एक स्व-संगठित मानचित्र (SOM), जिसे स्व-संगठित विशेषता मानचित्र (SOFM) या कोहोनेन मानचित्र के रूप में भी जाना जाता है, एक अप्रशिक्षित मशीन लर्निंग तकनीक है जिसका उपयोग उच्च-आयामी डेटा सेट के निम्न-आयामी (आमतौर पर द्वि-आयामी) प्रतिनिधित्व का उत्पादन करने के लिए किया जाता है, साथ ही डेटा की टोपोलॉजिकल संरचना को संरक्षित किया जाता है। उदाहरण के लिए, n अवलोकनों में मापे गए p चर वाले डेटा सेट को समान मान वाले अवलोकनों के समूहों के रूप में दर्शाया जा सकता है, जिन्हें फिर एक द्वि-आयामी मानचित्र के रूप में देखा जाता है जहाँ निकटवर्ती समूहों में दूर के समूहों की तुलना में अधिक समान मान होते हैं। यह उच्च-आयामी डेटा का विश्लेषण और विज़ुअलाइज़ेशन आसान बनाता है।
SOM एक प्रकार का कृत्रिम तंत्रिका नेटवर्क है, लेकिन इसे त्रुटि-सुधार सीखने जैसे कि ग्रेडिएंट डिसेंट के साथ बैकप्रोपेगेशन के बजाय प्रतिस्पर्धी सीखने का उपयोग करके प्रशिक्षित किया जाता है। इसे 1980 के दशक में फिनिश प्रोफेसर ट्यूवो कोहोनेन द्वारा पेश किया गया था, जो 1970 के दशक के तंत्रिका तंत्र के जैविक मॉडल और 1950 के दशक में एलन ट्यूरिंग के मॉर्फोजेनेसिस मॉडल पर आधारित था। SOM आंतरिक प्रतिनिधित्व बनाते हैं जो कॉर्टिकल होमुनकुलस की याद दिलाते हैं, जो संवेदी प्रसंस्करण के लिए समर्पित मस्तिष्क क्षेत्रों पर आधारित मानव शरीर का एक विकृत तंत्रिका संबंधी मानचित्र है।
प्रशिक्षण और मैपिंग
SOM दो मोड में काम करते हैं: प्रशिक्षण और मैपिंग। प्रशिक्षण एक इनपुट डेटा सेट (इनपुट स्पेस) का उपयोग करके निम्न-आयामी प्रतिनिधित्व (मानचित्र स्थान) उत्पन्न करता है। मैपिंग फिर उत्पन्न मानचित्र का उपयोग करके अतिरिक्त इनपुट डेटा को वर्गीकृत करता है। प्रशिक्षण का लक्ष्य p आयामों वाले इनपुट स्पेस को n आयामों वाले मानचित्र स्थान के रूप में प्रस्तुत करना है, जहाँ p > n। मानचित्र स्थान में नोड या न्यूरॉन होते हैं जो हेक्सागोनल या आयताकार ग्रिड में व्यवस्थित होते हैं, आमतौर पर द्वि-आयामी। नोड्स की संख्या और व्यवस्था विश्लेषण लक्ष्यों के आधार पर पहले से निर्दिष्ट की जाती है।
प्रत्येक नोड एक भार वेक्टर से जुड़ा होता है जो इनपुट स्पेस में उसकी स्थिति का प्रतिनिधित्व करता है। जबकि मानचित्र स्थान में नोड स्थिर रहते हैं, प्रशिक्षण भार वैक्टर को इनपुट डेटा की ओर ले जाता है, यूक्लिडियन दूरी जैसे दूरी मीट्रिक को कम करके, बिना मानचित्र स्थान से प्रेरित टोपोलॉजी को खराब किए। प्रशिक्षण के बाद, मानचित्र इनपुट वेक्टर के सबसे निकटतम भार वेक्टर वाले नोड को ढूंढकर अतिरिक्त अवलोकनों को वर्गीकृत करता है।
सीखने का एल्गोरिदम
सीखने का लक्ष्य नेटवर्क के विभिन्न हिस्सों को कुछ इनपुट पैटर्न के प्रति समान रूप से प्रतिक्रिया देना है, आंशिक रूप से इस बात से प्रेरित है कि संवेदी जानकारी को मस्तिष्क प्रांतस्था के अलग-अलग हिस्सों में कैसे संभाला जाता है। न्यूरॉन भार या तो छोटे यादृच्छिक मानों के साथ या दो सबसे बड़े प्रमुख घटक eigenvectors द्वारा फैले सबस्पेस से समान रूप से नमूना लेकर प्रारंभ किए जाते हैं। बाद वाला विकल्प सीखने को गति देता है क्योंकि प्रारंभिक भार पहले से ही अंतिम SOM भार के करीब होते हैं।
नेटवर्क को कई उदाहरण वैक्टर खिलाए जाते हैं जो अपेक्षित इनपुट का प्रतिनिधित्व करते हैं, आमतौर पर पुनरावृत्तियों के रूप में कई बार प्रशासित किए जाते हैं। प्रशिक्षण प्रतिस्पर्धी सीखने का उपयोग करता है: जब एक प्रशिक्षण उदाहरण खिलाया जाता है, तो सभी भार वैक्टर से इसकी यूक्लिडियन दूरी की गणना की जाती है, और सबसे समान भार वेक्टर वाला न्यूरॉन सर्वश्रेष्ठ मिलान इकाई (BMU) होता है। BMU और SOM ग्रिड में आस-पास के न्यूरॉन अपने भार को इनपुट वेक्टर की ओर समायोजित करते हैं, परिवर्तन का परिमाण समय और BMU से ग्रिड-दूरी के साथ घटता जाता है।
भार वेक्टर Wv(s) वाले न्यूरॉन v के लिए अद्यतन सूत्र Wv(s+1) = Wv(s) + θ(u,v,s) · α(s) · (D(t) - Wv(s)) है, जहाँ s चरण सूचकांक है, t प्रशिक्षण नमूने में एक सूचकांक है, u इनपुट वेक्टर D(t) के लिए BMU सूचकांक है, α(s) एक नीरस रूप से घटता सीखने का गुणांक है, और θ(u,v,s) पड़ोस फ़ंक्शन है जो चरण s पर न्यूरॉन u और v के बीच की दूरी देता है। प्रशिक्षण नमूना व्यवस्थित रूप से स्कैन किया जा सकता है, बूटस्ट्रैप सैंपलिंग के माध्यम से यादृच्छिक रूप से खींचा जा सकता है, या जैकनाइफिंग जैसी अन्य विधियों का उपयोग कर सकता है।
पड़ोस फ़ंक्शन BMU और न्यूरॉन v के बीच ग्रिड-दूरी पर निर्भर करता है। सरलतम रूप में, यह BMU के काफी करीब न्यूरॉन्स के लिए 1 और दूसरों के लिए 0 है, लेकिन गाऊसी और मैक्सिकन-हैट फ़ंक्शन सामान्य हैं। पड़ोस समय के साथ सिकुड़ता है: व्यापक पड़ोस वैश्विक स्व-संगठन को सक्षम करते हैं, जबकि संकीर्ण पड़ोस भार को स्थानीय अनुमानों में परिवर्तित करने की अनुमति देते हैं। सीखने का गुणांक और पड़ोस फ़ंक्शन हर T चरणों में लगातार या चरण-वार तरीके से घटते हैं।
अनुप्रयोग और महत्व
SOM का उपयोग डेटा विश्लेषण, पैटर्न पहचान और बायोइन्फॉरमैटिक्स जैसे क्षेत्रों में विज़ुअलाइज़ेशन, क्लस्टरिंग और आयामीता में कमी के लिए किया जाता है। वे टोपोलॉजिकल संबंधों को संरक्षित करने में उत्कृष्ट हैं, जिससे वे खोजपूर्ण डेटा विश्लेषण के लिए उपयोगी हैं जहाँ संरचना को समझना महत्वपूर्ण है। पर्यवेक्षित विधियों के विपरीत, SOM को लेबल किए गए डेटा की आवश्यकता नहीं होती है, जिससे वे अप्रशिक्षित सीखने परिदृश्यों में मूल्यवान हैं।
SOM को विविध डोमेन में लागू किया गया है, भाषण पहचान और छवि विश्लेषण से लेकर वित्तीय डेटा माइनिंग और चिकित्सा निदान तक। जटिल डेटा के सहज मानचित्र बनाने की उनकी क्षमता ने उन्हें डेटा विज़ुअलाइज़ेशन टूल में एक प्रमुख बना दिया है। यह तकनीक आधुनिक एआई अनुसंधान में प्रासंगिक बनी हुई है, जिसे अक्सर गहन सीखने मॉडल जैसे अधिक जटिल आर्किटेक्चर की तुलना के लिए आधार रेखा के रूप में उपयोग किया जाता है।
अन्य तंत्रिका नेटवर्क से संबंध
SOM बैकप्रोपेगेशन के साथ प्रशिक्षित फीडफॉरवर्ड नेटवर्क से मौलिक रूप से भिन्न हैं, जैसे कि ट्रांसफॉर्मर जो बड़े भाषा मॉडल में उपयोग किए जाते हैं। जबकि SOM प्रतिस्पर्धी सीखने का उपयोग करते हैं और टोपोलॉजी को संरक्षित करते हैं, ट्रांसफॉर्मर त्रुटि-सुधार और ध्यान तंत्र पर निर्भर करते हैं। SOM अवशिष्ट नेटवर्क और यू-नेट से भी अलग हैं, जो पर्यवेक्षित हैं और ग्रेडिएंट-आधारित अनुकूलन का उपयोग करते हैं। हालाँकि, SOM वितरित प्रसंस्करण और अनुकूली भार के तंत्रिका नेटवर्क प्रतिमान को साझा करते हैं, और उन्हें प्रीप्रोसेसिंग या फीचर निष्कर्षण के लिए बड़ी प्रणालियों में एकीकृत किया जा सकता है।
सीमाएँ और विस्तार
SOM की सीमाएँ हैं, जिनमें प्रारंभिककरण और पैरामीटर विकल्पों के प्रति संवेदनशीलता शामिल है, और वे अत्यधिक उच्च-आयामी डेटा के लिए अच्छी तरह से स्केल नहीं कर सकते हैं। बढ़ते SOM और पदानुक्रमित SOM जैसे वेरिएंट मानचित्र आकार को गतिशील रूप से समायोजित करके कुछ मुद्दों का समाधान करते हैं। इन चुनौतियों के बावजूद, SOM अप्रशिक्षित सीखने में एक मौलिक उपकरण बना हुआ है, जिसमें चल रहे शोध आधुनिक तकनीकों के साथ हाइब्रिड मॉडल में उनके उपयोग की खोज कर रहे हैं।