Sign-Symmetry Learning Rules are Robust Fine-Tuners

تخيل أنك تعلم روبوتاً التعرف على القطط، والكلاب، والسيارات. لعقود من الزمن، كان المعيار الذهبي لتدريب هذه الأدمغة الرقمية هو طريقة تسمى "الانتشار العكسي" (Backpropagation). فكر في الأمر كمدرب صارم ومثالي يراقب كل حركة يقوم بها الروبوت، ويحسب الخطأ بدقة متناهية حتى أصغر أجزاء العشرة، ثم يرسل إشارة تصحيح دقيقة عبر الجهاز العصبي للروبوت بالكامل. هذا الأسلوب يعمل بشكل مذهل، مما يجعل الروبوت ذكياً وسريعاً. ومع ذلك، فإن لهذا المدرب نقطة ضعف سرية: إذا تسلل شخص ما ووضع ذرة غبار صغيرة، غير مرئية تقرياً، على صورة قطة، فقد يصرخ الروبوت فجأة: "إنها محمصة خبز!" لأن حسابات المدرب المثالية حساسة للغاية تجاه هذه الخدعة الصغيرة. يُطلق على هذا اسم "الهجوم العدائي" (Adversarial Attack)، وهي مشكلة رئيسية في مدى إمكانية الوثوق بالذكاء الاصطناعي في العالم الحقيقي. لطالما حاول العلماء إيجاد طريقة أخرى لتعليم الروبوتات، طريقة تحاكي كيف تتعلم أدمغتنا البشرية الفعلية—باستخدام إشارات أكثر خشونة وحيوية (بيولوجية) بدلاً من الرياضيات المثالية. لكن هذه الطرق "المتوافقة بيولوجياً" جعلت الروبوتات عادةً أقل ذكاءً وأبطأ، لذا استسلم معظم الناس عنها.

الآن، قرر فريق من الباحثين تجربة نهج هجين ذكي. تساءلوا: "ماذا لو استخدمنا المدرب الصارم لتعليم الروبوت الأساسيات، ثم انتقلنا إلى المدرب البيولوجي الأكثر خشونة لمرحلة الصقل النهائي؟" في دراستهم الجديدة، قاموا بتدريب مسبق للشبكات العصبية (دماغ الروبوت) باستخدام الطريقة القياسية المثالية. ثم، بدلاً من إنهاء التدريب بنفس المدرب الصارم، استخدموا مجموعة من القواعد تسمى "التماثل الإشاري" (Sign-Symmetry). هذه القواعد تشبه مدرباً لا يهتم إلا بـ اتجاه الخطأ (أعلى أو أسفل، يسار أو يمين) بدلاً من حجم الخطأ الدقيق. هم لا يحتاجون لمعرفة الوزن الدقيق لكل اتصال؛ بل يحتاجون فقط لمعرفة الاتجاه الذي يجب دفعه فيه. وجد الباحثون أن هذا "الصقل الأخشن" لم يجعل الروبوت أقل ذكاءً في التعرف على الأشياء. في الواقع، جعله روبوتاً قوياً للغاية. فعندما حاول المهاجمون خداع الروبوت بتلك الذرات الصغيرة غير المرئية من الغبار، لم يتزحزح الروبوت الذي تدرب بقواعد "التماثل الإشاري" تقريباً، بينما انهار الروبوت الذي تدرب بالكامل مع المدرب الصارم. اتضح أنه من خلال عدم الهوس بالدقة المثالية، أصبح الروبوت أصعب بكثير في الخداع.

قصة الصقل الخشن

دعونا نتعمق في كيفية عمل ذلك. بدأ الباحثون بفكرة أن المدرب الصارم (الانتشار العكسي) ممتاز في بناء أساس قوي. الأمر يشبه تعلم ركوب الدراجة باستخدام عجلات تدريب توفر لك توازناً مثالياً. ولكن بمجرد أن تتعلم الركوب، ربما لا تحتاج لتلك المستشعرات المثالية بعد الآن. أخذ الفريق نماذج مدربة مسبقاً—شبكات عصبية تعلمت بالفعل التعرف على الصور باستخدام الطريقة القياسية—وأعطوها جلسة "ضبط دقيق" باستخدام قواعد التماثل الإشاري.

هناك عدة أنواع مختلفة من هذه القواعد، مثل uSF (التغذية الراجعة الموحدة المتوافقة إشارياً)، وfrSF (التغذية الراجعة ذات المقدار العشوائي الثابت والمتوافقة إشارياً)، وbrSF (التغذية الراجعة ذات المقدار العشوائي للدفعة والمتوافقة إشارياً). يمكنك التفكير في هذه الأنواع كطرق مختلفة لإعطاء الروبوت دفعة. فبدلاً من القول: "لقد كنت بعيداً بمقدار 0.043 وحدة نحو اليسار"، يقول مدرب التماثل الإشاري ببساطة: "مهلاً، أنت تميل لليسار، ادفع لليمين!" إنه يتجاهل الأرقام الدقيقة ويركز على الإشارة (الموجب أو السالب) للخطأ.

اختبر الفريق هذه الطريقة في مهمتين رئيسيتين: تصنيف الصور (إخبارك بما يوجد في الصورة) واسترجاع الصور القائم على التجزئة (Hashing) (البحث عن صور مشابهة في قاعدة بيانات ضخمة). استخدموا أدمغة روبوتية شهيرة مثل AlexNet وVGG-16 وResNet-18، واختبروها على مجموعات بيانات شهيرة مثل CIFAR-10 وMS-COCO وImageNet.

كانت النتائج مفاجئة ومثيرة. عندما تعلق الأمر بكون الروبوت ذكياً فحسب، فإن الروبوتات التي خضعت للضبط الدقيق باستخدام التماثل الإشاري كانت بجودة تلك المدربة بالكامل بالمدرب الصارم. وفي بعض الحالات، كانت أفضل! على سبيل المثال، في مجموعة بيانات CIFAR-10 مع دماغ AlexNet، حققت طرق التماثل الإشاري دقة (top-1) بلغت 93.75%، متفوقة على المدرب القياسي الذي حقق 90.62%. وعلى مجموعة بيانات ImageNet مع دماغ ResNet-18، طابقت دقة المدرب القياسي البالغة 87.5%. النقطة الجوهرية هنا هي أنك لا تفقد أي ذكاء عند الانتقال إلى المدرب الأخشن في الخطوات النهائية.

لكن السحر الحقيقي حدث عندما اختبروا مدى قدرة هذه الروبوتات على مواجهة المشاكل. شن الباحثون "هجمات عدائية" عليها. هذه الهجمات تشبه محاولات المخترقين الرقميين لخداع الروبوت عن طريق إضافة كميات ضئيلة من الضجيج إلى الصورة. استخدموا نوعين من الهجمات: FGSM وPGD. هذه هجمات "الصندوق الأبيض" (White-box)، مما يعني أن المخترقين عرفوا بالضبط كيف يفكر الروبوت واستخدموا تلك المعرفة لصياغة الخدعة المثالية.

عندما هاجموا الروبوتات القياسية (المدربة فقط بالانتشار العكسي)، انهارت الروبوتات بسرعة. ومع زيادة الضجيج الذي أحدثه المخترقون (والذي يمثله الرمز $\epsilon$)، انخفضت دقة الروبوتات القياسية بشكل حاد. في مجموعة بيانات ImageNet، عندما وصل مستوى الضجيج إلى 0.5، انخفضت دقة الروبوت القياسي إلى ما يقرب من 0%. لقد تم خداعه تماماً.

ومع ذلك، كانت الروبوتات التي خضعت للضبط الدقيق باستخدام التماثل الإشاري صلبة كالأحذية القديمة المتينة. لم تنهار حتى مع نفس مستويات الضجيج الثقيلة. في تجارب ResNet-18، كانت الفجوة بين الروبوت القياسي وروبوت التماثل الإشاري هائلة—وصلت أحياناً إلى 71.88% في فرق الدقة تحت الهجوم. انخفض خط الروبوت القياسي مثل الحجر، بينما انخفض خط روبوت التماثل الإشاري ببطء، مثل المنزلق. هذا يشير إلى أنه نظراً لأن قواعد التماثل الإشاري لا تعتمد على تدرجات دقيقة ومثالية، فلا يمكن للمخترقين حساب الخدعة المثالية لخداعها بسهولة. إنه يشبه محاولة فتح قفل عندما تكون قطع التروس بداخله مرتخية وعشوائية؛ المفتاح المثالي لا يعمل بعد الآن.

تحقق الفريق أيضاً مما إذا كانت هذه الروبوتات معرضة لهجمات "الصندوق الأسود" (Black-box)، حيث لا يعرف المخترق كيف يفكر الروبوت ويقوم فقط بتجارب عشوائية. في هذه الحالات، كان أداء روبوتات التماثل الإشاري جيداً مثل الروبوتات القياسية. هذا تفصيل بالغ الأهمية: هذا يعني أن الروبوتات لم تصبح أضعف بشكل عام؛ بل أصبحت تحديداً أصعب في الخداع من قبل المخترقين الذين يعتمدون على معرفة الرياضيات الداخلية للروبوت.

نظر الباحثون أيضاً في مهمة "التجزئة" (Hashing)، وهي تشبه تنظيم مكتبة عن طريق تحويل أغلفة الكتب إلى رموز قصيرة وفريدة. ووجدوا نتائج مماثلة هنا. عندما تعرضت للهجوم بطرق مثل HAG وSDHA، انهلك أداء الروبوتات القياسية (المقاس بمتوسط الدقة المتوسطة، أو mAP). على سبيل المثال، في ImageNet، انخفض mAP للروبوت القياسي إلى حوالي 12% عند مستويات الضجيج العالية، بينما ظل روبوت التماثل الإشاري عند حوالي 40%.

أحد أكثر الاكتشافات إثارة للاهتمام كان أن الطريقة المسماة frSF (التغذية الراجعة ذات المقدار العشوائي الثابت والمتوافقة إشارياً) بدت الأكثر استقراراً وأداءً من بين الجميع. فقد حافظت باستمرار على مكانتها عبر مختلف أنواع أدمغة الروبوتات ومجموعات البيانات.

فماذا يعني كل هذا؟ تقترح الورقة البحثية أننا لسنا مضطرين للاختيار بين أن نكون أذكياء أو أن نكون أقوياء. يمكننا الحصول على كليهما. من خلال استخدام المدرب الصارم والمثالي لبناء الأساس، ثم الانتقال إلى المدرب الخشن ذي الطابع البيولوجي للمسة النهائية، نحصل على روبوت ذكي تماماً ولكنه أصعب بكثير في الخداع. يعترف المؤلفون بأن هناك حاجة لمزيد من العمل لمعرفة كيفية عمل هذا على أنظمة أكبر وأكثر تعقيداً، لكن النتائج الأولية هي إشارة قوية إلى أن أسلوب التعلم الخشن والعفوي للطبيعة قد يكون المكون السري الذي افتقدناه لجعل أدمغتنا الرقمية متينة حقاً.