Aesthetics Prediction of Websites using Federated Learning
यह शोध पत्र पांच जनसांख्यिकीय समूहों में व्यक्तिगत उपयोगकर्ता प्राथमिकताओं को शामिल करते हुए, केंद्रीकृत डेटा संग्रह और औसत रेटिंग की सीमाओं को दूर करते हुए, वेबसाइट इंटरफ़ेस सौंदर्यशास्त्र की भविष्यवाणी करने के लिए EfficientNet-B0 का उपयोग करते हुए एक फेडरेटेड लर्निंग-आधारित दृष्टिकोण प्रस्तावित करता है, जो 0.0534 का एक आशाजनक मीन स्क्वेयर्ड एरर (Mean Squared Error) 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
हम एक ऐसी दुनिया में रहते हैं जहाँ डिजिटल स्क्रीन का रूप उतना ही महत्वपूर्ण है जितना कि वह क्या करती है। किसी व्यक्ति द्वारा वेबसाइट या ऐप पर एक भी शब्द पढ़ने से पहले, उसका मस्तिष्क पहले ही यह राय बना चुका होता है कि वह सुखद है या अरुचिकर। यह क्षणिक निर्णय, जो अक्सर पलक झपकने से भी कम समय में लिया जाता है, यह तय कर सकता है कि उपयोगकर्ता अन्वेषण के लिए रुकता है या तुरंत छोड़ देता है। डिजाइनरों के लिए, यह एक कठिन चुनौती पैदा करता है: सुंदरता गहराई से व्यक्तिगत होती है। जिसे एक व्यक्ति सुंदर और सुरुचिपूर्ण पाता है, दूसरा उसे अव्यवस्थित या उबाऊ मान सकता है। पारंपरिक रूप से, इन प्राथमिकताओं को समझने के लिए, शोधकर्ताओं ने हजारों लोगों को छवियों को रेटिंग देने के लिए एकत्र किया, फिर सामान्य राय खोजने के लिए उनके अंकों का औसत निकाला। लेकिन इस दृष्टिकोण में एक दोष है। सभी की पसंद को एक एकल संख्या में मिला देने से, व्यक्तियों की अनूठी प्राथमिकताओं का अस्तित्व मिट जाता है। यह मान लेता है कि एक छात्र, एक कामकाजी पेशेवर और एक सेवानिवृत्त व्यक्ति दुनिया को एक ही तरह से देखते हैं, जो कि शायद ही कभी सच होता है। इसके अलावा, इन सभी व्यक्तिगत रेटिंग्स को एक केंद्रीय डेटाबेस में एकत्र करने से गोपनीयता संबंधी चिंताएं पैदा होती हैं, क्योंकि इसके लिए उपयोगकर्ताओं को अपनी निजी राय एक केंद्रीय प्राधिकरण को सौंपनी पड़ती है।
कोकराझार, भारत में सेंट्रल इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए एक नया प्रकार का सिस्टम बनाने का लक्ष्य रखा, जो व्यक्तिगत पसंद का सम्मान करता है और गोपनीयता से समझौता नहीं करता। उन्होंने 'फेडरेटेड लर्निंग' (Federated Learning) नामक एक पद्धति का प्रस्ताव दिया, जो एक ऐसी तकनीक है जो कंप्यूटर को डेटा को उपयोगकर्ता के डिवाइस से हटाए बिना उससे सीखने की अनुमति देती है। सभी रेटिंग्स को एक विशाल ढेर में इकट्ठा करने के बजाय, यह सिस्टम उपयोगकर्ताओं के डिवाइस पर एक स्मार्ट कंप्यूटर प्रोग्राम भेजता है। वह प्रोग्राम प्रत्येक डिवाइस पर संग्रहीत रेटिंग से सीखता है, और केवल सीखे गए सबक—प्रोग्राम में किए गए गणितीय समायोजन—को वापस केंद्रीय सर्वर पर भेजा जाता है। कच्ची रेटिंग, व्यक्तिगत राय, कभी भी उपयोगकर्ता के फोन या कंप्यूटर को नहीं छोड़ती। इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने एक सौ वेबसाइट इंटरफेस का एक डेटासेट बनाया, जिसमें सरकारी पोर्टल्स से लेकर शॉपिंग ऐप्स तक के पचास अलग-अलग साइटों के डेस्कटॉप और मोबाइल दोनों संस्करण शामिल थे। इसके बाद उन्होंने एक सौ लोगों से इन स्क्रीनों को एक से दस के पैमाने पर रेटिंग देने के लिए कहा। प्रतिभागियों में आयु, लिंग और व्यवसाय का मिश्रण था, जिससे विविध दृष्टिकोण सुनिश्चित हुए।
शोधकर्ताओं को सबसे पहले यह पता लगाने की आवश्यकता थी कि दृश्य सुंदरता को पहचानने के काम को संभालने के लिए सबसे अच्छा 'कंप्यूटर ब्रेन' कौन सा है। उन्होंने तीन अलग-अलग 'डीप लर्निंग मॉडल्स' का परीक्षण किया, जो जटिल प्रणालियाँ हैं जिन्हें मानव आँख के तरीके से छवियों को संसाधित करने की नकल करने के लिए डिज़ाइन किया गया है। व्यापक परीक्षणों के बाद, उन्होंने पाया कि 'एफिशिएंटनेट-बी0' (EfficientNet-B0) नामक एक मॉडल सबसे प्रभावी था। यह तेज़ था, इसे कम कंप्यूटिंग संसाधनों की आवश्यकता थी, और इसने सबसे सटीक भविष्यवाणियाँ कीं। हालाँकि, वास्तविक नवाचार इस बात में था कि उन्होंने मानवीय तत्व को कैसे संभाला। टीम ने महसूस किया कि लोग रेटिंग स्केल का उपयोग एक ही तरह से नहीं करते हैं। कुछ लोग हर चीज़ को उच्च अंक देने की प्रवृत्ति रखते हैं, जबकि अन्य स्वाभाविक रूप से अधिक आलोचनात्मक होते हैं। इसे ठीक करने के लिए, उन्होंने प्रत्येक व्यक्ति की रेटिंग को कंप्यूटर द्वारा सीखने से पहले समायोजित करने का एक तरीका विकसित किया। उन्होंने गणना की कि एक विशिष्ट व्यक्ति समूह के औसत की तुलना में आमतौर पर कैसे रेटिंग देता है और उनके स्कोर को उसी के अनुसार बदला। इसने कंप्यूटर को एक व्यक्ति की पसंद के वास्तविक स्वरूप को सीखने में मदद की, न कि केवल उनकी उदार या कठोर होने की प्रवृत्ति को।
यह देखने के लिए कि क्या यह दृष्टिकोण वास्तविक दुनिया के परिदृश्य में काम करता है, शोधकर्ताओं ने एक सौ प्रतिभागियों को लिंग और व्यवसाय के आधार पर पांच विशिष्ट समूहों में विभाजित किया: गैर-कामकाजी महिला, छात्रा महिला, कामकाजी महिला, छात्र पुरुष, और कामकाजी पुरुष। प्रत्येक समूह ने फेडरेटेड लर्निंग सिस्टम में एक अलग "क्लाइंट" के रूप में कार्य किया। केंद्रीय सर्वर ने प्रारंभिक एफिशिएंटनेट-बी0 मॉडल को इन पांचों समूहों को भेजा। प्रत्येक समूह ने अपने स्थानीय डेटा पर मॉडल को प्रशिक्षित किया, जिससे यह सीखा कि उनके विशिष्ट जनसांख्यिकीय वर्ग को क्या सुंदर लगता है। प्रशिक्षण पूरा होने के बाद, समूहों ने अपने अपडेटेड मॉडल वेट्स (weights) को सर्वर पर वापस भेजा। सर्वर ने इन अपडेट्स को मिलाकर एक नया, अधिक स्मार्ट ग्लोबल मॉडल बनाया जो सभी पांच समूहों की बारीकियों को समझता था। यह चक्र तैंतीस राउंड तक दोहराया गया। इस पूरी प्रक्रिया के दौरान, सिस्टम ने कभी भी कच्ची रेटिंग नहीं देखी; उसने केवल प्रत्येक समूह द्वारा किए गए गणितीय सुधारों को देखा।
परिणामों ने दिखाया कि यह गोपनीयता-संरक्षित दृष्टिकोण अत्यधिक प्रभावी था। अंतिम मॉडल ने बहुत कम त्रुटि दर प्राप्त की, जिसका अर्थ है कि वेबसाइटों के प्रति किसी व्यक्ति की पसंद के बारे में इसकी भविष्यवाणियाँ उपयोगकर्ताओं द्वारा दी गई वास्तविक रेटिंग के बेहद करीब थीं। यह सिस्टम उन समूहों के लिए विशेष रूप से अच्छा प्रदर्शन करता था जिनकी पसंद समान थी, जैसे कि गैर-कामकाजी महिला प्रतिभागी, जबकि विविध राय वाले समूहों के लिए भी इसने मजबूत सटीकता बनाए रखी। महत्वपूर्ण रूप से, शोधकर्ताओं ने पाया कि वेबसाइटों के मोबाइल संस्करणों को उनके डेस्कटॉप समकक्षों के लगभग समान ही रेट किया गया था, जो यह सुझाव देता है कि दृश्य आकर्षण के सिद्धांत विभिन्न स्क्रीन आकारों में भी समान रहते हैं। अध्ययन ने प्रदर्शित किया कि यह संभव है कि एक ऐसा सिस्टम बनाया जाए जो बिना किसी केंद्रीय स्थान पर निजी डेटा एकत्र किए, विविध लोगों से सीख सके। एक एकल ग्लोबल मॉडल का उपयोग करके जिसे रेटिंग के चतुर गणितीय समायोजन के माध्यम से अनुकूलित किया गया है, यह सिस्टम किसी भी पृष्ठभूमि के व्यक्ति को व्यक्तिगत सौंदर्य संबंधी भविष्यवाणियाँ प्रदान कर सकता है। यह कार्य सुझाव देता है कि यूजर इंटरफेस डिजाइन का भविष्य ऐसे सिस्टमों पर निर्भर हो सकता है जो न केवल सुंदरता को समझने के लिए स्मार्ट हैं, बल्कि व्यक्तिगत प्राथमिकताओं को निजी रखने के लिए पर्याप्त सम्मानजनक भी 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।