Trusted and Explainable Collective Learning for Conflictive Multi-View Decision-Making

तकनीकी सारांश: संघर्षपूर्ण बहु-दृष्टिकोण निर्णय लेने के लिए विश्वसनीय और व्याख्यात्मक सामूहिक शिक्षण (Trusted and Explainable Collective Learning for Conflictive Multi-View Decision-Making)

1. समस्या की परिभाषा

यह शोध पत्र बहु-दृष्टिकोण निर्णय-निर्माण (multi-view decision-making) की चुनौती को संबोधित करता है जहाँ विभिन्न डेटा स्रोत (दृष्टिकोण/views) या विशेषज्ञ परस्पर विरोधी विचार प्रस्तुत करते हैं। वास्तविक दुनिया के परिदृश्यों में, जैसे कि बहु-विषयक चिकित्सा परामर्श में, विभिन्न दृष्टिकोण अक्सर अद्वितीय अंतर्दृष्टि प्रदान करते हैं जो मतभेदों का कारण बनते हैं। मौजूदा विधियाँ आमतौर पर संघर्ष (conflict) को एक नकारात्मक कारक मानती हैं, जिसका लक्ष्य इसे नकारात्मक संचालन (जैसे, दृष्टिकोणों को संरेखित करना या संघर्षपूर्ण उदाहरणों को हटाना) के माध्यम से समाप्त करना या कम करना होता है। हालाँकि, यह दृष्टिकोण अक्सर दृष्टिकोणों के बीच अंतर को प्रकट करने और निर्णयों की विश्वसनीयता का आकलन करने के लिए संघर्ष के मूल्य को अनदेखा कर देता है।

इसके अलावा, वर्तमान बहु-दृष्टिकोण शिक्षण विधियाँ दो मुख्य सीमाओं से ग्रस्त हैं:

1. विश्वसनीयता मॉडलिंग का अभाव: वे अक्सर व्यक्तिगत दृष्टिकोण निर्णयों और अंतिम सामूहिक राय दोनों की अनिश्चितता और विश्वसनीयता को मापने में विफल रहती हैं, विशेष रूप से जब संघर्ष उत्पन्न होते हैं।
2. व्याख्यात्मकता का अभाव: हालांकि कुछ व्याख्यात्मक मॉडल (जैसे, कॉन्सेप्ट बॉटलनेक मॉडल) मौजूद हैं, वे अक्सर व्यक्तिगत दृष्टिकोणों के फीचर-स्तरीय तर्क या उनके बीच के संघर्ष के मूल कारणों की व्याख्या किए बिना केवल अंतिम निर्णय पर ध्यान केंद्रित करते हैं।

लक्ष्य एक ऐसी विधि विकसित करना है जो संघर्ष को दबाने के बजाय सक्रिय रूप से उसे मॉडल करे, जिससे सामूहिक निर्णयों की विश्वसनीयता (trustworthiness) और व्याख्यात्मकता (interpretability) को बढ़ाते हुए व्यक्तिगत दृष्टिकोण आउटपुट और अंतिम सर्वसम्मति दोनों का सटीक अनुमान लगाया जा सके।

2. कार्यप्रणाली: विश्वसनीय और व्याख्यात्मक सामूहिक शिक्षण (TECL)

लेखक TECL (और इसके संस्करण TrustCL) का प्रस्ताव करते हैं, जो तीन मुख्य मॉड्यूल के माध्यम से संघर्षपूर्ण बहु-दृष्टिकोण डेटा को संभालने के लिए डिज़ाइन किया गया है:

A. द्वैत-अवधारणा शिक्षण मॉड्यूल (Dual-Concepts Learning Module)

इस मॉड्यूल का उद्देश्य व्याख्यात्मकता बढ़ाने के लिए फीचर स्तर और निर्णय स्तर दोनों पर अवधारणाओं (concepts) को कैप्चर करना है।

• फीचर अवधारणाएँ (Feature Concepts): इनपुट फीचर्स ($x_v$) पर एक अटेंशन मैकेनिज्म लागू किया जाता है ताकि फीचर अवधारणाएँ ($a_v$) उत्पन्न की जा सकें, जो यह दर्शाती हैं कि एक विशिष्ट दृष्टिकोण किसी नमूना फीचर को कितना महत्व देता है।
• निर्णय अवधारणाएँ (Decision Concepts): फीचर अवधारणाओं द्वारा निर्देशित उन्नत उदाहरणों ($\hat{x}_v$) को एक एटीट्यूड कैप्चर नेटवर्क और एक एविडेंशियल डीप न्यूरल नेटवर्क (DNN) में फीड किया जाता है। यह निम्नलिखित को उत्पन्न करता है:
  • व्यक्तिगत निर्णय: दृष्टिकोण के लिए अनुमानित श्रेणी।
  • समर्थक दृष्टिकोण (Supporting Attitudes): एक बाइनरी इंडिकेटर (0 या 1) जो यह दर्शाता है कि क्या दृष्टिकोण अंतिम सामूहिक निर्णय का समर्थन करता है।
• सर्वसम्मति निर्णय (Consensus Judgment): यदि सभी दृष्टिकोण सुसंगत हैं (कोई संघर्ष नहीं है), तो तुरंत एक अत्यधिक विश्वसनीय सामूहिक निर्णय उत्पन्न किया जाता है। यदि संघर्ष मौजूद हैं, तो प्रक्रिया अगले मॉड्यूल पर जाती है।

B. दृष्टिकोण-विशिष्ट साक्ष्य शिक्षण मॉड्यूल (View-Specific Evidence Learning Module)

यह मॉड्यूल प्रत्येक दृष्टिकोण की राय की विश्वसनीयता को मापने के लिए एविडेंशियल डीप लर्निंग (EDL) का उपयोग करता है।

• साक्ष्य प्राप्ति (Evidence Acquisition): मानक वर्गीकरण के बजाय, मॉडल प्रत्येक दृष्टिकोण के लिए साक्ष्य वेक्टर ($e_v$) आउटपुट करता है।
• विश्वसनीयता गणना: सब्जेक्टिव लॉजिक (Subjective Logic) और डिरिचलेट वितरण (Dirichlet distribution) का उपयोग करके, मॉडल साक्ष्य को एक बहुनामियन राय $w_v = \{b_v, u_v\}$ में परिवर्तित करता है, जहाँ $b_v$ विश्वास द्रव्यमान (belief masses) और $u_v$ अनिश्चितता (uncertainty) का प्रतिनिधित्व करता है।
• मुख्य नवाचार: मॉडल केवल सामूहिक सत्य के बजाय व्यक्तिगत दृष्टिकोण के ग्राउंड ट्रुथ ($y_v$) का उपयोग एक सुपरवाइज्ड सिग्नल के रूप में करता है। यह दृष्टिकोणों के बीच अंतर्निहित संघर्षों और अंतरों को सुरक्षित रखता है, जिससे DNN को प्रत्येक दृष्टिकोण और उससे जुड़ी अनिश्चितता के बारे में विशिष्ट ज्ञान सीखने में मदद मिलती है।

C. विश्वसनीयता-उन्मुख सामूहिक शिक्षण (RoCL) मॉड्यूल

यह मॉड्यूल प्रत्येक दृष्टिकोण के लिए एक गतिशील प्राथमिकता (dynamic priority) की गणना करके संघर्षित मतों को फ्यूज करता है।

• प्राथमिकता परिभाषा: एक दृष्टिकोण की प्राथमिकता $c_v$ दो कारकों द्वारा निर्धारित होती है:
  1. अंतर्निहित महत्व ($\mu$): दृष्टिकोण की ऐतिहासिक स्थिति या भूमिका पर आधारित एक स्थिर पूर्व धारणा (जैसे, एक मुख्य हृदय रोग विशेषज्ञ बनाम एक सामान्य चिकित्सक)।
  2. गतिशील धारणा ($\sigma$): डेटा के विशिष्ट उदाहरण के प्रति दृष्टिकोण की प्रासंगिकता से प्राप्त एक उदाहरण-विशिष्ट महत्व (जैसे, हड्डी की चोट के लिए एक ऑर्थोपेडिस्ट की उच्च प्रासंगिकता)।
• फ्यूजन तंत्र: प्राथमिकताओं को डिरिचलेट वितरण के माध्यम से नमूना लिए गए नॉर्मल वितरण का उपयोग करके मॉडल किया जाता है। अंतिम सामूहिक राय को इन प्राथमिकताओं को भार (weights) के रूप में उपयोग करके दृष्टिकोण-विशिष्ट मतों ($w_v$) को फ्यूज करके उत्पन्न किया जाता है।
  • फ्यूजन नियम (समीकरण 8) विश्वास और अनिश्चितता को गणितीय रूप से जोड़ता है। यदि दृष्टिकोणों में संघर्ष होता है, तो सामूहिक राय की अनिश्चितता बढ़ जाती है, जो कम विश्वसनीयता को दर्शाती है।
  • यदि दृष्टिकोण सहमत होते हैं, तो विश्वास (belief) सुदृढ़ होता है।

D. लॉस फंक्शन (Loss Function)

प्रशिक्षण उद्देश्य तीन घटकों को जोड़ता है:

1. एविडेंस-आधारित क्रॉस-एन्ट्रॉपी ($L_{ace}$): द्वितीय-क्रम की अनिश्चितता को पकड़ने के लिए डिरिचलेट वितरण का उपयोग करके सही लेबल भविष्यवाणी सुनिश्चित करता है।
2. KL डाइवर्जेंस ($L_{KL}$): गलत लेबल के लिए अनुमानित डिरिचलेट वितरण और एक समान वितरण के बीच के अंतर को कम करता है, जिससे यह सुनिश्चित होता है कि भ्रामक साक्ष्य को दबा दिया जाए।
3. बाइनरी क्रॉस-एन्ट्रॉपी ($L_{bce}$): मॉडल को यह भविष्यवाणी करने के लिए प्रशिक्षित करता है कि क्या किसी दृष्टिकोण का निर्णय सामूहिक राय के साथ संरेखित है।
   कुल हानि (total loss) व्यक्तिगत दृष्टिकोण त्रुटियों और सामूहिक भविष्यवाणी त्रुटि दोनों को दंडित करती है, और संघर्ष को एक त्रुटि के रूप में समाप्त करने के बजाय सीखने के एक प्रेरक (motive) के रूप में देखती है।

3. मुख्य योगदान

1. सक्रिय संघर्ष मॉडलिंग: यह शोध पत्र TrustCL और TECL का प्रस्ताव करता है, जो दृष्टिकोणों के बीच के अंतर को उजागर करने और निर्णयों की विश्वसनीयता को प्रकट करने के लिए संघर्षों को सक्रिय रूप से मॉडल करते हैं, न कि उन्हें दबाते हैं।
2. द्वि-स्तरीय व्याख्यात्मकता: TECL फीचर स्तर (एक दृष्टिकोण किन फीचर्स पर ध्यान केंद्रित करता है) और निर्णय स्तर (एक दृष्टिकोण किसी विशिष्ट परिणाम का समर्थन क्यों करता है) दोनों पर अवधारणाओं को मॉडल करता है, जो व्यक्तिगत और सामूहिक निर्णयों दोनों के लिए स्पष्टीकरण प्रदान करता है।
3. गतिशील प्राथमिकता और विश्वसनीयता फ्यूजन: यह विधि अंतर्निहित स्थिति और उदाहरण-विशिष्ट योगदान दोनों के आधार पर दृष्टिकोणों की प्राथमिकता को गतिशील रूप से निर्धारित करती है। यह इन प्राथमिकताओं को दृष्टिकोण-विशिष्ट साक्ष्य के साथ जोड़कर एक अंतिम सामूहिक राय और उसका विश्वसनीयता स्कोर उत्पन्न करती है।
4. अनुभवजन्य सत्यापन: दृष्टिकोण को वास्तविक दुनिया के बहु-विषयक चिकित्सा परामर्श डेटासेट (BCDB) पर सत्यापित किया गया है, जो सटीकता, रिकॉल और मीन रेसिप्रोकल रैंक (MRR) में बेसलाइन से श्रेष्ठता प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने BCDB (ब्रेस्ट कैंसर डेटाबेस) डेटासेट पर TECL और TrustCL का मूल्यांकन किया, जिसमें छह डॉक्टरों (दृष्टिकोणों) के शामिल होने वाले 9,015 मामलों के बहु-विषयक चिकित्सा अनुशंसाएँ शामिल हैं।

• प्रदर्शन: TECL ने सिंगल-व्यू प्रेडिक्शन (व्यक्तिगत डॉक्टर की सटीकता) और कलेक्टिव प्रेडिक्शन (अंतिम सर्वसम्मति सटीकता) दोनों में अत्याधुनिक बेसलाइनों (TMC, ECML, और MLP वेरिएंट सहित) को पछाड़ दिया।
  • कलेक्टिव एक्यूरेसी (CA): TECL ने 78.5% प्राप्त किया, जबकि अगले सर्वश्रेष्ठ (ECMLboth) ने 77.9% प्राप्त किया।
  • इंडिविजुअल एक्यूरेसी (IA): TECL ने 74.5% प्राप्त किया, जो ECML (73.5%) और TMC (70.6%) से बेहतर है।
• एब्लेशन अध्ययन (Ablation Studies): डायनेमिक परसेप्शन घटक ($\sigma$) को हटाने या केवल अंतर्निहित महत्व ($\mu$) पर निर्भर रहने से प्रदर्शन में काफी गिरावट आई, जो विशिष्ट उदाहरणों के आधार पर दृष्टिकोण के महत्व को गतिशील रूप से समायोजित करने की आवश्यकता की पुष्टि करता है।
• व्याख्यात्मकता विश्लेषण: विज़ुअलाइज़ेशन ने दिखाया कि मॉडल ने सही ढंग से पहचाना कि कब एक विशिष्ट डॉक्टर (जैसे, हड्डी के मामले के लिए एक ऑर्थोपेडिस्ट) को एक सामान्य चिकित्सक की तुलना में उच्च प्राथमिकता मिलनी चाहिए, भले ही उनका "पद" कम हो। इसने सफलतापूर्वक यह भी मात्रांकित किया कि जब दृष्टिकोणों में गहरा मतभेद होता है, तो सामूहिक विश्वसनीयता कम हो जाती है, जो निर्णय के विश्वास का एक पारदर्शी माप प्रदान करता है।

5. महत्व और दावे

शोध पत्र दावा करता है कि TECL विश्वसनीय और व्याख्यात्मक बहु-दृष्टिकोण शिक्षण की एक नई शाखा का प्रतिनिधित्व करता है। इसका प्राथमिक महत्व संघर्ष न्यूनीकरण (conflict reduction) से संघर्ष उपयोग (conflict utilization) की ओर बदलाव में निहित है। संघर्षित मतों को विश्वसनीयता मॉडलिंग के लिए मूल्यवान जानकारी के रूप में मानकर, यह विधि:

• अनिश्चितता को स्पष्ट रूप से मॉडल करके सामूहिक निर्णयों की विश्वसनीयता को बढ़ाता है।
• इस बात की व्याख्यात्मकता प्रदान करता है कि निर्णय क्यों लिया गया और संघर्ष क्यों हुआ, जो चिकित्सा निदान जैसे सुरक्षा-महत्वपूर्ण अनुप्रयोगों के लिए महत्वपूर्ण है।
• यह सुनिश्चित करता है कि "अल्पसंख्यक की आवाज़" (जैसे, एक विशिष्ट फोकस वाला विशेषज्ञ) को बहुमत या स्थिर पदानुक्रम द्वारा दबाया न जाए, बशर्ते कि साक्ष्य उसका समर्थन करें।

लेखक निष्कर्ष निकालते हैं कि उनकी विधि जटिल, बहु-विषयक वातावरणों में सटीक सामूहिक निर्णयों की आवश्यकता और उन निर्णयों के अंतर्निहित तर्क और विश्वसनीयता को समझने की आवश्यकता के बीच प्रभावी ढंग से संतुलन बनाती है। भविष्य के कार्य में बड़े पैमाने पर सिमेंटिक संदर्भों के लिए लार्ज लैंग्वेज मॉडल्स (LLMs) को एकीकृत करने की संभावना तलाशी जाने का सुझाव दिया गया है।