স্বচ্ছতা স্থাপত্যের অংশ হিসেবে
সাধারণ নিউরাল নেটওয়ার্ক ভালোভাবে প্যাটার্ন খুঁজে পায়, কিন্তু সেগুলো ব্যাখ্যা করতে পারে শুধুমাত্র পূর্ববর্তীভাবে। বেশিরভাগ ক্ষেত্রে এর জন্য বাইরের ইন্টারপ্রেটার বা সরলীকৃত সারোগেট মডেল যুক্ত করা হয়, আর এমন ব্যাখ্যা আসলে ভেতরে যা ঘটছে তার কেবল একটি আনুমানিক ধারণা মাত্র। BIRDNet মডেল এই আপস থেকে বেরিয়ে আসার চেষ্টা করে: এটি নিয়মগুলোকে স্থাপত্যের অংশ করে তোলে এবং সেগুলো সরাসরি নেটওয়ার্ক থেকে পড়ে।
এই ধরনের নেটওয়ার্কের প্রতিটি লুকানো ব্লক একটি বিমূর্ত 'নিউরন' নয়, বরং একটি বুলিয়ান নিয়মের সংক্ষিপ্ত উপস্থাপনা: 'যদি বৈশিষ্ট্য A থাকে, তাহলে বৈশিষ্ট্য B আশা করা যায়'। প্রশিক্ষণের পরে আলাদা ব্যাখ্যাকারী মডেলের প্রয়োজন হয় না: সংযোগ এবং ওজন ইতিমধ্যেই প্রতীকী অর্থ বহন করে।
কীভাবে টেবিল থেকে নিয়ম তৈরি হয়
টেবিল থেকে প্রতীকী নিয়ম বের করা শুরু করে BIRDNet বাইরের জ্ঞানভান্ডার ছাড়াই। সমৃদ্ধ সঞ্চিত জ্ঞানসমৃদ্ধ বিষয়领域的 ডেটাতে — যেমন বায়োমেডিকাল টেবিল — বৈশিষ্ট্যের জোড়ার মধ্যে প্রায়ই বুলিয়ান ইমপ্লিকেশন লুকানো থাকে। এই ধরনের সম্পর্ক খোঁজা হয় পরিসংখ্যানগতভাবে, দ্বিপদী পরীক্ষার মাধ্যমে, যেখানে বিরল ব্যতিক্রম নিয়মটি ভাঙে না, বরং গ্রহণযোগ্য বিচ্যুতি হিসেবে গণ্য হয়।
যখন বৈশিষ্ট্যের জোড়া পাওয়া যায়, তখন সেগুলো থেকে একটি টাইপকৃত ইমপ্লিকেশন গ্রাফ তৈরি হয়। গ্রাফটি নিজেই পরে নিউরাল নেটওয়ার্কের স্তরে রূপান্তরিত হয়:
- প্রতিটি লুকানো ব্লক একটি নিষ্কাশিত নিয়মের সাথে মিলে যায়;
- ব্লকটি শুধুমাত্র তার নিজস্ব দুটি বৈশিষ্ট্যের সাথে সংযুক্ত থাকে;
- ইমপ্লিকেশন স্তরে সক্রিয় ওজনের অনুপাত
2/d-এর বেশি হয় না, যেখানেdহল ইনপুটের মাত্রা।
এই ধরনের বিরলতা নেটওয়ার্ককে হালকা করে তোলে এবং একই সাথে স্থাপত্য ও প্রতীকী নিয়মের মধ্যে সরাসরি সংযোগ বজায় রাখে।
পরীক্ষা: নির্ভুলতা প্রায় ক্ষতিগ্রস্ত হয় না
স্বচ্ছতার জন্য ভবিষ্যদ্বাণীর মানের দিক থেকে মূল্য দিতে হচ্ছে কিনা তা যাচাই করতে, BIRDNet ছয়টি ট্রান্সক্রিপ্টোমিক এবং প্রোটিওমিক বেঞ্চমার্কে চালানো হয়েছিল। ঘন বেসলাইন মডেলের সাথে তুলনা দুটি গুরুত্বপূর্ণ সংখ্যা দিয়েছে:
- AUROC-তে শক্তিশালী ঘন সমাধান থেকে পিছিয়ে থাকার পরিমাণ 0,02-এর বেশি নয়;
- একই সাথে, BIRDNet স্থাপত্যগতভাবে তুলনীয় ঘন MLP-এর তুলনায় 95 গুণ পর্যন্ত কম সক্রিয় প্যারামিটার ব্যবহার করে।
অন্য কথায়, মডেলটি নির্ভুলতায় প্রায় কম যায় না, কিন্তু বহুগুণ কম প্যারামিটার দিয়ে কাজ করে। অনুশীলনে এর অর্থ একটি আরও স্থিতিশীল এবং সাশ্রয়ী স্থাপত্য, যা মোতায়েন ও বিশ্লেষণ করা সহজ।
নিয়মের মূল্য অর্থে, শুধু মেট্রিকে নয়
এই পদ্ধতির একটি অস্পষ্ট সূক্ষ্মতা আছে। নিয়ন্ত্রণ পরীক্ষায়, যেখানে বৈশিষ্ট্যের জোড়া এলোমেলো করা হয়েছিল বা এলোমেলো দিয়ে প্রতিস্থাপিত হয়েছিল, নির্ভুলতা কমেনি: এলোমেলো সংযোগগুলো মূল সংযোগের সাথে তুলনীয় ছিল বা AUROC-তে এমনকি সেগুলোকে ছাড়িয়ে গিয়েছিল। অর্থাৎ, নিষ্কাশিত জোড়াগুলো নিজেরাই মডেলকে ভবিষ্যদ্বাণীতে কোনো সুবিধা দেয় না। তাদের মূল্য অন্য জায়গায়।
অর্থপূর্ণ ইমপ্লিকেশনগুলো প্রতীকী ব্যাখ্যা ধরে রাখে। BIRDNet-এর প্রথম স্তরের নিয়মগুলো কয়েকটি ক্যান্সার সাবটাইপ এবং টিস্যুর ধরণের জন্য পরিচিত জৈবিক সিগনেচারের সাথে সামঞ্জস্যপূর্ণ। অন্যদিকে এলোমেলো জোড়া তুলনামূলক নির্ভুলতায় কোনো অর্থ বহন করে না।
তাই BIRDNet কেবল লক্ষ্য ভেরিয়েবলকে একটু ভালোভাবে ভবিষ্যদ্বাণী করার আরেকটি উপায় নয়। এটি একটি উদাহরণ যে কীভাবে একটি নিউরাল নেটওয়ার্ককে একই সাথে ভবিষ্যদ্বাণীমূলক মডেল এবং যাচাইযোগ্য হাইপোথিসিসের উৎস হিসেবে ব্যবহার করা যায়। কাজটি arXiv-এ প্রকাশিত হয়েছে এবং CIKM 2026-এ গৃহীত হয়েছে — এটি একটি আত্মবিশ্বাসী সংকেত যে ব্যাখ্যাযোগ্য নিউরোসিম্বলিক স্থাপত্যের বিষয়টি কেবল গতি পাচ্ছে।
