Macro Micro News Global Pulse. Local Truth.

جزوی لیبلنگ میں ساختی ہم آہنگی سے مصنوعی ذہانت کی درستگی میں اضافہ

17 November 2026 · 1 min read

We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.

Article image by Alina Grubnyak
Image by Alina Grubnyak

مصنوعی ذہانت کے میدان میں ایک مستقل رکاوٹ موجود ہے۔ کامل طور پر لیبل شدہ ڈیٹا ملنا نایاب اور مہنگا ہے۔ محققین نے اس کا حل جزوی لیبلنگ لرننگ (Partial-Label Learning) میں تلاش کیا ہے۔ یہ طریقہ ماڈلز کو مبصر سرپرستی سے سیکھنے کی اجازت دیتا ہے۔ ہر مثال کے ساتھ لیبلز کا ایک سیٹ منسلک ہوتا ہے۔ ان میں سے صرف ایک لیبل درست ہوتا ہے۔ چیلنج یہ ہے کہ بہت سے امکانات میں سے صحیح حقیقت کو پہچانا جائے۔

حالیہ طریقوں نے مقامی تمیز کرنے والے اہداف پر توجہ دی ہے۔ یہ طریقے چھوٹے گروپوں کے اندر نمائندگی کی معیار کو بہتر بناتے ہیں۔ تاہم یہ اکثر ڈیٹا اسپیس کی عالمی ساخت کو نظر انداز کرتے ہیں۔ اس غفلت کی وجہ سے کلاسز کے درمیان نمائندگی بہت زیادہ پھیل جاتی ہے۔ ایسی بکھراؤ ماڈل کی عمومی صلاحیت اور مضبوطی کو کمزور کر سکتی ہے۔ سوال یہ ہے کہ ضروری معلومات کو برقرار رکھتے ہوئے قریبی گروپ بندی کیسے قائم کی جائے۔

RDAP نامی نیا فریم ورک اس خاص خلا کو پر کرنے کی کوشش کرتا ہے۔ RDAP کا مطلب ہے Representation Difference Alignment for Partial-Label Learning۔ یہ ٹول ساختی آگاہی والا ریگولرائزیشن متعارف کراتا ہے۔ یہ کلاسز کے درمیان فرق کی نسبتی بکھراؤ کو صراحتاً کنٹرول کرتا ہے۔ سسٹم زمینی سچائی کے لیبلز کے بجائے پیش گوئی شدہ لیبل تقسیم کا استعمال کرتا ہے۔ اس سے تربیت کے دوران کامل اینوٹیشنز کی ضرورت ختم ہو جاتی ہے۔

RDAP کولبک لیبلر ڈائیورجنس پر مبنی وزن کاری کی حکمت عملی اپناتا ہے۔ یہ لیبل کی عدم یقینی حالات میں موڑ رہنمائی فراہم کرتا ہے۔ اسٹوکاسٹک ریپریزنٹیشن ماسکنگ مزید کمپیوٹیشنل لاگت میں کمی لاتا ہے۔ یہ طریقہ ریپریزنٹیشن ڈائمینشنز کے مختلف ذیلی سیٹوں کا جائزہ لیتا ہے۔ اس سے کارکردگی میں اضافہ ہوتا ہے جبکہ اونچی درستگی کی سطح برقرار رہتی ہے۔ یہ نقطہ نظر درستگی اور رفتار کے درمیان توازن تلاش کرنے جیسا محسوس ہوتا ہے۔

وسیع پیمانے پر تجربات اس فریم ورک کی تاثیر کی تصدیق کرتے ہیں۔ ٹیسٹ میں CIFAR-10 اور CIFAR-100 سمیت متنوع ڈیٹاسٹ شامل تھے۔ Lost اور MSRCv2 جیسے حقیقی دنیا کے بینچ مارکس بھی شامل کیے گئے۔ نتائج مختلف پروٹوکولز پر مستقل بہتری دکھاتے ہیں۔ ان میں یکساں بے ترتیب الٹاؤ اور مثال پر منحصر الٹاؤ کے سیناریوز شامل ہیں۔

موجودہ پائپ لائنز میں انضمام کے لیے کسی تعمیراتی تبدیلی کی ضرورت نہیں۔ RDAP PRODEN PaPi اور PoP جیسے ٹولز کے ساتھ بغیر کسی رکاوٹ کے کام کرتا ہے۔ CIFAR-10 پر مثال پر منحصر لیبلز کے ساتھ PaPi طریقے میں تقریباً چھ فیصد پوائنٹس کی درستگی میں اضافہ دیکھا گیا۔ ابلیشن اسٹڈیز کی تصدیق کرتی ہیں کہ KL ڈائیورجنس وزن کاری سادہ جھوٹے لیبل حکمت عملیوں سے بہتر ہے۔ یہ بات خاص طور پر مشکل صورتحال میں درست ثابت ہوتی ہے جہاں پیش گوئی کا اعتماد مختلف ہوتا ہے۔

فی ایپوک تربیت کا وقت معتدل حد تک بڑھتا ہے۔ اس معاوضے کے بدلے نمائندگی کے معیار میں قابل ذکر بہتری حاصل ہوتی ہے۔ یہ ہلکا پھلکا پلگ اینڈ پلے حل لچک فراہم کرتا ہے۔ یہ ڈیپ لرننگ سسٹمز کو حقیقی دنیا کی ڈیٹا کی خامیوں کو مؤثر طریقے سے ہینڈل کرنے میں مدد دیتا ہے۔ مستقبل کی تحقیق کا مرکز ممکنہ طور پر وسیع پیمانے کی ایپلی کیشنز کے لیے جوڑی دار ریگولرائزیشن کو بہتر بنانے پر مرکوز ہوگا۔ آگے کا راستہ زیادہ مضبوط AI سسٹمز کی طرف اشارہ کرتا ہے جو پیچیدہ لیبلنگ کے منظرناموں کا احاطہ کر سکیں۔