प्रतिनिधित्व अधिगम, जिसे फीचर अधिगम के रूप में भी जाना जाता है, Machine learning में तकनीकों का एक समूह है जो एक प्रणाली को कच्चे डेटा से फीचर पहचान या वर्गीकरण के लिए आवश्यक प्रतिनिधित्व स्वचालित रूप से खोजने की अनुमति देता है। यह मैनुअल फीचर इंजीनियरिंग को प्रतिस्थापित करता है और एक मशीन को फीचर सीखने और उन्हें एक विशिष्ट कार्य करने के लिए उपयोग करने दोनों में सक्षम बनाता है। प्रेरणा यह है कि कई मशीन लर्निंग कार्य, जैसे वर्गीकरण, के लिए ऐसे इनपुट की आवश्यकता होती है जो गणितीय और कम्प्यूटेशनल रूप से संसाधित करने के लिए सुविधाजनक हो, लेकिन वास्तविक दुनिया का डेटा जैसे चित्र, वीडियो और सेंसर डेटा एल्गोरिदमिक रूप से परिभाषित फीचर के अनुकूल नहीं होते। इसके बजाय, प्रतिनिधित्व स्पष्ट एल्गोरिदम पर निर्भर किए बिना परीक्षण के माध्यम से खोजे जाते हैं।
फीचर अधिगम पर्यवेक्षित, अनुपर्यवेक्षित, या स्व-पर्यवेक्षित हो सकता है। पर्यवेक्षित फीचर अधिगम में, फीचर लेबल किए गए इनपुट डेटा का उपयोग करके सीखे जाते हैं, जहां प्रत्येक इनपुट में एक ग्राउंड ट्रुथ लेबल होता है। अनुपर्यवेक्षित फीचर अधिगम में, फीचर डेटा बिंदुओं के बीच संबंधों का विश्लेषण करके अलेबल डेटा से सीखे जाते हैं। स्व-पर्यवेक्षित फीचर अधिगम में, प्रत्येक डेटा बिंदु से इनपुट-लेबल जोड़े बनाए जाते हैं, जिससे ग्रेडिएंट डिसेंट जैसे पर्यवेक्षित तरीकों के माध्यम से सीखना संभव होता है, जैसा कि शब्द एम्बेडिंग और ऑटोएनकोडर में देखा जाता है।
पर्यवेक्षित फीचर अधिगम
पर्यवेक्षित फीचर अधिगम लेबल किए गए डेटा का उपयोग करके एक त्रुटि पद की गणना करता है, जो उस डिग्री को मापता है जिससे प्रणाली सही लेबल उत्पन्न करने में विफल रहती है। यह त्रुटि सीखने की प्रक्रिया को समायोजित करने के लिए प्रतिक्रिया के रूप में कार्य करती है। दृष्टिकोणों में पर्यवेक्षित शब्दकोश अधिगम और तंत्रिका नेटवर्क शामिल हैं।
पर्यवेक्षित शब्दकोश अधिगम
शब्दकोश अधिगम इनपुट डेटा से प्रतिनिधि तत्वों का एक सेट, या एक शब्दकोश, विकसित करता है ताकि प्रत्येक डेटा बिंदु को इन तत्वों के भारित योग के रूप में दर्शाया जा सके। शब्दकोश और भार औसत प्रतिनिधित्व त्रुटि को कम करके पाए जाते हैं, अक्सर स्पार्सिटी को प्रोत्साहित करने के लिए L1 नियमितीकरण के साथ। पर्यवेक्षित शब्दकोश अधिगम में, शब्दकोश को अनुकूलित करने के लिए डेटा संरचना और लेबल दोनों का उपयोग किया जाता है। वर्गीकरण के लिए, उद्देश्य फलन में वर्गीकरण त्रुटि, प्रतिनिधित्व त्रुटि, भार पर L1 नियमितीकरण, और वर्गीकरणकर्ता मापदंडों पर L2 नियमितीकरण शामिल होता है।
तंत्रिका नेटवर्क
तंत्रिका नेटवर्क पशु तंत्रिका तंत्र से प्रेरित सीखने के एल्गोरिदम का एक परिवार है, जिसमें परस्पर जुड़े नोड्स (न्यूरॉन्स) और किनारों (सिनैप्स) की परतें होती हैं जिनके साथ संबंधित भार होते हैं। नेटवर्क इनपुट परत से आउटपुट परत तक इनपुट डेटा पास करने के लिए कम्प्यूटेशनल नियमों को परिभाषित करता है। बहुपरत तंत्रिका नेटवर्क छिपी हुई परतों पर प्रतिनिधित्व सीखते हैं, जिनका उपयोग आउटपुट परत पर वर्गीकरण या प्रतिगमन के लिए किया जाता है। एक उल्लेखनीय वास्तुकला सियामी नेटवर्क है, जो भार साझा करके इनपुट की तुलना करना सीखता है।
अनुपर्यवेक्षित फीचर अधिगम
अनुपर्यवेक्षित फीचर अधिगम उच्च-आयामी इनपुट डेटा में संरचना को पकड़ने वाले निम्न-आयामी फीचर खोजता है, बिना लेबल के। इन फीचर का उपयोग फिर अर्ध-पर्यवेक्षित तरीके से पर्यवेक्षित कार्यों को बेहतर बनाने के लिए किया जा सकता है। सामान्य तरीकों में k-मीन्स क्लस्टरिंग और प्रमुख घटक विश्लेषण शामिल हैं।
K-मीन्स क्लस्टरिंग
K-मीन्स क्लस्टरिंग n वैक्टर को k क्लस्टर में समूहित करता है, प्रत्येक वेक्टर निकटतम माध्य वाले क्लस्टर से संबंधित होता है। समस्या NP-कठिन है, लेकिन लालची एल्गोरिदम मौजूद हैं। फीचर अधिगम में, k-मीन्स निकटतम सेंट्रॉइड के लिए बाइनरी संकेतक जोड़कर या सेंट्रॉइड से दूरियों का उपयोग करके फीचर उत्पन्न कर सकता है, संभवतः रेडियल आधार फलन द्वारा रूपांतरित। कोट्स और एनजी के शोध ने पाया कि कुछ k-मीन्स वेरिएंट स्पार्स कोडिंग के समान व्यवहार करते हैं। एक तुलनात्मक मूल्यांकन में, कोट्स, ली और एनजी ने पाया कि उचित परिवर्तन के साथ k-मीन्स ने छवि वर्गीकरण पर ऑटोएनकोडर और प्रतिबंधित बोल्ट्जमैन मशीनों से बेहतर प्रदर्शन किया। K-मीन्स प्राकृतिक भाषा प्रसंस्करण में नामित इकाई पहचान में भी सुधार करता है, ब्राउन क्लस्टरिंग और तंत्रिका शब्द एम्बेडिंग के साथ प्रतिस्पर्धा करता है।
प्रमुख घटक विश्लेषण
प्रमुख घटक विश्लेषण (PCA) एक आयाम कमी तकनीक है जो डेटा मैट्रिक्स के p सबसे बड़े एकवचन मानों के अनुरूप p दाएं एकवचन वैक्टर उत्पन्न करता है। ये वैक्टर एक निम्न-आयामी उप-स्थान को परिभाषित करते हैं जो सबसे अधिक विचरण को पकड़ता है, जो बाद के कार्यों के लिए एक संक्षिप्त प्रतिनिधित्व प्रदान करता है।
स्व-पर्यवेक्षित फीचर अधिगम
स्व-पर्यवेक्षित फीचर अधिगम अलेबल डेटा से इनपुट-लेबल जोड़े बनाता है, जिससे पर्यवेक्षित प्रशिक्षण विधियों को डेटा संरचना सीखने की अनुमति मिलती है। शास्त्रीय उदाहरणों में शब्द एम्बेडिंग और ऑटोएनकोडर शामिल हैं। शब्द एम्बेडिंग, जैसे कि बड़े भाषा मॉडल में उपयोग किए जाने वाले, शब्दों को घने वैक्टर में मैप करते हैं जो अर्थ संबंधी संबंधों को पकड़ते हैं। ऑटोएनकोडर एक अड़चन के माध्यम से अपने इनपुट का पुनर्निर्माण करना सीखते हैं, जो नेटवर्क को कुशल प्रतिनिधित्व सीखने के लिए मजबूर करता है। स्व-पर्यवेक्षित अधिगम को कन्वोल्यूशनल तंत्रिका नेटवर्क और ट्रांसफॉर्मर जैसी गहरी वास्तुकलाओं का उपयोग करके कई मोडैलिटी पर लागू किया गया है।
अनुप्रयोग और प्रभाव
प्रतिनिधित्व अधिगम आधुनिक Deep learning और Generative AI की नींव है। यह प्रणालियों को कच्चे डेटा से सीधे फीचर सीखने में सक्षम बनाता है, जिससे मैनुअल फीचर इंजीनियरिंग की आवश्यकता कम हो जाती है। इसने कंप्यूटर विज़न, प्राकृतिक भाषा प्रसंस्करण और वाक् पहचान में सफलताएं प्राप्त की हैं। Artificial intelligence में, प्रतिनिधित्व अधिगम कई अत्याधुनिक मॉडलों को रेखांकित करता है, जिनमें OpenAI, Google DeepMind, और Anthropic जैसे संगठनों द्वारा विकसित मॉडल शामिल हैं। उपयोगी प्रतिनिधित्व स्वचालित रूप से सीखने की क्षमता तंत्रिका नेटवर्क की सफलता में एक प्रमुख कारक है और स्वास्थ्य देखभाल से लेकर स्वायत्त ड्राइविंग तक के क्षेत्रों में प्रगति को बढ़ावा दिया है।
चुनौतियां और भविष्य की दिशाएं
अपनी सफलताओं के बावजूद, प्रतिनिधित्व अधिगम को व्याख्यात्मकता, डेटा दक्षता और सामान्यीकरण जैसी चुनौतियों का सामना करना पड़ता है। सीखे गए प्रतिनिधित्व अक्सर व्याख्या करना कठिन होते हैं, और मॉडल को बड़ी मात्रा में डेटा की आवश्यकता हो सकती है। शोधकर्ता प्रतिनिधित्व को अधिक मजबूत और कार्यों में स्थानांतरणीय बनाने के तरीकों की खोज कर रहे हैं। 2020 के दशक की शुरुआत तक, स्व-पर्यवेक्षित अधिगम और बहु-मोडल अधिगम अनुसंधान के सक्रिय क्षेत्र हैं, जिनमें लेबल किए गए डेटा पर निर्भरता को और कम करने और विविध कार्यों पर प्रदर्शन में सुधार करने की क्षमता है।