Probabilistic Block Term Decomposition for the Modelling of Higher-Order Arrays

تخيل أنك محقق يحاول حل لغز ما، ولكن بدلاً من مسرح جريمة واحد، لديك مكتبة ضخمة متعددة الطبقات من الأدلة. بعض الأدلة هي مجرد قوائم بسيطة (مثل قائمة تسوق)، وبعضها عبارة عن جداول بيانات (مثل ميزانية)، لكن الأكثر إثارة للاهتمام هي مكعبات ثلاثية الأبعاد أو حتى "مكعبات فائقة" (hyper-cubes) ذات أبعاد أعلى من البيانات. هذه في عالم العلوم تسمى التنسورات (tensors). يمكنك العثور عليها في كل مكان: في الكيمياء، حيث يتتبع كيفية توهج المواد الكيميائية تحت أضواء مختلفة؛ وفي البيولوجيا، حيث ترسم خرائط لكيفية تغير الجينات بمرور الوقت وتحت ظروف مختلفة؛ أو في علم النفس، لتتبع كيفية استجابة الناس لأسئلة حول أشياء مختلفة.

لجعل هذه المكعبات الضخمة والفوضوية من البيانات مفهومة، يستخدم العلماء تقنية تسمى تفكيك التنسور (tensor decomposition). فكر في الأمر كعملية تفكيك قلعة "ليجو" معقدة لمعرفة الطوب الفردي وكيف تم تجميعها معاً. الهدف هو تفكيك البيانات إلى أنماط أبسط وأكثر قابلية للفهم. لفترة طويلة، استخدم العلماء طريقتين رئيسيت duas للقيام بذلك: إحداهما تعامل كل نمط كخط منفصل ومستقل تماماً (مثل كومة من قطع الليجو الفردية)، والأخرى تعامل الأنماط كشبكة كبيرة ومترابطة حيث يلمس كل شيء كل شيء آخر. ولكن ماذا لو كانت الحقيقة تقع في مكان ما بينهما؟ ماذا لو كانت بياناتك مكونة من عدة "كتل" (blocks)، حيث تكون كل كتلة عبلاً صغيراً ومترابطاً، لكن الكتل نفسها لا تتواصل مع بعضها البعض؟ هذا هو "تفكيك المصطلح الكتلي" (Block-Term Decomposition - BTD)، وهي طريقة تحاول إيجاد هذا الوسط المثالي.

ومع ذلك، هناك عقبة. الطرق التقليدية لحل هذه الألغاز تعتمد على إيجاد "أفضل تخمين" واحد فقط. إذا كانت البيانات مشوشة أو فوضوية (مثل صورة ملتقطة في الظلام)، فإن هذا التخمين الواحد يمكن أن يُخدع بسهولة، مما يؤدي إلى استنتاج خاطئ. وهنا يأتي دور الورقة البحثية الجديدة. فبدلاً من مجرد تخمين إجابة واحدة، يقترح المؤلفون نهجاً أكثر ذكاءً يعتمد على "الاحتمالات". تخيل بدلاً من أن تسأل، "ما هو الشكل الحقيقي الوحيد لقلعة الليجو هذه؟" أن تسأل، "ما هي جميع الأشكال الممكنة التي يمكن أن تكون عليه هذه القلعة، وما مدى احتمالية كل منها؟" باستخدام طريقة تسمى الاستدلال البايزي (Bayesian inference)، هم لا يجدون مجرد إجابة واحدة؛ بل يرسمون خريطة لمشهد من الاحتمالات، مما يسم يسمح لهم برؤية مدى عدم اليقين لديهم وتجاهل الأجزاء من البيانات التي ليست سوى ضوضاء عشوائية تلقائياً.

أداة الورقة البحثية الجديدة: باني "الليجو" الذكي

في هذه الورقة، قدم جيسبر لوفي هينريش ومورتن موروم نسخة جديدة وعالية الكفاءة من هذه الطريقة الاحتمالية خصيصاً لـ "تفكيك المصطلح الكتلي" (BTD). أطلقوا عليها اسم pBTD (تفكيك المصطلح الكتلي الاحتمالي). فكرتهم الكبرى هي بناء نموذج يمكنه التعامل مع الواقع الفوضوي للبيانات الحقيقية من خلال معاملة الأجزاء المجهولة من اللغز كـ "توزيعات" (نطاقات من الاحتمالات) بدلاً من أرقام ثابتة.

لجعل هذا يعمل، كان عليهم حل مشكلة رياضية معقدة: كيفية الحفاظ على تميز "الكتل" المختلفة للبيانات وعدم السماح لها بالاندماج مع بعضها البعض. فعلوا ذلك باستخدام قاعدة رياضية خاصة (توزيع فون ميسيس-فاير - von Mises-Fisher distribution) تجبر كتل البناء على البقاء "متعامدة" (orthogonal). بكلمات بسيطة، فكر في التعامد كالتأكد من أن قطع الليجو الخاصة بك متعامدة تماماً مع بعضها البعض، مثل زاوية الغرفة. هذا يبقي الأنماط المختلفة بعيدة عن التشابك، وهي مشكلة شائعة في الطرق الأخرى.

ما وجدوه: التخمين الأذكى وفلترة الضوضاء

اختبر المؤلفون أداة pBTD الجديدة بطريقتين: أولاً، باستخدام بيانات "زائفة" مولدة حاسوبياً حيث يعرفون الإجابة الدقيقة، وثانياً، باستخدام مجموعتين من البيانات الواقعية: إحداهما من عملية كيميائية صناعية والأخرى من تسجيلات موجات الدماغ (EEG).

عندما اختبروا الأداة على البيانات الزائفة، وجدوا شيئاً رائعاً. عندما كانت البيانات مشوشة جداً (مثل محاولة سماع همس وسط إعصار)، كانت الطرق التقليدية (المعروفة باسم تقدير الاحتمال الأقصى أو MLE) تحاول باستمرار ملاءمة الضوضاء في أنماطها، مما أدى أساساً إلى "الإفراط في التخصيص" (overfitting) وإنشاء نموذج خاطئ ومشوش. في المقابل، كانت أداة pBTD الجديدة ذكية بما يكفي لإدراك أن "هذا الجزء هو مجرد ضوضاء"، وقامت فعلياً بإيقاف تشغيل الأجزاء من النموذج التي لم تكن منطقية. لم تجد الإجابة فحسب، بل عرفت متى لا تجد إجابة.

استخدموا الأداية أيضاً لتحديد الهيكل "الصحيح" للبيانات. تخيل أن لديك صندوقاً من الليجو ولا تعرف ما إذا كان ينبغي عليك بناء برج واحد كبير، أو بضعة أبراج صغيرة، أو جدار مسطح. تستخدم أداة pBTD درجة تسمى الحد الأدنى للبرهان (ELBO) لتعمل كقاضٍ، يخبرهم أي هيكل يناسب البيانات بشكل أفضل. في محاكاتهم، نجحت الأداة في تحديد العدد الصحيح للكتل وأحجامها في معظم الحالات، حتى عندما بدأوا بنموذج يحتوي على قطع كثيرة جداً. لقد تمكنت من "تقليم" القطع الزائدة وغير الضرورية، وتقليص حجمها إلى ما يقرب من الصفر، تماماً مثل البستاني الذي يقلم الأغصان الميتة ليكشف عن الشجرة الصحية.

نتائج العالم الحقيقي: من الكيمياء إلى الدماغ

عندما طبقوا pBTD على بيانات حقيقية، كانت النتائج واعدة بنفس القدر.

• البيانات الكيميائية: في مجموعة بيانات من عملية قوالب الحقن الصناعية، اقترحت الأداة أن نموذج "تاكر" (Tucker) الكامل (حيث يكون كل شيء مترابطاً) هو الأنسب. ومع ذلك، أظهرت أيضاً أن العديد من الروابط في ذلك النموذج كانت ضعيفة أو غير مؤكدة للغاية، مما أدى فعلياً إلى تقليمها لإظهار الهيكل الأساسي.
• بيانات الدماغ: في مجموعة بيانات EEG، التي قامت بقياس نشاط الدماغ أثناء تحفيز اليد، فضلت الأداة مرة أخرى النموذج المترابط الكامل. ولكن هنا، لاحظ المؤلفون وجود مقايضة. بينما كان النموذج الكامل هو الأنسب من الناحية الإحصائية، إلا أن النماذج الأبسط والأكثر انفصالاً (مثل نموذج CPD) كانت في الواقع أسهل للفهم البشري. على سبيل المثال، أظهر النموذج الأبسط بوضوح أن نمطاً معيناً من نشاط الدماغ يحدث عند تحفيز اليد اليسرى ونمطاً مختلفاً عند تحفيز اليد اليمنى. أما النموذج المعقد والمترابط بالكامل فكان أصعب في التفسير، رغم أنه كان قوياً من الناحية الرياضية.

الخلاصة

تخلص الورقة البحثية إلى أن هذا النهج الاحتمالي الجديد يوفر طريقة موحدة للتعامل مع جميع أنواع تفكيك التنسور، من الأبسط إلى الأكثر تعقيداً. إنه يوفر "شبكة أمان" ضد الإفراط في التخصيص، مما يسمح للعلماء بأن يكونوا أكثر ثقة في نتائجهم حتى عندما تكون بياناتهم مشوشة. ورغم أن الرياضيات وراء ذلك ثقيلة، إلا أن النتيجة هي أداة لا تكتفي بمعالجة الأرقام فحسب، بل تفهم الفرق بين الإشارة والخلل. يشير المؤلفون إلى أن هذه الطريقة سريعة بقدر الطرق القديمة، لكنها تمنحك صورة أغنى وأكثر موثوقية لما تخبرك به بياناتك حقاً. كما أشاروا إلى أنه بينما استخدموا خدعة رياضية محددة تسمى "الاستدلال التبايني" لجعلها سريعة، فإن الإطار مرن بما يكفي ليتم استخدامه مع طرق أخرى أكثر تفصيلاً في المستقبل. في النهاية، لقد منحوا العلماء طريقة أفضل للنظر إلى العالم متعدد الأبعاد، مما يساعدهم على رؤية الأنماط دون الضياع في الضوضاء.