اختيار السمات متعدد الأهداف عالي الأبعاد: إطار البحث كورال القائم على ذاكرة الرتب

يهدف اختيار السمات عالي الأبعاد إلى تحديد مجموعات فرعية مدمجة ومميزة من السمات من فضاءات سمات ضخمة، وتظل هذه المهمة صعبة في سياق اختيار السمات متعدد الأهداف لأن فضاء البحث ينمو أسيًا مع زيادة الأبعاد، ولأن العوامل التطورية الثنائية التقليدية قد تولد اضطرابات غير فعالة في الفضاءات عالية الأبعاد المتناثرة، فكلما اتسع فضاء البحث ازدادت كلفة استكشافه وازداد خطر الانحراف عن المجموعات الفرعية المثلى التي توازن بين دقة التصنيف وحجم المجموعة المختارة

وتحظى هذه المشكلة باهتمام الباحثين وطلاب الدراسات العليا في التعلم الآلي واستخراج البيانات، لأن اختيار سمات فعالًا يختصر زمن التدريب ويحسن قابلية تفسير النماذج ويقلل التكلفة الحسابية في تطبيقات حساسة مثل التشخيص الطبي وتحليل النصوص والبيانات الحيوية، ومن هنا تبرز الحاجة إلى أطر بحث جديدة تستثمر معلومات الحلول النخبوية السابقة بدل البحث الأعمى في فضاءات هائلة

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى معالجة صعوبات اختيار السمات متعدد الأهداف في الفضاءات عالية الأبعاد عبر اقتراح كورال وهو إطار بحث قائم على ذاكرة الرتب، يستخدم تمثيلًا مشتركًا مستمرًا يجمع بين الدرجة والعدد الأصلي لنمذجة أولويات السمات وأحجام المجموعات الفرعية، ويطبق فك ترميز أعلى العناصر للحصول على مجموعات سمات ثنائية، وأدخلت آلية ذاكرة الرتب لاستخراج معلومات تكرار ظهور السمات من الحلول النخبوية وتوجيه التباين في فضاء الدرجات بناء عليها، كما استخدم التحسين المحلي النخبوي واختيار بيئي طبقي بحسب عدد السمات لتنقية المجموعات المرشحة والحفاظ على حلول عبر مناطق تناثر مختلفة، وقيّم الإطار عبر تجارب على ثماني عشرة مجموعة بيانات تصنيف معيارية وقيس أداؤه من أوجه متعددة، وعضدته دراسات استئصال لفحص أدوار مكوناته كل على حدة

ثانيًا: أبرز النتائج

1، حقق إطار كورال أداء متوازنًا عبر مجموعات البيانات المعيارية الثماني عشرة من حيث جودة مجموعة الحلول وأداء التصنيف عند الاختبار واندماج السمات المختارة والكفاءة الحسابية، فلم يتفوق في وجه واحد على حساب تدهور واضح في الأوجه الأخرى

2، أظهرت دراسات الاستئصال أن ذاكرة الرتب والتحسين المحلي النخبوي والاختيار البيئي الطبقي تؤدي أدوارًا متكاملة لا زائدة عن الحاجة، إذ يضعف حذف أي منها توازن الأداء الكلي للإطار

3، بينت التجارب أن توجيه التباين بمعلومات تكرار السمات في الحلول النخبوية يساعد على تجاوز قصور العوامل الثنائية التقليدية في الفضاءات المتناثرة، وأن التمثيل المشترك بين الدرجة والعدد الأصلي يتيح استكشاف أحجام مجموعات متنوعة ضمن عملية بحث واحدة

ثالثًا: دلالات الدراسة وتطبيقاتها

تقدم هذه النتائج اتجاهًا عمليًا لبناء خوارزميات اختيار سمات متعددة الأهداف تستفيد من ذاكرة الحلول النخبوية بدل الاعتماد على اضطرابات عشوائية، وهو اتجاه قابل للنقل إلى مشكلات تحسين أخرى ذات فضاءات بحث ضخمة ومتناثرة، ويمكن للباحثين العرب وطلاب الدراسات العليا تطبيق الإطار على بيانات عربية عالية الأبعاد مثل النصوص والبيانات الطبية والجينومية وفحص أدائه مقارنة بالخوارزميات التطورية السائدة، مع ما يتطلبه ذلك من دراسات حول حساسيته لمعايير الضبط وقابليته للتوسع مع أبعاد أكبر

وتزداد الحاجة إلى مثل هذه الأطر مع تضخم البيانات في مجالات مثل المعلوماتية الحيوية ومعالجة اللغات الطبيعية والتسويق الرقمي، إذ قد تبلغ أبعاد السمات آلافًا أو عشرات الآلاف بينما لا تعني الغالبية العظمى منها شيئًا للمهمة المستهدفة، فتتحول السمات الزائدة من عبء حسابي إلى مصدر تشويش يضعف تعميم النماذج ويصعب تفسير قراراتها، ومن هنا يصبح اختيار السمات خطوة تأسيسية لا تقل أهمية عن اختيار خوارزمية التعلم نفسها في بناء أنظمة ذكاء اصطناعي موثوقة وقابلة للتفسير ومستدامة حسابيًا

وخلاصة القول إن إطار كورال يقدم مقاربة متوازنة لاختيار السمات متعدد الأهداف في الفضاءات عالية الأبعاد بفضل ذاكرة الرتب والتحسين النخبوي والاختيار الطبقي، ويثبت أن استثمار معلومات الحلول النخبوية طريق فعال لتجاوز قيود البحث التطوري الثنائي التقليدي