूक्ष्म विवरणों में निहित होता है। कंप्यूटर को इन विवरणों को पहचानने के लिए प्रशिक्षित करने हेतु, हमें क्रिया में संलग्न एथलीटों की बड़ी मात्रा में छवियों की आवश्यकता होती है। हालाँकि, ये छवियां शायद ही कभी एक केंद्रीय स्थान पर एकत्र की जाती हैं। वे स्कूलों, पेशेवर क्लबों, प्रशिक्षण केंद्रों और व्यक्तिगत जिमों में बिखरी हुई हैं, जिनमें से प्रत्येक के पास चित्रों का एक अनूठा संग्रह है। यह वितरण आर्टिफिशियल इंटेलिजेंस के लिए एक महत्वपूर्ण बाधा उत्पन्न करता है: एक कंप्यूटर सभी छवियों से कैसे सीख सकता है बिना हर संगठन को अपना निजी डेटा सौंपने के लिए मजबूर किए? इसका उत्तर 'फेडरेटेड लर्निंग' नामक एक पद्धति में निहित है। फोटो को केंद्रीय सर्वर पर ले जाने के बजाय, कंप्यूटर मॉडल स्थानीय डेटा के पास जाता है। वह साइट पर मौजूद छवियों से सीखता है और केवल सीखी गई बातों का एक सारांश वापस भेजता है, जिससे मूल तस्वीरें अछूती रहती हैं। यह गोपनीयता की रक्षा करता है, लेकिन यह एक नई समस्या पेश करता है। यहाँ तक कि ये सारांश भी कभी-कभी तस्वीरों में मौजूद लोगों के बारे में संवेदनशील जानकारी प्रकट कर सकते हैं। इसे ठीक करने के लिए, शोधकर्ता सारांशों में गणितीय शोर (noise) की एक परत जोड़ते हैं, जिसे 'डिफरेंशियल प्राइवेसी' कहा जाता है, जो व्यक्तियों के बारे में किसी भी संभावित सुराग को धुंधला या अस्पष्ट कर देता है। फिर भी, इस सुरक्षा उपाय की एक कीमत होती है। यह शोर उन सूक्ष्म विवरणों को धुंधला कर सकता है जिन्हें कंप्यूटर सीखने के लिए आवश्यक मानता है, जिससे विभिन्न खेलों या एथलीटों के बीच अंतर करना कठिन हो जाता है।
शोधकर्ताओं की एक टीम ने खेल पहचान के लिए गोपनीयता और सटीकता के बीच के इस विशिष्ट तनाव को हल करने के लिए एक नया दृष्टिकोण विकसित किया है। वे अपने सिस्टम को FedSS कहते हैं। उनके काम के पीछे का मुख्य विचार यह है कि खेल की फोटो से सीखी गई सभी जानकारी साझा करने के लिए समान रूप से मूल्यवान नहीं होती है। जब एक कंप्यूटर बास्केटबॉल खिलाड़ी की तस्वीर देखता है, तो वह दो अलग-अलग प्रकार की चीजें सीखता है। पहला, वह खेल के सार्वभौमिक नियमों को सीखता है: खिलाड़ी के कूदने का तरीका, शॉट के दौरान घुटने का कोण, और गेंद का सामान्य आकार। ये वे "स्थानांतरणीय" (transferable) रहस्य हैं जो कंप्यूटर को हर जगह बास्केटबॉल पहचानने में मदद करते हैं। दूसरा, वह उस विशेष फोटो के विशिष्ट विवरण सीखता है: टीम की वर्दी का रंग, उस विशिष्ट जिम की रोशनी, पृष्ठभूमि की भीड़, या कैमरा का अनूठा कोण। ये विवरण उस एक विशेष क्लाइंट के लिए विशिष्ट हैं और कंप्यूटर को खेल समझने में मदद नहीं करते हैं। पारंपरिक गोपनीयता-संरक्षण प्रणालियों में, कंप्यूटर इस पूरी जानकारी को एक एकल पैकेज के रूप में मानता है। यह पूरे समूह में शोर जोड़ता है, जिसका अर्थ है कि मूल्यवान, सार्वभौमिक नियम उपयोगी, विशिष्ट विवरणों के साथ धुंधले हो जाते हैं। यह जानकारी भेजने के लिए उपलब्ध सीमित "स्थान" को बर्बाद करता है और सबसे महत्वपूर्ण ज्ञान को विकृत कर देता है।
चाइनीज एकेडमी ऑफ साइंसेज, क्युंगिल यूनिवर्सिटी और चेंगडू यूनिवर्सिटी ऑफ इंफॉर्मेशन टेक्नोलॉजी के शोधकर्ताओं ने इस समस्या को संभालने का एक स्मार्ट तरीका प्रस्तावित किया। उन्होंने एक ऐसा सिस्टम बनाया जो सूचना के स्थानीय कंप्यूटर से बाहर जाने से पहले एक फिल्टर की तरह कार्य करता है। डेटा भेजने से पहले, सिस्टम सीखी गई जानकारी का विश्लेषण करता है और सार्वभौमिक खेल नियमों को स्थानीय, विशिष्ट विवरणों से अलग करता है। फिर यह केवल सार्वभौमिक नियमों पर गोपनीयता सुरक्षा लागू करता है, और स्थानीय विवरणों को पर्दे के पीछे रखता है। यह सुनिश्चित करता है कि भेजी जाने वाली जानकारी की सीमित मात्रा पूरी तरह से सबसे उपयोगी ज्ञान से भरी हो। इस अलगाव को काम करने योग्य बनाने के लिए, उन्होंने एक मॉड्यूल बनाया जो तीन मानदंडों के आधार पर जानकारी का मूल्यांकन करता है। यह जांचता है कि जानकारी का एक टुकड़ा खेल की पहचान करने में कितनी मदद करता है, विभिन्न टीमों और स्थानों में वह जानकारी कितनी सुसंगत है, और शोर जोड़ने पर वह कितनी स्थिर रहती है। यदि जानकारी का एक टुकड़ा खेल को पहचानने के लिए अत्यधिक उपयोगी है और विभिन्न क्लाइंट्स के बीच सुसंगत रहता है, तो सिस्टम उसे साझा करने के लिए चिह्नित करता है। यदि यह केवल एक विशिष्ट जिम की रोशनी या एक विशिष्ट टीम की वर्दी का प्रतिबिंब है, तो सिस्टम उसे स्थानीय रखता है।
टीम ने इस पद्धति का परीक्षण खेल छवियों के दो बड़े संग्रहों का उपयोग करके किया, जिनमें से एक में 22 अलग-अलग खेल थे और दूसरे में 100। उन्होंने एक यथार्थवादी वातावरण का अनुकरण किया जहाँ कई अलग-अलग संगठन भाग ले रहे थे, जिनमें से प्रत्येक के पास एथलीटों, वर्दियों और कैमरा स्थितियों का अपना अनूठा मिश्रण था। उन्होंने अपने नए सिस्टम की तुलना कई मौजूदा पद्धतियों से की जो गोपनीयता की रक्षा करने का प्रयास करती हैं। परिणामों ने दिखाया कि डेटा को भेजने से पहले स्थानीय शोर को फ़िल्टर करके, उनका सिस्टम खेल की पहचान करने में काफी बेहतर था। सबसे कठिन परीक्षण परिदृश्यों में, जहाँ डेटा एक क्लाइंट से दूसरे क्लाइंट के बीच बहुत भिन्न था, उनके तरीके ने पिछले सर्वोत्तम तरीकों की तुलना में खेल पहचान की सटीकता में कई प्रतिशत अंकों का सुधार किया। यह सुधार तब भी बना रहा जब शोधकर्ताओं ने गोपनीयता सुरक्षा को और मजबूत किया, जो आमतौर पर कार्य को बहुत कठिन बना देता है। सिस्टम अधिक कुशल भी साबित हुआ; क्योंकि इसने कम "कचरा" डेटा भेजा, इसलिए गोपनीयता के लिए आवश्यक गणितीय शोर का अंतिम परिणाम पर कम नकारात्मक प्रभाव पड़ा।
शोधकर्ताओं ने यह समझने के लिए कि सिस्टम के भीतर क्या हो रहा है, इस पर बारीकी से नज़र डाली। उन्होंने पाया कि सिस्टम ने कंप्यूटर को एथलीटों की वास्तविक गतिविधियों और तकनीकों पर ध्यान केंद्रित रखने में सफलतापूर्वक मदद की, बजाय इसके कि वह पृष्ठभूमि या वर्दियों से विचलित हो जाए। इससे एक ऐसा मॉडल बना जिसने खेल को समझा, न कि केवल उन विशिष्ट तस्वीरों को याद किया जिन्हें उसने देखा था। अध्ययन ने पुष्टि की कि यह दृष्टिकोण तब भी अच्छी तरह काम करता है जब भाग लेने वाले संगठनों की संख्या बहुत अधिक हो या किसी दिए गए प्रशिक्षण दौर में उनमें से केवल एक छोटा हिस्सा ही भाग ले रहा हो। निष्कर्ष बताते हैं कि खेल पहचान जैसे कार्यों के लिए, जहाँ लक्ष्य कई अलग-अलग वातावरणों में एक विशिष्ट गतिविधि को समझना है, यह अंतर करना महत्वपूर्ण है कि क्या सार्वभौमिक है और क्या स्थानीय है। ऐसा करके, एथलीटों और संस्थानों की गोपनीयता की रक्षा करते हुए कंप्यूटर की प्रभावी ढंग से सीखने की क्षमता को बनाए रखा जा सकता है। यह कार्य प्रदर्शित करता है कि गोपनीयता और उपयोगिता (utility) एक-दूसरे के दुश्मन नहीं होने चाहिए; सही रणनीति के साथ, वे मिलकर खेल जगत के विश्लेषण के लिए एक स्मार्ट और अधिक सुरक्षित प्रणाली बना सकते 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।