व्याख्या-आधारित अधिगम (EBL) मशीन अधिगम का एक रूप है जो एक अत्यंत मजबूत, या यहां तक कि पूर्ण, डोमेन सिद्धांत का उपयोग करता है - अनुप्रयोग डोमेन का एक औपचारिक सिद्धांत, जो ऑन्टोलॉजी इंजीनियरिंग में डोमेन मॉडल के समान है - ताकि प्रशिक्षण उदाहरणों से सामान्यीकरण या अवधारणाएं बनाई जा सकें। अनुभवजन्य विधियों के विपरीत, जिन्हें कई उदाहरणों की आवश्यकता होती है, EBL डोमेन सिद्धांत का उपयोग करके यह समझाने के लिए कि उदाहरण किसी अवधारणा का सदस्य क्यों है, एक एकल उदाहरण से सामान्यीकरण कर सकता है। इस व्याख्या को फिर एक पुन: प्रयोज्य नियम, या मैक्रो में संकलित किया जाता है, जो भविष्य के तर्क को गति देता है। EBL अधिगम में सहायता के लिए स्मृति में एन्कोडिंग से भी जुड़ा है, क्योंकि व्युत्पन्न सामान्यीकरण कुशल पुनर्प्राप्ति के लिए संग्रहीत किए जाते हैं।
यह दृष्टिकोण इस विचार पर आधारित है कि एक पूर्ण डोमेन सिद्धांत में, सिद्धांत रूप में, डोमेन के बारे में किसी भी प्रश्न का निर्णय लेने के लिए आवश्यक सभी जानकारी होती है। उदाहरण के लिए, शतरंज के नियम शतरंज के लिए एक पूर्ण डोमेन सिद्धांत बनाते हैं, जो किसी भी स्थिति में सर्वोत्तम चाल की निगमनात्मक गणना की अनुमति देते हैं, हालांकि व्यवहार में यह संयोजनात्मक विस्फोट के कारण असंभव है। EBL निगमनात्मक परिणामों की खोज का मार्गदर्शन करने के लिए प्रशिक्षण उदाहरणों का उपयोग करता है, जिससे यह प्रक्रिया व्यवहार में कुशल हो जाती है।
मूल सूत्रीकरण
एक EBL प्रणाली चार इनपुट लेती है: एक परिकल्पना स्थान (सभी संभावित निष्कर्षों का समुच्चय), एक डोमेन सिद्धांत (रुचि के डोमेन के बारे में अभिगृहीत), प्रशिक्षण उदाहरण (विशिष्ट तथ्य जो कुछ परिकल्पनाओं को खारिज करते हैं), और परिचालनात्मकता मानदंड (उन विशेषताओं को निर्धारित करने के लिए मानदंड जो कुशलता से पहचाने जा सकते हैं, जैसे कि सेंसर द्वारा सीधे पता लगाने योग्य)। प्रणाली डोमेन सिद्धांत से प्रत्येक प्रशिक्षण उदाहरण का एक छोटा प्रमाण खोजकर काम करती है, फिर उस प्रमाण को एक नियम में सामान्यीकृत करती है जिसे समान भविष्य के उदाहरणों को शीघ्रता से वर्गीकृत करने के लिए लागू किया जा सकता है। यह प्रक्रिया डोमेन-सिद्धांत डेटाबेस का विस्तार करती है, जिससे संबंधित उदाहरणों का तेज़ वर्गीकरण संभव होता है।
EBL का मुख्य दोष उपयोगिता समस्या है, जिसका पहली बार विश्लेषण मिंटन ने किया था: जैसे-जैसे सीखे गए प्रमाण मैक्रोज़ की संख्या बढ़ती है, उन्हें लागू करने की लागत उनके लाभों से अधिक हो सकती है। इस मुद्दे ने सीखे गए नियमों के चयन और उपयोग के तरीके में परिशोधन को प्रेरित किया है।
प्राकृतिक भाषा प्रसंस्करण में अनुप्रयोग
EBL के लिए एक विशेष रूप से अच्छा अनुप्रयोग डोमेन प्राकृतिक भाषा प्रसंस्करण (NLP) है। यहां, एक समृद्ध डोमेन सिद्धांत - जैसे कि एक प्राकृतिक भाषा व्याकरण - न तो पूर्ण है और न ही पूर्णतः सही, लेकिन इसे एक ट्रीबैंक को प्रशिक्षण उदाहरणों के रूप में उपयोग करके किसी विशेष अनुप्रयोग या भाषा उपयोग के अनुरूप समायोजित किया जा सकता है। रेनर ने इस कार्य का अग्रणी किया, और पहला सफल औद्योगिक अनुप्रयोग रिलेशनल डेटाबेस के लिए एक वाणिज्यिक प्राकृतिक भाषा इंटरफ़ेस था। यह विधि कई बड़े पैमाने के प्राकृतिक भाषा पार्सिंग सिस्टम पर सफलतापूर्वक लागू की गई है, जहां मूल व्याकरण (डोमेन सिद्धांत) को छोड़कर और विशेषीकृत LR-पार्सिंग तकनीकों का उपयोग करके उपयोगिता समस्या हल की गई, जिसके परिणामस्वरूप कवरेज की लागत पर लेकिन अस्पष्टता-निवारण में लाभ के साथ भारी गति वृद्धि हुई।
EBL को NLP पर लागू करते समय, परिचालनात्मकता मानदंड हाथ से तैयार किए जा सकते हैं या ट्रीबैंक से उसके या-नोड्स की एन्ट्रॉपी या लक्ष्य कवरेज/अस्पष्टता-निवारण व्यापार-बंद (रिकॉल/प्रेसिजन व्यापार-बंद या एफ-स्कोर के समतुल्य) का उपयोग करके अनुमानित किए जा सकते हैं। EBL का उपयोग सामान्य एकीकरण व्याकरणों से भाषण पहचान के लिए व्याकरण-आधारित भाषा मॉडल संकलित करने के लिए भी किया जा सकता है। उपयोगिता समस्या मूल व्याकरण को त्यागकर हल की गई थी, और उद्धृत लेखों में "व्याकरण विशेषीकरण" वाक्यांश होता है - जो मूल शब्द "व्याख्या-आधारित सामान्यीकरण" के बिल्कुल विपरीत है। शायद इस तकनीक के लिए सबसे अच्छा नाम डेटा-संचालित खोज स्थान में कमी होगा।
NLP के लिए EBL पर काम करने वाले अन्य शोधकर्ताओं में गुएंथर न्यूमैन, अरविंद जोशी, श्रीनिवास बैंगलोर और खलील सिमान शामिल हैं। EBL-जैसी तकनीकें सतह निर्माण पर भी लागू की गई हैं, जो पार्सिंग का विपरीत है।
अन्य अधिगम प्रतिमानों से संबंध
EBL अनुभवजन्य या आगमनात्मक अधिगम विधियों के विपरीत है, जैसे कि Machine learning और Deep learning में उपयोग की जाने वाली विधियाँ, जिन्हें सामान्यीकरण के लिए बड़े डेटासेट की आवश्यकता होती है। जबकि Neural network दृष्टिकोण जैसे Transformer (architecture) मॉडल Large language model प्रणालियों में विशाल कोरपोरा से सांख्यिकीय पैटर्न सीखते हैं, EBL स्पष्ट प्रतीकात्मक ज्ञान का लाभ उठाता है। यह EBL को उन डोमेन के लिए विशेष रूप से उपयुक्त बनाता है जहां एक मजबूत सिद्धांत मौजूद है लेकिन डेटा दुर्लभ है। हालांकि, EBL की पूर्ण या लगभग पूर्ण डोमेन सिद्धांत पर निर्भरता इसकी प्रयोज्यता को अच्छी तरह से समझे गए डोमेन तक सीमित करती है, जबकि सांख्यिकीय विधियाँ शोरगुल वाली या खराब समझी गई समस्याओं को संभाल सकती हैं।
कंप्यूटर विज़न में, EBL एक-शॉट अधिगम से संबंधित है, जहां एक मॉडल एक एकल उदाहरण से सीखता है, लेकिन EBL को उदाहरण की व्याख्या करने के लिए एक डोमेन सिद्धांत की आवश्यकता होती है, जबकि एक-शॉट अधिगम अक्सर संबंधित कार्यों से पूर्व ज्ञान का उपयोग करता है। शून्य-शॉट अधिगम, जो बिना उदाहरणों के अदृश्य श्रेणियों को वर्गीकृत करता है, भी वैचारिक समानताएं साझा करता है लेकिन आमतौर पर निगमनात्मक प्रमाणों के बजाय अर्थ संबंधी एम्बेडिंग का उपयोग करता है।
सीमाएं और विस्तार
EBL की प्राथमिक सीमा उपयोगिता समस्या है, जहां सीखे गए नियमों को संग्रहीत करने और मिलान करने का ओवरहेड प्रदर्शन को खराब कर सकता है। मिंटन के विश्लेषण से पता चला कि सीखे गए प्रमाण मैक्रोज़ को लागू करने की लागत उनके संचय के साथ निषेधात्मक हो सकती है। समाधानों में उपयोगी नियमों का चयनात्मक प्रतिधारण शामिल है, जैसा कि NLP अनुप्रयोगों में देखा गया है जो मूल व्याकरण को त्याग देते हैं। EBL के विस्तारों ने इसे आगमनात्मक विधियों के साथ संयोजित करने की खोज की है, जैसे कि Curriculum Learning में खोज का मार्गदर्शन करने के लिए EBL का उपयोग करना या Data Augmentation रणनीतियों को परिष्कृत करना। Artificial intelligence अनुसंधान में, EBL ने योजना और निदान में व्याख्या-आधारित सामान्यीकरण पर काम को प्रभावित किया है, हालांकि आधुनिक Generative AI प्रणालियाँ मुख्य रूप से सांख्यिकीय अधिगम पर निर्भर करती हैं।
यह भी देखें
- कंप्यूटर विज़न में एक-शॉट अधिगम
- शून्य-शॉट अधिगम
- मशीन अधिगम
- कृत्रिम बुद्धिमत्ता