एक-शॉट लर्निंग

एक-शॉट लर्निंग Machine learning की एक उपशाखा है जो मॉडलों को प्रति वर्ग केवल एक ही उदाहरण का उपयोग करके कार्य करने, आमतौर पर वर्गीकरण या पहचान, के लिए प्रशिक्षित करने से संबंधित है। यह फ्यू-शॉट लर्निंग का चरम मामला है, जो एक व्यापक समस्या सेटअप है जहाँ मॉडलों को सीमित संख्या में लेबल किए गए उदाहरणों से सामान्यीकरण करना होता है। पारंपरिक दृष्टिकोणों के विपरीत जिन्हें बड़े डेटासेट की आवश्यकता होती है, एक-शॉट लर्निंग का उद्देश्य न्यूनतम अनुभव से नई अवधारणाओं को सीखने की मानव-समान क्षमता का अनुकरण करना है, जो इसे Artificial intelligence अनुसंधान में एक प्रमुख चुनौती बनाता है।

यह अवधारणा 2000 और 2010 के दशक में प्रमुखता से उभरी, जो Deep learning और Neural network आर्किटेक्चर में प्रगति से प्रेरित थी। Fei-Fei Li और russ-salakhutdinov जैसे शोधकर्ताओं ने एक-शॉट लर्निंग के लिए बायेसियन और संभाव्य मॉडलों पर मौलिक कार्य किया, जबकि बाद के विकास ने सामान्यीकरण में सुधार के लिए Generative AI और Transformer (architecture) मॉडलों का लाभ उठाया। एक-शॉट लर्निंग विशेष रूप से उन डोमेन में प्रासंगिक है जहाँ डेटा दुर्लभ है, जैसे चिकित्सा इमेजिंग, दुर्लभ प्रजातियों की पहचान, और व्यक्तिगत उपयोगकर्ता इंटरफेस।

समस्या निरूपण

एक विशिष्ट एक-शॉट लर्निंग सेटअप में, एक मॉडल को कई वर्गों वाले आधार डेटासेट पर प्रशिक्षित किया जाता है और फिर नए वर्गों के एक समूह पर मूल्यांकन किया जाता है, जिनमें से प्रत्येक को एक ही लेबल किए गए उदाहरण द्वारा दर्शाया जाता है। उद्देश्य इन अनदेखे वर्गों से नए उदाहरणों को सही ढंग से वर्गीकृत करना है। इसे अक्सर N-वे, K-शॉट कार्य के रूप में औपचारिक रूप दिया जाता है, जहाँ N वर्गों की संख्या है और K प्रति वर्ग उदाहरणों की संख्या है; एक-शॉट लर्निंग K=1 से मेल खाती है। मूल्यांकन मेट्रिक्स में नए वर्गों पर सटीकता और विभिन्न कार्य वितरणों में सामान्यीकरण की क्षमता शामिल है।

दृष्टिकोण और तकनीकें

कई पद्धतिगत परिवार एक-शॉट लर्निंग को संबोधित करते हैं। मीट्रिक-आधारित विधियाँ एक एम्बेडिंग स्पेस सीखती हैं जहाँ एक ही वर्ग के उदाहरण विभिन्न वर्गों की तुलना में एक-दूसरे के करीब होते हैं; लोकप्रिय एल्गोरिदम में सियामी नेटवर्क और प्रोटोटाइपिकल नेटवर्क शामिल हैं। मॉडल-आधारित विधियाँ बाहरी मेमोरी या तेज़ पैरामीटर अनुकूलन का उपयोग करती हैं, जैसे मेमोरी-ऑगमेंटेड न्यूरल नेटवर्क और मेटा-लर्निंग दृष्टिकोण जैसे मॉडल-एग्नोस्टिक मेटा-लर्निंग (MAML)। जनरेटिव विधियाँ अतिरिक्त प्रशिक्षण डेटा को संश्लेषित करती हैं या सीधे उदाहरणों की तुलना करना सीखती हैं, अक्सर Neural network घटकों जैसे ध्यान तंत्र का उपयोग करके। हाल के कार्य ने प्राकृतिक भाषा और मल्टीमॉडल सेटिंग्स में एक-शॉट लर्निंग करने के लिए Large language model और Transformer (architecture) आर्किटेक्चर की खोज की है, जहाँ एक एकल प्रॉम्प्ट या उदाहरण मॉडल की प्रतिक्रिया का मार्गदर्शन करता है।

अनुप्रयोग

एक-शॉट लर्निंग के विभिन्न क्षेत्रों में व्यावहारिक अनुप्रयोग हैं। Computer vision में, यह न्यूनतम लेबल वाली छवियों के साथ वस्तु पहचान को सक्षम बनाता है, जो निगरानी, रोबोटिक्स और संवर्धित वास्तविकता के लिए उपयोगी है। चिकित्सा इमेजिंग में, यह दुर्लभ बीमारियों के निदान में मदद करता है जहाँ एनोटेटेड स्कैन दुर्लभ होते हैं। प्राकृतिक भाषा प्रसंस्करण में, एक-शॉट लर्निंग Large language model में फ्यू-शॉट प्रॉम्प्टिंग को शक्ति प्रदान करती है, जिससे मॉडल एक ही निर्देश या उदाहरण से नए कार्य कर सकते हैं। इसके अतिरिक्त, यह उपभोक्ता उपकरणों में वैयक्तिकरण का समर्थन करता है, जैसे Apple और Samsung Electronics उत्पाद, जहाँ उपयोगकर्ता-विशिष्ट पहचान (जैसे चेहरा या आवाज़) को सीमित नामांकन डेटा के साथ काम करना चाहिए।

चुनौतियाँ और सीमाएँ

प्रगति के बावजूद, एक-शॉट लर्निंग कठिन बनी हुई है। मॉडल अक्सर उच्च अंतर-वर्ग परिवर्तनशीलता और कम अंतर-वर्ग विभेद्यता से जूझते हैं, जिससे ओवरफिटिंग या खराब सामान्यीकरण होता है। पर्याप्त डेटा की कमी मजबूत प्रतिनिधित्व सीखना कठिन बना देती है, और कई दृष्टिकोणों को सावधानीपूर्वक हाइपरपैरामीटर ट्यूनिंग या बड़े प्री-ट्रेनिंग कॉर्पोरा की आवश्यकता होती है। इसके अलावा, मूल्यांकन प्रोटोकॉल भिन्न होते हैं, जिससे अध्ययनों के बीच तुलना चुनौतीपूर्ण हो जाती है। नैतिक विचार तब उठते हैं जब एक-शॉट लर्निंग को संवेदनशील डोमेन, जैसे निगरानी या बायोमेट्रिक पहचान, में लागू किया जाता है, जहाँ त्रुटियों के महत्वपूर्ण परिणाम हो सकते हैं।

भविष्य की दिशाएँ

चल रहे शोध नमूना दक्षता, मजबूती और व्याख्यात्मकता में सुधार पर केंद्रित है। Generative AI और Transformer (architecture) मॉडलों के साथ एकीकरण से एक-शॉट क्षमताओं को बढ़ाने की उम्मीद है, विशेष रूप से मल्टीमॉडल कार्यों में। MIT CSAIL, Stanford AI Lab, और BAIR (Berkeley AI Research) जैसे शैक्षणिक संस्थानों और OpenAI, Google DeepMind, और Anthropic जैसी उद्योग प्रयोगशालाओं के बीच सहयोग नवाचार को आगे बढ़ा रहा है। जैसे-जैसे Artificial intelligence सिस्टम अधिक व्यापक होते जा रहे हैं, एक-शॉट लर्निंग अनुकूली, व्यक्तिगत और डेटा-कुशल बुद्धिमत्ता को सक्षम करने में महत्वपूर्ण भूमिका निभाएगी।