भौतिकी-सूचित AI सुरक्षा प्रणालियों में रियल-टाइम जोखिम मूल्यांकन को कैसे बदल रहा है

सुरक्षा-निर्णायक सेंसिंग और निर्णय-सहायता प्रणालियों की उच्च-जोखिम वाली दुनिया में, रियल-टाइम में जोखिम का सटीक मूल्यांकन करना अत्यंत महत्वपूर्ण है। आधुनिक रिमोट-सेंसिंग पाइपलाइन रेडार मापों, वितरित ट्रैकिंग और सहायक संकेतों को एकीकृत करती हैं। इनमें स्थानीयकरण त्रुटियां, असिंक्रोनस फ्यूजन, क्लटर और लैटेंसी-संवेदनशील निर्णय विंडोज़ जैसे बड़े चुनौतियां होती हैं। TA-DE-ELM नामक नया ढांचा इन जटिलताओं को हल करता है। यह विशेषज्ञ-नियम-आधारित सिंथेटिक डेटा जनरेशन को एक टू-स्टेज एडाप्टिव डिफरेंशियल इवोल्यूशन एल्गोरिदम के साथ जोड़ता है। यह एल्गोरिदम एक्सट्रीम लर्निंग मेशींस (ELM) के लिए अनुकूलित है। यह दृष्टिकोण क्रमित जोखिम मूल्यांकन के लिए एक पुनरुत्पादक और पारदर्शी विधि प्रदान करता है। यह पारंपरिक मॉडल-चालित तरीकों और मानक डेटा-चालित मॉडलों से बेहतर प्रदर्शन करता है।

पारंपरिक जोखिम मूल्यांकन अक्सर एंट्रापी वेटिंग या फजी-रूल सिस्टम जैसे विशेषज्ञ-ज्ञान मॉडलों पर निर्भर करता है। ये विधियां व्याख्या योग्य होती हैं। लेकिन वे गैर-रेखीय मल्टी-सोर्स पैटर्न के साथ संघर्ष करती हैं। ये विधियां सब्जेक्टिव वेटिंग डिज़ाइन के प्रति संवेदनशील भी होती हैं। दूसरी ओर, पूरी तरह से डेटा-चालित दृष्टिकोण पारदर्शी नहीं होते हैं। जब विश्वसनीय लेबल वाले डेटा की कमी होती है तो ये अक्सर विफल हो जाते हैं। TA-DE-ELM ढांचा इस अंतर को पाटता है। यह एक नियंत्रित सिंथेटिक बेंचमार्क का उपयोग करता है। इसमें जोखिम स्कोर स्पष्ट और ऑडिट करने योग्य विशेषज्ञ नियमों से उत्पन्न होते हैं। इनमें सीखे गए कारण-परिणाम संबंध शामिल नहीं होते। यह सुनिश्चित करता है कि जोखिम प्राथमिकता की मूल तर्कसंगतता स्पष्ट और स्थिर रहे। यहाँ तक कि प्रशिक्षण डेटा सीमित होने पर भी।

मुख्य नवाचार अनुकूलन तंत्र में निहित है। मानक डिफरेंशियल इवोल्यूशन ELM इनपुट पैरामीटर को अनुकूलित करते समय समय से पहले अभिसरण कर सकता है। TA-DE इस समस्या को हल करने के लिए खोज प्रक्रिया को दो चरणों में बांटता है। पहले चरण में क्लासिकल DE/rand/1 म्यूटेशन का उपयोग करके व्यापक खोज स्थान को कवर किया जाता है। इसके बाद एक परिष्करण चरण आता है। इसमें करंट-टू-बेस्ट स्टाइल म्यूटेशन और एलीट लोकल सर्च लागू किए जाते हैं। इसके अतिरिक्त, स्टैग्नेशन-ट्रिगर रिस्टार्ट तंत्र यदि प्रगति रुक जाती है तो आबादी के हिस्से को फिर से शुरू कर देता है। यह विविधता सुनिश्चित करता है और समय से पहले अभिसरण को रोकता है। यह संरचित दृष्टिकोण मॉडल को विषम अवलोकनों और छह भिन्न क्रमित जोखिम स्तरों के बीच जटिल, गैर-रेखीय मैपिंग को कुशलता से सीखने की अनुमति देता है।

प्रयोगात्मक परिणाम दिखाते हैं कि TA-DE-ELM आधारभूत ELM वैरिएंट्स की तुलना में काफी बेहतर प्रदर्शन करता है। PSO-ELM, DE-ELM और GA-ELM सहित सभी बेसलाइन्स में। यह एक समान सीमित कंप्यूटेशनल बजट के तहत किया गया। इसे 0.9404 की सटीकता और 0.9396 का मैक्रो-F1 स्कोर प्राप्त हुआ। इसने सैद्धांतिक ऑराक्ल शीर्ष तक के अंतर को लगभग 29% कम कर दिया। इसके अलावा, इसने RF-GRA और एंट्रापी-GRA जैसे पारंपरिक स्कोरिंग संदर्भों को दोनों भेदभाव और जोखिम-क्रम सुसंगतता में पीछे छोड़ दिया। ढांचे ने फीचर क्षय के प्रति मजबूती भी दिखाई। अन्य अनुकूलकों की तुलना में लगातार शोर के तहत प्रदर्शन में धीमी गिरावट आई। अबलेशन अध्ययनों के माध्यम से परिष्करण और रिस्टार्ट तंत्र के योगदान को अलग करके, शोध ने पुष्टि की कि ये विशिष्ट सुधार श्रेणीबद्ध प्रदर्शन प्राप्त करने के लिए महत्वपूर्ण हैं। इसमें इनफरेंस लैटेंसी बढ़ाए बिना ही यह हासिल होता है। यह कार्य एक महत्वपूर्ण उपकरण प्रदान करता है। यह उन वातावरणों में प्रारंभिक मॉडल स्क्रीनिंग और विधियातमक तुलना के लिए उपयोगी है जहां वास्तविक दुनिया के लेबल प्राप्त करना कठिन होता है। यह अधिक प्रतिरोधी और पारदर्शी स्वचालित निर्णय-सहायता प्रणालियों की ओर ले जाता है।