प्रभुत्व-आधारित रफ सेट दृष्टिकोण (DRSA) एक निर्णय विश्लेषण और डेटा माइनिंग पद्धति है जो शास्त्रीय रफ सेट सिद्धांत का विस्तार करती है ताकि वरीयता-क्रमित विशेषताओं और निर्णय वर्गों वाले डेटा को संभाला जा सके। इसे 1990 के दशक के अंत में रोमन स्लोविंस्की और उनके सहयोगियों द्वारा मूल रफ सेट मॉडल की सीमाओं के जवाब में पेश किया गया था, जो मानता था कि सभी विशेषताएँ नाममात्र की हैं और निर्णय वर्ग अक्रमित हैं। DRSA शास्त्रीय रफ सेटों के अविभेद्यता संबंध को प्रभुत्व संबंध से बदल देता है, जिससे यह विशेषता मूल्यों और निर्णय परिणामों के बीच मोनोटोनिक संबंधों को पकड़ सकता है जो बहु-मानदंड निर्णय विश्लेषण में आम हैं, जैसे कि क्रेडिट जोखिम, आपूर्तिकर्ता प्रदर्शन, या चिकित्सा रोग निदान का मूल्यांकन।
DRSA में, वस्तुओं को स्थिति विशेषताओं (मानदंडों) के एक सेट और एक निर्णय विशेषता द्वारा वर्णित किया जाता है जो ब्रह्मांड को निर्णय वर्गों में विभाजित करता है। शास्त्रीय रफ सेटों के विपरीत, जहाँ समान विशेषता मूल्यों वाली वस्तुओं द्वारा तुल्यता वर्ग बनाए जाते हैं, DRSA प्रभुत्व शंकु बनाता है: प्रत्येक वस्तु के लिए, निर्णय वर्गों के ऊपरी और निचले संघों का अनुमान प्रभुत्व संबंध का उपयोग करके लगाया जाता है। एक ऊपरी संघ का निचला अनुमान उन वस्तुओं को शामिल करता है जिन्हें निश्चित रूप से कम से कम एक दिए गए वर्ग से संबंधित के रूप में वर्गीकृत किया जाता है, जबकि ऊपरी अनुमान उन वस्तुओं को शामिल करता है जिन्हें संभवतः ऐसे वर्गीकृत किया जाता है। सीमा क्षेत्र, जिसे ऊपरी और निचले अनुमानों के बीच अंतर के रूप में परिभाषित किया गया है, उन वस्तुओं को पकड़ता है जिनके लिए डेटा में असंगतियों के कारण वर्गीकरण अनिश्चित है।
DRSA का मुख्य आउटपुट निर्णय नियमों का एक सेट है, आमतौर पर "यदि विशेषता A कम से कम मान x है और विशेषता B अधिक से अधिक मान y है, तो वस्तु कम से कम वर्ग z से संबंधित है" के रूप में। ये नियम निचले अनुमानों से उत्पन्न होते हैं और न्यूनतम और व्यापक दोनों होने की विशेषता रखते हैं, जिसका अर्थ है कि वे बिना अतिरेक के सभी निश्चित असाइनमेंट को कवर करते हैं। ये नियम हितधारकों को निर्णय समझाने के लिए विशेष रूप से उपयोगी हैं, क्योंकि वे व्याख्या योग्य हैं और डोमेन ज्ञान के विरुद्ध मान्य किए जा सकते हैं। DRSA नियम गुणवत्ता के माप भी प्रदान करता है, जैसे समर्थन, आत्मविश्वास, और कवरेज, जो किसी दिए गए अनुप्रयोग के लिए सबसे प्रासंगिक नियमों का चयन करने में मदद करते हैं।
ऐतिहासिक विकास और सैद्धांतिक आधार
शास्त्रीय रफ सेट सिद्धांत 1982 में ज़डज़िस्लाव पावलाक द्वारा अशुद्ध या अपूर्ण जानकारी के बारे में तर्क करने के लिए एक गणितीय उपकरण के रूप में प्रस्तावित किया गया था। पावलाक के मॉडल में, अविभेद्यता संबंध ब्रह्मांड को तुल्यता वर्गों में विभाजित करता है, और इन वर्गों का उपयोग करके अनुमान परिभाषित किए जाते हैं। हालाँकि, यह मॉडल विशेषता मूल्यों के क्रम को ध्यान में रखने में विफल रहता है, जो कई वास्तविक दुनिया की समस्याओं में महत्वपूर्ण है जहाँ मानदंड क्रमिक पैमानों पर मापे जाते हैं। 1999 में, स्लोविंस्की और उनके सहयोगियों ने कई पत्रों में DRSA पेश किया, अविभेद्यता को बदलने के लिए प्रभुत्व संबंधों के उपयोग को औपचारिक रूप दिया। बाद में इस दृष्टिकोण को लापता मूल्यों, चर स्थिरता, और फजी वरीयताओं को संभालने के लिए विस्तारित किया गया, जिससे चर-स्थिरता DRSA (VC-DRSA) और फजी DRSA जैसे प्रकार सामने आए।
DRSA का सैद्धांतिक आधार मोनोटोनिसिटी की अवधारणा में निहित है, जो मानता है कि यदि किसी वस्तु के सभी मानदंडों पर किसी अन्य वस्तु से बेहतर मूल्य हैं, तो उसे बदतर निर्णय वर्ग में वर्गीकृत नहीं किया जाना चाहिए। यह मोनोटोनिसिटी धारणा कई निर्णय समस्याओं के लिए एक स्वाभाविक फिट है, जैसे कि उधारकर्ता की साख का मूल्यांकन जहाँ उच्च आय और कम ऋण पसंद किए जाते हैं। DRSA इसे एक प्रभुत्व संबंध परिभाषित करके औपचारिक रूप देता है जो प्रतिवर्ती, संक्रामक, और असममित है, और इस संबंध का उपयोग निर्णय वर्गों के अनुमानों का निर्माण करने के लिए करता है। यह दृष्टिकोण बहु-मानदंड निर्णय विश्लेषण के सिद्धांत से भी जुड़ता है, विशेष रूप से ELECTRE और PROMETHEE परिवारों की आउटरैंकिंग विधियों से, लेकिन यह निर्णय निर्माता को वरीयता पैरामीटर निर्दिष्ट करने की आवश्यकता के बिना एक विशुद्ध रूप से डेटा-संचालित नियम प्रेरण तंत्र प्रदान करके भिन्न होता है।
एल्गोरिथमिक कार्यान्वयन और प्रकार
DRSA के कार्यान्वयन में कई कम्प्यूटेशनल चरण शामिल हैं। पहले, डेटा सेट को स्थिति विशेषताओं और निर्णय विशेषता की पहचान करने के लिए पूर्व-संसाधित किया जाता है, और निर्णय वर्गों को क्रमबद्ध किया जाता है। अगला, प्रत्येक वस्तु के लिए, प्रभुत्व शंकु की गणना की जाती है, जिसके लिए वस्तु की डेटा सेट में अन्य सभी के साथ तुलना करने की आवश्यकता होती है। फिर निचले और ऊपरी अनुमान यह जाँच कर प्राप्त किए जाते हैं कि क्या प्रभुत्व शंकु निर्णय वर्गों के संघों के भीतर निहित हैं। इस प्रक्रिया की जटिलता वस्तुओं की संख्या में O(n^2) है, जो बड़े डेटा सेटों के लिए निषेधात्मक हो सकती है, लेकिन कम्प्यूटेशनल बोझ को कम करने के लिए सॉर्टिंग और इंडेक्सिंग जैसे अनुकूलन प्रस्तावित किए गए हैं।
एक प्रमुख प्रकार चर-स्थिरता DRSA है, जो निचले अनुमान में वस्तुओं के एक निश्चित प्रतिशत को मोनोटोनिसिटी धारणा का उल्लंघन करने की अनुमति देकर सख्त प्रभुत्व स्थिति को शिथिल करता है। यह शोर डेटा में उपयोगी है जहाँ पूर्ण मोनोटोनिसिटी दुर्लभ है। एक अन्य प्रकार, फजी DRSA, प्रभुत्व संबंध को फजी सेटों तक विस्तारित करता है, जिससे अनुमानों में सदस्यता की डिग्री की अनुमति मिलती है। इसके अतिरिक्त, DRSA को नियम निर्माण में सुधार और उच्च-आयामी डेटा को संभालने के लिए Machine learning तकनीकों, जैसे Artificial intelligence-आधारित वर्गीकरण और Data Augmentation विधियों के साथ एकीकृत किया गया है। सॉफ्टवेयर कार्यान्वयन R पैकेज 'RoughSets' और Java-आधारित WEKA वातावरण में उपलब्ध हैं, जिससे DRSA चिकित्सकों के लिए सुलभ हो जाता है।
निर्णय समर्थन में अनुप्रयोग
DRSA उन डोमेन की एक विस्तृत श्रृंखला में लागू किया गया है जहाँ क्रमबद्ध डेटा और वरीयता मॉडलिंग आवश्यक हैं। वित्त में, इसका उपयोग क्रेडिट स्कोरिंग और दिवालियापन भविष्यवाणी के लिए किया जाता है, जहाँ निर्णय वर्ग कम से उच्च जोखिम तक क्रमबद्ध होते हैं। चिकित्सा में, DRSA क्रमिक नैदानिक संकेतकों, जैसे रोग गंभीरता चरणों के साथ रोगी डेटा का विश्लेषण करके निदान और रोग निदान का समर्थन करता है। इंजीनियरिंग में, यह गुणवत्ता नियंत्रण और जोखिम मूल्यांकन में सहायता करता है, उदाहरण के लिए, विनिर्माण प्रक्रियाओं की विश्वसनीयता का मूल्यांकन करने में। इस दृष्टिकोण का उपयोग पर्यावरण प्रबंधन में कई मानदंडों के आधार पर उपचार रणनीतियों को रैंक करने के लिए, और मानव संसाधन प्रबंधन में क्रमबद्ध प्रदर्शन मेट्रिक्स के आधार पर उम्मीदवारों का चयन करने के लिए भी किया गया है।
एक उल्लेखनीय अनुप्रयोग Generative AI और Large language model मूल्यांकन के क्षेत्र में है, जहाँ DRSA का उपयोग मानव वरीयता डेटा का विश्लेषण करने के लिए किया जा सकता है। उदाहरण के लिए, जब मॉडल को reinforcement-learning-from-human-feedback (RLHF) के साथ प्रशिक्षित किया जाता है, शोधकर्ता मॉडल आउटपुट की जोड़ीदार तुलना एकत्र करते हैं, जो स्वाभाविक रूप से क्रमबद्ध होती हैं। DRSA उन नियमों को निकाल सकता है जो बताते हैं कि कुछ आउटपुट क्यों पसंद किए जाते हैं, अंतर्निहित पुरस्कार मॉडल में अंतर्दृष्टि प्रदान करते हैं। यह जटिल Neural network प्रणालियों को समझने और ऑडिट करने के लिए व्याख्या योग्य मॉडल का उपयोग करने के व्यापक रुझान के साथ संरेखित करता है, जैसा कि Aleksander Madry और Carlos Guestrin जैसे शोधकर्ताओं द्वारा वकालत की गई है।
अन्य दृष्टिकोणों के साथ तुलना
DRSA की तुलना अक्सर शास्त्रीय रफ सेटों, Decision Trees विधियों, और लॉजिस्टिक रिग्रेशन जैसे सांख्यिकीय दृष्टिकोणों से की जाती है। शास्त्रीय रफ सेटों के विपरीत, DRSA स्पष्ट रूप से क्रम और मोनोटोनिसिटी को संभालता है, जिससे यह वरीयता-आधारित समस्याओं के लिए अधिक उपयुक्त हो जाता है। डिसीजन ट्री की तुलना में, जो अक्ष-संरेखित विभाजनों का उपयोग करके सुविधा स्थान को विभाजित करते हैं, DRSA प्रभुत्व शंकु पर आधारित नियम उत्पन्न करता है, जो मानदंडों के बीच अधिक जटिल अंतःक्रियाओं को पकड़ सकता है। हालाँकि, डिसीजन ट्री आम तौर पर बहुत बड़े डेटा सेटों के लिए अधिक स्केलेबल होते हैं, जबकि DRSA की O(n^2) जटिलता एक बाधा हो सकती है। लॉजिस्टिक रिग्रेशन के विपरीत, जो भविष्यवक्ताओं और परिणामों के बीच एक रैखिक संबंध मानता है, DRSA गैर-पैरामीट्रिक है और वितरणात्मक धारणाओं की आवश्यकता नहीं होती है, जिससे यह आउटलायर्स और गैर-रैखिक पैटर्न के प्रति अधिक मजबूत होता है।
एक अन्य संबंधित पद्धति एनालिटिकल हायरार्की प्रोसेस (AHP) है, जो विशेषज्ञों द्वारा जोड़ीदार तुलनाओं पर निर्भर करती है, जबकि DRSA विशुद्ध रूप से डेटा-संचालित है। DRSA बहु-मानदंड निर्णय विश्लेषण में आउटरैंकिंग विधियों के साथ भी समानताएँ साझा करता है, लेकिन इसमें थ्रेसहोल्ड या वेट के विनिर्देशन की आवश्यकता नहीं होती है, जिन्हें निकालना अक्सर कठिन होता है। यह DRSA को उन अनुप्रयोगों के लिए विशेष रूप से आकर्षक बनाता है जहाँ डेटा प्रचुर मात्रा में होता है लेकिन विशेषज्ञ ज्ञान सीमित होता है, जैसे कि Amazon Web Services या Microsoft Azure जैसे क्लाउड-कम्प्यूटिंग प्लेटफार्मों के साथ एकीकृत स्वचालित निर्णय समर्थन प्रणालियों में।
सीमाएँ और भविष्य की दिशाएँ
अपनी ताकत के बावजूद, DRSA की सीमाएँ हैं। मोनोटोनिसिटी धारणा सभी वास्तविक दुनिया के डेटा में नहीं हो सकती है, और चर-स्थिरता प्रकार के लिए उपयोगकर्ता को एक स्थिरता थ्रेसहोल्ड सेट करने की आवश्यकता होती है, जो व्यक्तिपरक हो सकता है। DRSA की कम्प्यूटेशनल जटिलता बहुत बड़े डेटा सेटों के लिए इसकी स्केलेबिलिटी को सीमित करती है, हालाँकि GPU (in AI) क्लस्टरों या AWS Trainium हार्डवेयर पर समानांतर कार्यान्वयन की खोज की जा रही है। इसके अतिरिक्त, DRSA नियम कई और अतिरेकपूर्ण हो सकते हैं, जिसके लिए नियम सेट को सरल बनाने के लिए पोस्ट-प्रोसेसिंग की आवश्यकता होती है। भविष्य की शोध दिशाओं में असंरचित डेटा, जैसे छवियों या पाठ को संभालने के लिए DRSA को Deep learning मॉडल के साथ एकीकृत करना, और ऑनलाइन लर्निंग एल्गोरिदम विकसित करना शामिल है जो नए डेटा आने पर नियमों को वृद्धिशील रूप से अपडेट करते हैं। इस दृष्टिकोण को मल्टी-लेबल वर्गीकरण को संभालने और अनिश्चितता मात्रा निर्धारण को शामिल करने के लिए भी विस्तारित किया जा रहा है, जो स्वास्थ्य देखभाल और वित्त में उच्च-दांव वाले निर्णयों के लिए महत्वपूर्ण है।
संक्षेप में, प्रभुत्व-आधारित रफ सेट दृष्टिकोण क्रमबद्ध डेटा का विश्लेषण करने के लिए एक मजबूत और व्याख्या योग्य ढांचा प्रदान करता है, जो शास्त्रीय रफ सेटों और बहु-मानदंड निर्णय विश्लेषण के बीच की खाई को पाटता है। डेटा से मानव-पठनीय नियम उत्पन्न करने की इसकी क्षमता इसे Artificial intelligence और Machine learning के व्यापक परिदृश्य में एक मूल्यवान उपकरण बनाती है, विशेष रूप से उन अनुप्रयोगों के लिए जिन्हें पारदर्शिता और जवाबदेही की आवश्यकता होती है।