يهدف تعلم التمثيلات متعددة المناظر إلى استخلاص أنماط مميزة من مصادر بيانات غير متجانسة، وقد حظي باهتمام متزايد في السنوات الأخيرة بوصفه مدخلًا للتعامل مع البيانات التي تتوافر في صور متعددة تختلف في طبيعتها ودلالاتها، غير أن تحديات جوهرية ما تزال تواجه هذا الحقل، وفي مقدمتها دمج البيانات متعددة المناظر دمجًا سليمًا يحدد الوزن والأهمية المناسبين لكل منظر بطريقة منهجية مبررة، فبينما أثبتت المناهج القائمة على الرسوم البيانية فاعليتها في التعلم متعدد المناظر، ما يزال التطوير المنهجي للمناهج المرتكزة على الأمثلية لدمج الرسوم البيانية المتسق في مراحله الأولى، كما يُغفل كثيرًا غياب التوافق الصريح بين فضاء تمثيل السمات الكامن وفضاء الرسم البياني، وهو ما يقوض في النهاية اتساق التمثيل المشترك المستخلص من المناظر المختلفة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة هذه الثغرات من خلال اقتراح إطار ثنائي المستوى للتعلم المشترك لتمثيل سمات البيانات متعددة المناظر ودمج رسومها البيانية، إذ صيغت مهمة دمج البيانات متعددة المناظر صياغة رياضية دقيقة بوصفها مسألة أمثلية، بحيث يتعلم المستوى الأول تمثيلات السمات لكل منظر، بينما يتولى المستوى الثاني دمج الرسوم البيانية المستخلصة من المناظر المختلفة في تمثيل مشترك متسق، وبذلك يعالج الإطار مسألة تحديد أوزان المناظر وأهميتها النسبية معالجة مبدئية داخل عملية الأمثلية نفسها بدل افتراضها مسبقًا أو تقديرها بطرق ارتجالية، كما يراعي الإطار تحقيق التوافق بين فضاء التمثيل الكامن للسمات وفضاء الرسم البياني المدمج، بما يعزز اتساق التمثيل النهائي وجودته وقدرته على التمييز بين الأنماط المختلفة في البيانات
ثانيًا: أبرز النتائج
أظهرت التقييمات التجريبية أن الإطار المقترح يحقق فاعلية متسقة في مهام التجميع، إذ بلغ أداء متقدمًا على أحدث الأساليب القائمة عبر ست مجموعات بيانات مرجعية، وسجل تحسينات في الدقة وصلت إلى 9.73 في المئة مقارنة بالأساليب الموجودة، وبينت النتائج أن الصياغة الرياضية الدقيقة لمهمة الدمج بوصفها مسألة أمثلية ثنائية المستوى تنعكس إيجابًا على جودة التجميع عبر مجموعات البيانات المتنوعة، وأن الاهتمام الصريح بمواءمة فضاء السمات الكامن مع فضاء الرسم البياني يرفع اتساق التمثيل المشترك ويجعله أكثر قدرة على التقاط البنية الحقيقية للبيانات، كما أظهر الإطار استقرارًا في الأداء عبر اختلاف طبيعة مجموعات البيانات وأحجامها، مما يعزز الثقة في قابلية تعميمه على مهام تعلم غير موجه مشابهة
ثالثًا: دلالات الدراسة وتطبيقاتها
تسهم هذه الدراسة في تطوير الأسس المنهجية للتعلم متعدد المناظر بتقديمها مسارًا أمثليًا منهجيًا لدمج الرسوم البيانية يتجاوز الأساليب الارتجالية في ترجيح المناظر، ويمكن أن يستفيد منه الباحثون في مجالات استخراج المعرفة من البيانات غير المتجانسة، كدمج النصوص والصور والبيانات الحسية في تمثيل واحد يدعم مهام التصنيف والتجميع والاسترجاع، كما تفتح النتائج الباب أمام بحوث لاحقة توسع الإطار ليشمل بيانات متدفقة أو مناظر ناقصة، وتختبر أداءه في مهام تعلم موجه وشبه موجه، وتبحث في كلفته الحاسوبية عند التعامل مع بيانات ضخمة متعددة المناظر في بيئات تطبيقية واقعية
وتبرز قيمة هذا الإطار بوضوح عند النظر إلى طبيعة البيانات الحديثة التي نادرًا ما تأتي من مصدر واحد متجانس، بل تتوزع على مناظر متعددة يصف كل منها البيانات من زاوية مختلفة ويحمل معلومات تكميلية لا يغني بعضها عن بعض، فإذا عوملت هذه المناظر بأوزان اعتباطية أو دُمجت دون مراعاة للتوافق بين فضاءات تمثيلها، تدهورت جودة التمثيل المشترك وتراجعت دقة المهام اللاحقة كالتجميع والتصنيف، أما حين تُصاغ عملية الدمج مسألة أمثلية صريحة يُتعلم فيها التمثيل والرسم البياني المدمج معًا، فإن الناتج يكون تمثيلًا أكثر اتساقًا وقدرة على التعبير عن البنية الكامنة في البيانات، وهو ما تؤكده التحسينات المتحققة عبر ست مجموعات بيانات مرجعية متنوعة، ويجعل الإطار مرشحًا للبناء عليه في تطبيقات تعتمد على دمج مصادر حسية ونصية وبصرية متعددة
وخلاصة القول إن الدراسة تقدم إطارًا ثنائي المستوى يصوغ دمج البيانات متعددة المناظر مسألة أمثلية رياضية دقيقة، ويعالج ترجيح المناظر ومواءمة فضاءي السمات والرسم البياني معالجة مبدئية، وقد أثبت تفوقه في مهام التجميع على ست مجموعات بيانات مرجعية بتحسينات بلغت 9.73 في المئة، مما يجعله إسهامًا واعدًا في التعلم متعدد المناظر
