تعلم المقاييس المتبقية باتساق خاص بكل فئة: مقاربة جديدة للتصنيف متعدد الفئات

يحظى انحدار المربعات الصغرى بانتشار واسع في التعرف على الأنماط لما يتميز به من صيغة موجزة وسهولة في الحل، وقد بنيت عليه طرق كثيرة لتصنيف البيانات في مجالات شتى من الرؤية الحاسوبية إلى التشخيص الطبي

غير أن الاستكشاف غير الكافي لهامش الفصل بين الفئات وللتشابه داخل الفئة الواحدة يحد من القدرة التمييزية لهذه الطرق، إذ قد تتقارب فئات مختلفة في فضاء الإسقاط فتتداخل حدودها، ومن هذا القصور تنطلق الدراسة مقترحة طريقة جديدة تجمع بين تعلم المقاييس للمتبقيات وفرض اتساق خاص بكل فئة، بما يطوع بنية البيانات ومعلوماتها المشرفة لخدمة التصنيف متعدد الفئات

وتتفرع عن هذه المشكلة تطبيقات كثيرة في الحياة العملية، فالمصنف الذي يفصل بين الفئات بهوامش واسعة ويحافظ على تماسك كل فئة يكون أقدر على التعامل مع البيانات الجديدة التي لم يرها أثناء التدريب، وتلك هي الغاية القصوى من أي نموذج تعلم آلي، أن يعمم أداؤه من عينة التدريب المحدودة إلى الواقع الأوسع الذي سيعمل فيه

أولًا: أهداف الدراسة ومنهجيتها

قدمت الدراسة طريقة تعلم المقاييس المتبقية باتساق خاص بكل فئة، وتقوم فكرتها على تعلم مشترك لمصفوفة إسقاط ومصفوفة قياس لمتبقيات الانحدار داخل إطار مدمج واحد، بحيث يجعل هذا التعلم المشترك هامش الفصل بين الفئات للمثيلات المسقطة كبيرًا قدر الإمكان داخل فضاء القياس المتعلم، فتنفصل مثيلات الفئات المختلفة بعضها عن بعض، ولتحسين التعميم إلى بيانات جديدة ضمن الباحثون في إطار التعلم المشترك قيدًا للاتساق الخاص بكل فئة يحفز التشابه داخل الفئة الواحدة، واقترحوا لحل النموذج خوارزمية تحسين بالتناوب تضمن تقاربًا ضعيفًا، يتناوب فيها تحديث مصفوفة الإسقاط ومصفوفة القياس تفاعليًا حتى يستقر الحل، وتقوم فكرة المتبقيات في هذا السياق على قياس انحراف تنبؤات الانحدار عن الهدف الصحيح لكل مثيل، فبدل الاكتفاء بتصغير هذه المتبقيات رقميًا تعيد الطريقة المقترحة تشكيل فضاء القياس الذي تقرأ فيه، بحيث تصبح متبقيات الفئة الواحدة متقاربة ومتبقيات الفئات المختلفة متباعدة بصورة منهجية

ثانيًا: أبرز النتائج

1، أتاحت آلية التعلم المشترك بين مصفوفة الإسقاط ومصفوفة القياس لمتبقيات الانحدار استغلالًا أكمل لبنية البيانات ومعلوماتها المشرفة مقارنة بتعلم أي منهما منفردًا

2، أدى تعظيم هامش الفصل بين الفئات في فضاء القياس المتعلم إلى فصل أوضح لمثيلات الفئات المختلفة، بينما حفز قيد الاتساق الخاص بكل فئة تقارب مثيلات الفئة الواحدة وتماسكها

3، ضمنت خوارزمية التحسين بالتناوب المقترحة تقاربًا ضعيفًا لحل النموذج، بما يمنح الطريقة أساسًا نظريًا مستقرًا عند التطبيق العملي

4، أثبتت تجارب موسعة على عدة مجموعات بيانات معيارية صلاحية الطريقة المقترحة، وأظهرت إمكاناتها في التفوق على طرق منافسة في مهام التصنيف متعدد الفئات

5، أكدت المقارنات التجريبية أن الجمع بين تعظيم الهامش وقيد الاتساق داخل إطار واحد يمنح المصنف توازنًا بين الفصل والتماسك لا يتحقق بالاكتفاء بأحد الهدفين منفردًا

ثالثًا: دلالات الدراسة وتطبيقاتها

تبرز دلالة هذه الدراسة في تقديمها وصفة عملية لمعالجة ضعفين مزمنين في طرق الانحدار التصنيفية، وهما إهمال هامش الفصل بين الفئات وإهمال تماسك الفئة الواحدة، وذلك بإدماج القياس والاتساق في تعلم المتبقيات ذاتها، وهي فكرة قابلة للنقل إلى تطبيقات واسعة كتصنيف الصور والنصوص والإشارات الحيوية، وتفيد الباحثين العرب وطلاب الدراسات العليا في علوم الحاسب والذكاء الاصطناعي بأن الجمع بين أهداف هندسية متكاملة داخل إطار واحد، مع إثبات تقارب خوارزمية الحل، يمثل مسارًا واعدًا لبناء مصنفات أكثر تمييزًا وتعميمًا من الطرق التقليدية، ويبقى تقويم كلفة الطريقة حسابيًا وقابليتها للتوسع مع البيانات الضخمة مطلبًا بحثيًا موازيًا لأدائها التصنيفي، إذ لا يكفي أن يتفوق المصنف في الدقة إذا تعذر تشغيله بكفاءة في بيئات البيانات الكبيرة سريعة التدفق

وخلاصة القول إن تعلم المقاييس المتبقية باتساق خاص بكل فئة يقدم إطارًا مدمجًا يوسع هوامش الفصل بين الفئات ويحفز التشابه داخلها في آن واحد، وقد دعمته تجارب على بيانات معيارية متعددة، ليضيف بذلك أداة فعالة إلى أدوات التصنيف متعدد الفئات