Fuzzy Convolution Neural Networks for Tabular Data Classification

ملخص تقني: الشبكات العصبية التلافيفية الضبابية لتصنيف البيانات الجدولية

بيان المشكلة
بينما حققت الشبكات العصبية التلافيفية (CNNs) نجاحاً ملحوظاً في تصنيف الصور والنصوص، إلا أن تطبيقها على البيانات الجدولية لا يزال غير مستكشف بشكل كافٍ ويواجه تحديات. تفتقر البيانات الجدولية إلى البنية الشبكية المكانية المتأصلة والارتباطات المحلية الموجودة في الصور، والتي صُممت الشبكات العصبية التلافيفية لاستغلالها. تعتمد طرق تعلم الآلة التقليدية (مثل أشجار القرار، وآلات ناقل الدعم، والغابات العشوائية) غالباً على ميزات مصممة يدوياً أو تمثيلات قائمة على القواعد الصريحة. وفي المق المقابل، تعاني الشبكات العصبية التلافيفية القياسية مع البيانات الجدولية بسبب الطبيعة غير المكانية للعلاقات بين الميزات، وإمكانية صغر حجم مجموعات البيانات مما يؤدي إلى الإفراط في التخصيص (overfitting)، وصعوبة رسم خرائط لمتجهات الميزات متغيرة الطول إلى تنسيقات مدخلات ثابتة الحجم مطلوبة لطبقات التلافيف. علاوة على ذلك، فإن طبيعة "الصندوق الأسود" للتعلم العميق غالباً ما تتعارض مع احتياجات التفسير في مجالات البيانات المهيكلة مثل التمويل والطب.

المنهجية
تقترح الورقة إطار عمل مبتكر، وهو الشبكة العصبية التلافيفية الضبابية (FCNN)، المصممة لسد الفجوة بين المنطق الضبابي والتعلم العميق للبيانات الجدولية. تتضمن المنهجية خط معالجة يتكون من ثلاث مراحل:

1. التحويل الضبابي (Fuzzification): يتم رسم خرائط لقيم الميزات الخام من المتجه الجدولي إلى قيم عضوية ضبابية. يستخدم المؤلفون خمس مجموعات مصطلحات (منخفض جداً، منخفض، متوسط، مرتفع، مرتفع جداً) ممثلة بدوال عضوية شبه منحرفة. تقوم هذه الخطوة بتحويل البيانات الرقمية الحادة إلى درجات عضوية ضبابية، مما يقدم طبقة من التعامل مع عدم اليقين والمتانة تجاه الضجيج.
2. التحويل إلى صورة: يتم تحويل المتجهات الميزية الضبابية إلى صور ثنائية الأبعاد مناسبة للمعالجة بواسطة الشبكات العصبية التلافيفية. في هذا الرسم، يتم تخصيص كل ميزة لصف، وتتوافق مجموعات المصطلحات الخمس مع الأعمدة. تتكون الصورة الناتجة من شبكة من الأشكال المربعة حيث تتناسب مساحة كل مربع مع قيمة العضوية الضبابية المقابلة. يخلق هذا تمثيلاً مرئياً لمتجه الميزات حيث يمكن استخراج الأنماط المحلية بواسطة نوى التلافيف.
3. تصنيف التعلم العميق: يتم تغذية الصور الناتجة في بنيات الشبكات العصبية التلافيفية العميقة (DCNN) الموجودة مسبقاً. طبقت الدراسة نموذجين محددين: AlexNet و ResNet-50. يتم تدريب هذه النماذج على مجموعات الصور المولدة لتعلم التمثيلات الهرمية وأداء التصنيف.

المساهمات الرئيسية

• بنية مبتكرة: تقديم بنية FCNN، التي تعالج تحديداً تحدي تطبيق الشبكات العصبية التلافيفية على البيانات الجدولية المهيكلة من خلال الاستفادة من المنطق الضبابي لإنشاء تمثيلات صورية ذات معنى مكاني.
• استراتيجية تحويل البيانات: طريقة محددة لرسم خرائط المتجهات الميزية إلى صور باستخدام قيم العضوية الضبابية الممثلة بأشكال هندسية (مربعات)، وهي تختلف عن النهج السابقة التي اعتمدت على نسب الميزات أو تقنيات التضمين المعقدة.
• تقييم شامل: تحليل مقارن صارم ضد خوارزميات تعلم الآلة الحديثة، بما في ذلك أشجار القرار (DT)، وآلات ناقل الدعم (SVM)، ومصنفات بايز (Bayes' Classifiers)، والغابات العشوائية (RF)، والشبكات العصبية الضبابية (FNN).

النتائج التجريبية
قيم المؤلفون إطار عمل FCNN على ست مجموعات بيانات اصطناعية، معقدة، وضوضائية وغير قابلة للفصل خطياً: Half Kernel، Two Spirals، Cluster-in-Cluster، Crescent Moon، Corners، و Outliers. احتوت كل مجموعة بيانات على 400 عينة (70% للتدريب، 30% للاختبار).

• الأداء: حققت نماذج FCNN المقترحة (باستخدام كل من AlexNet و ResNet-50) دقة بنسبة 100% في مجموعات بيانات Two Spirals، Cluster-in-Cluster، Crescent Moon، و Corners. وفي مجموعتي Half Kernel و Outliers، حققت دقة بنسبة 99.19% و 99.17% على التوالي.
• المقارنة: تفوقت نماذج FCNN باستمرار أو تساوت في الأداء مع خوارزميات تعلم الآلة التقليدية. على سبيل المثال، بينما حققت الغابة العشوائية دقة 95% في مجموعة بيانات Two Spirals، وصلت FCNN إلى 100%. في المقابل، واجهت نماذج SVM ومصنفات بايز صعوبات في بعض مجموعات البيانات (على سبيل المثال، انخفضت دقة SVM إلى 56.67% في Cluster-in-Cluster)، بينما حافظت FCNN على نسبة 100%.
• الكفاءة: تم تسجيل أوقات التدريب على جهاز كمبيوتر مكتبي بمعالج Pentium dual. استغرق AlexNet حوالي 4 دقائق و50 ثانية لكل مجموعة بيانات، بينما استغرق نموذج ResNet-50 الأكثر عمقاً حوالي 78 دقيقة. يشير المؤلفون إلى إمكانية تقليل أوقات التنفيذ باستخدام محطات عمل مدعومة بمعالجات الرسوميات (GPU).

الأهمية والادعاءات
تدعي الورقة أن نموذج FCNN يقدم بديلاً قابلاً للتطبيق لتصنيف البيانات الجدولية، حيث أثبت بنجاح أن تقنيات التعلم العميق يمكن تكييفها للبيانات المهيكلة عند دمجها مع المنطق الضبابي. يرى المؤلفون أن نهجهم يتعلم بفعالية تمثيلات ذات معنى من البيانات الجدولية، محققاً أداءً تنافسياً أو متفوقاً مقارنة بالطرق الموجودة.

ومع ذلك، تحافظ الورقة على موقف متواضع فيما يتعلق بالقيود والعمل المستقبلي. يقر المؤلفون بأن النهج الحالي هو الأنسب لمجموعات البيانات ذات عدد الميزات الصغير، حيث إن عدد الأشكال في الصورة المخططة يتناسب مع حاصل ضرب عدد الميزات ومجموعات المصطلحات، وهو أمر مقيد بأحجام الصور المحدودة. يتضمن العمل المستقبلي الذي حدده المؤلفون ما يلي:

• إلغاء التخزين الوسيط لـ "Datamart" عبر تغذية الصور مباشرة إلى DCNNs.
• تجربة أشكال مورفولوجية مختلفة (دائرية، سداسية، إلخ) للصور المخططة.
• تقييم دوال عضوية أخرى (Gaussian، triangular) وبنيات DCNN أخرى (VGG-16، GoogleNet).
• نشر النموذج في تطبيقات واقعية.

تخلص الدراسة إلى أنه على الرغم من بقاء بعض التحديات، فإن إطار عمل FCNN المقترح يحمل وعوداً لفتح آفاق جديدة في الاستفادة من التعلم العميق لتحليل البيانات المهيكلة.