सकारात्मक-अलेबलित अधिगम

सकारात्मक-अलेबलित अधिगम, जिसे अक्सर PU अधिगम के रूप में संक्षिप्त किया जाता है, मशीन-अधिगम की एक उपशाखा है जो द्विआधारी वर्गीकरण की समस्या का समाधान करती है जब केवल सकारात्मक उदाहरण और अलेबलित डेटा उपलब्ध होते हैं। मानक पर्यवेक्षित अधिगम के विपरीत, जिसमें सकारात्मक और नकारात्मक दोनों लेबलित उदाहरणों की आवश्यकता होती है, PU अधिगम इस बाधा के तहत कार्य करता है कि नकारात्मक उदाहरण या तो अनुपस्थित होते हैं या स्पष्ट रूप से पहचाने नहीं जाते हैं। यह स्थिति कई वास्तविक-विश्व अनुप्रयोगों में उत्पन्न होती है जहाँ विश्वसनीय नकारात्मक लेबल प्राप्त करना कठिन, महंगा या अव्यावहारिक होता है। लक्ष्य एक वर्गीकरणकर्ता का निर्माण करना है जो स्पष्ट नकारात्मक प्रशिक्षण डेटा की कमी के बावजूद सकारात्मक और नकारात्मक उदाहरणों के बीच अंतर कर सके।

औपचारिक समस्या को पहली बार 2000 के दशक की शुरुआत में व्यक्त किया गया था, जिसमें शिकागो में इलिनोइस विश्वविद्यालय में बिंग लियू और उनके सहयोगियों द्वारा आधारभूत कार्य किया गया था। उनके 2002 के पेपर ने सकारात्मक और अलेबलित उदाहरणों से अधिगम की अवधारणा पेश की, जिसमें ऐसे एल्गोरिदम प्रस्तावित किए गए जो अलेबलित डेटा को सकारात्मक और नकारात्मक उदाहरणों के मिश्रण के रूप में मानते हैं। तब से, PU अधिगम सूचना पुनर्प्राप्ति, जैव सूचना विज्ञान और धोखाधड़ी पहचान जैसे क्षेत्रों में एक महत्वपूर्ण उपकरण बन गया है, जहाँ नकारात्मक लेबल अक्सर अस्पष्ट या अपूर्ण होते हैं।

समस्या निरूपण

एक मानक द्विआधारी वर्गीकरण कार्य में, एक प्रशिक्षण सेट में लेबलित जोड़े (x, y) होते हैं जहाँ y ∈ {+1, -1}। PU अधिगम में, प्रशिक्षण सेट को दो उपसमुच्चयों में विभाजित किया जाता है: सकारात्मक उदाहरणों का एक सेट P, जहाँ सभी उदाहरण सकारात्मक होने के लिए ज्ञात होते हैं, और अलेबलित उदाहरणों का एक सेट U, जिसमें सकारात्मक और नकारात्मक दोनों उदाहरण हो सकते हैं। मुख्य चुनौती यह है कि अलेबलित सेट एक मिश्रण है, और U में सकारात्मक उदाहरणों का अनुपात अज्ञात है। यह अधिगम की समस्या को मानक पर्यवेक्षित अधिगम से मौलिक रूप से भिन्न बनाता है, क्योंकि नकारात्मक लेबल की अनुपस्थिति एक पूर्वाग्रह पेश करती है जिसे सुधारा जाना चाहिए।

PU अधिगम में एक सामान्य धारणा यह है कि लेबलित सकारात्मक सेट सच्चे सकारात्मक वितरण से एक यादृच्छिक नमूना है, जिसे अक्सर "पूर्णतः यादृच्छिक रूप से चयनित" (SCAR) धारणा कहा जाता है। इस धारणा के तहत, एक सकारात्मक उदाहरण के लेबलित होने की संभावना स्थिर होती है और इसकी विशेषताओं से स्वतंत्र होती है। यह वर्गीकरण जोखिम के निष्पक्ष अनुमानकों के विकास की अनुमति देता है, जिन्हें सांख्यिकीय अधिगम सिद्धांत की तकनीकों का उपयोग करके अनुकूलित किया जा सकता है।

दृष्टिकोण और एल्गोरिदम

PU अधिगम से निपटने के लिए कई परिवारों के एल्गोरिदम विकसित किए गए हैं। एक प्रारंभिक दृष्टिकोण दो-चरणीय रणनीति है, जो पहले एक अनुमानी का उपयोग करके अलेबलित सेट से विश्वसनीय नकारात्मक उदाहरणों की पहचान करता है, और फिर सकारात्मक और विश्वसनीय नकारात्मक उदाहरणों पर एक मानक वर्गीकरणकर्ता को प्रशिक्षित करता है। यह विधि, जिसे लियू और उनके सहयोगियों द्वारा लोकप्रिय बनाया गया, अक्सर संभावित नकारात्मकों का चयन करने के लिए एक जासूसी तकनीक या दूरी-आधारित मानदंड का उपयोग करती है। हालाँकि, ये विधियाँ प्रारंभिक नकारात्मक चयन की गुणवत्ता के प्रति संवेदनशील हो सकती हैं।

एक अधिक सैद्धांतिक दृष्टिकोण पक्षपाती अधिगम पर आधारित है, जहाँ अलेबलित डेटा को शोरगुल वाले नकारात्मक उदाहरणों के रूप में माना जाता है। वर्गीकरणकर्ता को एक भारित हानि फलन को कम करने के लिए प्रशिक्षित किया जाता है जो इस तथ्य को ध्यान में रखता है कि कुछ अलेबलित उदाहरण वास्तव में सकारात्मक होते हैं। इसे एक लागत-संवेदनशील अधिगम समस्या के रूप में तैयार किया जा सकता है, जहाँ अलेबलित सेट में एक सकारात्मक उदाहरण को गलत वर्गीकृत करने की लागत को सकारात्मकों के अनुमानित पूर्व संभाव्यता के आधार पर समायोजित किया जाता है।

हाल के वर्षों में, गहन-अधिगम विधियों को PU अधिगम पर लागू किया गया है, विशेष रूप से तंत्रिका नेटवर्क का उपयोग करके। एक उल्लेखनीय विकास 2014 में डु प्लेसिस, निउ और सुगियामा द्वारा प्रस्तावित निष्पक्ष जोखिम अनुमानक है, जो नकारात्मक लेबल के बिना वर्गीकरणकर्ताओं को प्रशिक्षित करने का एक सैद्धांतिक रूप से आधारित तरीका प्रदान करता है। इस अनुमानक को गैर-उत्तल हानियों को संभालने के लिए विस्तारित किया गया है और छवि वर्गीकरण और पाठ वर्गीकरण जैसे उच्च-आयामी सेटिंग्स में प्रभावी दिखाया गया है।

अनुप्रयोग

PU अधिगम ने उन क्षेत्रों में व्यापक उपयोग पाया है जहाँ नकारात्मक लेबल दुर्लभ या अविश्वसनीय होते हैं। सूचना पुनर्प्राप्ति में, इसका उपयोग दस्तावेज़ वर्गीकरण और स्पैम फ़िल्टरिंग के लिए किया जाता है, जहाँ केवल प्रासंगिक दस्तावेज़ों का एक छोटा सेट ज्ञात होता है, और बाकी अलेबलित होते हैं। जैव सूचना विज्ञान में, PU अधिगम को प्रोटीन-प्रोटीन अंतःक्रियाओं और जीन कार्यों की भविष्यवाणी करने के लिए लागू किया जाता है, जहाँ प्रयोगात्मक रूप से पुष्टि किए गए सकारात्मक अंतःक्रियाएँ उपलब्ध होती हैं, लेकिन नकारात्मक अंतःक्रियाएँ शायद ही कभी सत्यापित होती हैं।

एक और महत्वपूर्ण अनुप्रयोग धोखाधड़ी पहचान और विसंगति पहचान में है। उदाहरण के लिए, क्रेडिट कार्ड धोखाधड़ी पहचान में, धोखाधड़ी के रूप में लेबलित लेनदेन दुर्लभ और अक्सर अपूर्ण होते हैं, जबकि अधिकांश लेनदेन अलेबलित होते हैं। PU अधिगम मॉडल को पुष्टि किए गए धोखाधड़ी मामलों और अलेबलित लेनदेन के बड़े पूल पर प्रशिक्षित करने की अनुमति देता है, जिससे व्यापक लेबलिंग की आवश्यकता के बिना पहचान दरों में सुधार होता है। इसी तरह, चिकित्सा निदान में, PU अधिगम का उपयोग पुष्टि किए गए मामलों के एक छोटे सेट और अलेबलित रोगी रिकॉर्ड के एक बड़े सेट के आधार पर एक दुर्लभ बीमारी वाले रोगियों की पहचान करने के लिए किया जा सकता है।

चुनौतियाँ और विस्तार

अपनी उपयोगिता के बावजूद, PU अधिगम कई चुनौतियों का सामना करता है। प्राथमिक कठिनाई वर्ग पूर्व का अनुमान है, अर्थात अलेबलित सेट में सकारात्मक उदाहरणों का अनुपात। गलत अनुमान पक्षपाती वर्गीकरणकर्ताओं और खराब प्रदर्शन का कारण बन सकता है। शोधकर्ताओं ने पूर्व अनुमान के लिए विभिन्न विधियाँ प्रस्तावित की हैं, जिनमें क्रॉस-सत्यापन और क्षण-मिलान तकनीकें शामिल हैं, लेकिन कई व्यावहारिक सेटिंग्स में समस्या खुली बनी हुई है।

एक और चुनौती सकारात्मक सेट में लेबल शोर की उपस्थिति है। कुछ अनुप्रयोगों में, लेबलित सकारात्मक उदाहरण स्वयं गलत लेबल किए जा सकते हैं, जो PU अधिगम एल्गोरिदम के प्रदर्शन को ख़राब कर सकता है। ऐसे शोर को संभालने के लिए मजबूत प्रकार विकसित किए गए हैं, अक्सर शोर प्रक्रिया के बारे में अतिरिक्त धारणाओं को शामिल करके।

PU अधिगम के विस्तार में अर्ध-पर्यवेक्षित PU अधिगम शामिल है, जहाँ कुछ नकारात्मक लेबल भी उपलब्ध होते हैं, और कई सकारात्मक सेटों के साथ PU अधिगम, जहाँ सकारात्मक उदाहरणों के विभिन्न स्रोतों में अलग-अलग वितरण हो सकते हैं। इन विस्तारों का उद्देश्य मूल PU सेटिंग की सख्त धारणाओं को शिथिल करना और जटिल वास्तविक-विश्व समस्याओं पर प्रयोज्यता में सुधार करना है।

अन्य अधिगम प्रतिमानों से संबंध

PU अधिगम अन्य कमजोर पर्यवेक्षित अधिगम प्रतिमानों, जैसे अर्ध-पर्यवेक्षित अधिगम और शोरगुल वाले लेबल के साथ अधिगम से निकटता से संबंधित है। अर्ध-पर्यवेक्षित अधिगम में, लेबलित सकारात्मक और नकारात्मक दोनों उदाहरण उपलब्ध होते हैं, साथ ही अलेबलित डेटा भी, जबकि PU अधिगम में नकारात्मक लेबल पूरी तरह से अनुपस्थित होते हैं। शोरगुल वाले लेबल के साथ अधिगम में, प्रशिक्षण सेट में सकारात्मक और नकारात्मक दोनों लेबल होते हैं, लेकिन कुछ लेबल गलत होते हैं। PU अधिगम को शोरगुल वाले लेबल के एक चरम मामले के रूप में देखा जा सकता है, जहाँ सभी नकारात्मक लेबल गायब होते हैं, और कुछ अलेबलित उदाहरण वास्तव में सकारात्मक होते हैं।

एक-वर्ग वर्गीकरण से संबंध भी उल्लेखनीय है। एक-वर्ग वर्गीकरण का उद्देश्य सकारात्मक वर्ग वितरण को मॉडल करना और बाहरी मानों की पहचान करना है, जो PU अधिगम के समान है जब अलेबलित सेट में अधिकांश नकारात्मक होने की धारणा होती है। हालाँकि, PU अधिगम स्पष्ट रूप से अलेबलित सेट में सकारात्मकों की उपस्थिति को ध्यान में रखता है, जिससे यह अधिक सामान्य बन जाता है।

भविष्य की दिशाएँ

जैसे-जैसे कृत्रिम-बुद्धिमत्ता आगे बढ़ती है, PU अधिगम को अधिक जटिल मॉडलों में एकीकृत किया जा रहा है, जिसमें बड़े भाषा मॉडल और ट्रांसफार्मर-आधारित वास्तुकलाएँ शामिल हैं। ये मॉडल बड़ी मात्रा में अलेबलित पाठ डेटा का लाभ उठा सकते हैं, और PU अधिगम उन्हें केवल सकारात्मक उदाहरणों के एक छोटे सेट के साथ ठीक-ट्यून करने के लिए एक ढांचा प्रदान करता है। यह कानूनी दस्तावेज़ विश्लेषण और वैज्ञानिक साहित्य खनन जैसे क्षेत्रों में विशेष रूप से प्रासंगिक है, जहाँ सकारात्मक उदाहरण दुर्लभ होते हैं लेकिन अलेबलित कोरपोरा विशाल होते हैं।

शोध सुदृढीकरण अधिगम और ऑनलाइन अधिगम सेटिंग्स में PU अधिगम के उपयोग की भी खोज कर रहा है, जहाँ डेटा वितरण समय के साथ बदल सकता है। इसके अतिरिक्त, विभिन्न धारणाओं के तहत PU अधिगम के लिए सैद्धांतिक गारंटी का विकास अध्ययन का एक सक्रिय क्षेत्र बना हुआ है, जिसका लक्ष्य चिकित्सकों के लिए मजबूत और विश्वसनीय विधियाँ प्रदान करना है।