A Hamiltonian driven Geometric Construction of Neural Networks via the Lognormal family, Application to Financial Fraud Detection and to Network Security

ملخص تقني: بناء هندسي للشبكات العصبية مدفوع بالهاملتوني عبر عائلة التوزيع اللوغاريتمي الطبيعي

بيان المشكلة
تُبنى الشبكات العصبية الاصطناعية التقليدية (ANNs) عادةً ضمن فضاءات إقليدية، وهو قيد يحد من قدرتها على استيعاب التعقيد الجوهري للبيانات المهيكلة التي تستقر على متشعبات إحصائية. وبينما أرست الهندسة المعلوماتية، التي رادها أماري، الأساس لاستخدام البنى الريمانية لمعلمات المشابك العصبية، إلا أن دراسات قليلة قامت صراحةً ببناء معماريات شبكات عصبية على متشعبات إحصائية محددة، لا سيما متشعب اللوغاريتمي الطبيعي (Lognormal Manifold). إن التوزيع اللوغاريتمي الطبيعي واسع الانتشار في مجالات التمويل، والبيولوجيا، ومعالجة الإشارات، ومع ذلك لم يتم استخدام فضاء معلماته بشكل منهجي لاستنباط المكونات العصبية (المدخلات، الأوزان، دالات التنشيط) من مبادئ هندسية أولية. تعالج هذه الورقة السؤال حول كيفية هيكلة متشعب إحصائي لوغاريتمي طبيعي كمتشعب عصبي واستنباط مكوناته باستخدام هندسة الهاملتوني وصورية زمرة لي (Lie group formalism).

المنهجية
يقترح المؤلفون طريقة منهجية لبناء شبكة عصبية بشكل جوهري على المتشعب اللوغاريتمي الطبيعي من خلال استغلال بنيته الهاملتونية والهندسية. تسير المنهجية عبر الخطوات التالية:

1. الصياغة الإحصائية: يتم التعامل مع التوزيع اللوغاريتمي الطبيعي كعائلة أسية. ويتم اشتقاق المعلمات الطبيعية $\theta = (\theta_1, \theta_2)$ من المتوسط ($\mu$) والانحراف المعياري ($\sigma$) للبيانات اللوغاريتمية.
2. ديناميكا الهاملتوني: يُظهر أن التدفق التدرجي على المتشعب اللوغاريتمي الطبيعي يكافئ نظام هاملتوني. ومن خلال تعريف إحداثيات فضاء الطور $P$ و $Q$ بناءً على المعلمات الطبيعية، يتم رسم خريطة للنظام إلى قرص بوانكاريه ($D$)، وهو نموذج للهندسة الزائدية.
3. فعل زمرة لي: توصف ديناميكا النظام من خلال فعل زمرة لي $SU(1, 1)$ على قرص بوانكاريه. ويمثل فعل الزمرة تطور النظام في فضاء الطور.
4. اشتقاق المكونات العصبية:
   • المدخل (Input): يتم تعريف متجه المدخلات بواسطة إحداثيات قرص بوانكاريه، المشتقة من متغيرات الهاملتوني.
     الوزن (Weight Matrix): يتم بناء مصفوفة الأوزان المشبكية من مكون الدوران لفعل $SU(1, 1)$ (الممثل بمصفوفة دوران $\Omega \in SO(2)$) ومتجه الإزاحة $\vec{t}$. تنتمي هذه المصفوفة إلى زمرة المجموعة الإقليدية الخاصة $SE(2)$.
   • دالة التنشيط (Activation Function): تنبثق دالة التنشيط من البنية التآزرية (Symplectic structure) للنظام، وتُعرف كتحويل زمرة يتضمن دوال أسية وجيبية للمتغير الزاوي $\beta$.
5. المعمارية: المعمارية الناتجة هي شبكة متصلة بالكامل ذات طبقة واحدة مع انحياز (Bias)، حيث يكون الجمع الخطي واللاخطية متجذرين في الهندسة الكامنة للبيانات بدلاً من التجريدات الجبرية البسيطة.

المساهمات الرئيسية

• البناء الهندسي: تقدم الورقة اشتقاقاً صارماً لمعمارية شبكة عصبية مباشرة من المتشعب الإحصائي اللوغاريتمي الطبيعي، متجاوزةً التقريبات الإقليدية.
• الديناميكا المدفوعة بالهاملتوني: تثبت أن النظام التدرجي على المتشعب اللوغاريتمي الطبيعي هو نظام قابل للتكامل ويكافئ نظام هاملتوني ذو مسارات إهليلجية مغلقة في فضاء الطور، والتي تم تكثيفها (Compactified) على قرص بوانكاريه.
• التعريف الصريح للمكونات: يحدد المؤلفون صراحةً دالات المدخلات، ومصفوفة الأوزان (التي تدمج الدوران والإزاحة)، ودالة التنشيط بناءً على زمرة لي $SU(1, 1)$ والبنية التآزرية.
• الإطار النظري: يؤسس هذا العمل جسراً بين الهندسة المعلوماتية، ونظرية زمرة لي، والتعلم الآلي، موضحاً كيف يمكن جعل أنظمة معالجة المعلومات "طبيعية" على فضاءات غير إقليدية.

النتائج والتطبيقات
تتحقق الورقة من الإطار المقترح من خلال سيناريوهين محددين للتطبيق، باستخدام مجموعات بيانات لمدة 10 أيام لإثبات القدرة على كشف الشذوذ:

1. كشف الاحتيال المالي:

   • السياق: مراقبة مبالغ المعاملات التي تتبع توزيعاً لوغاريتمياً طبيعياً.
   • الآلية: يؤدي النشاط الاحتيالي إلى تغيير التوزيع الإحصائي الأساسي ($\mu, \sigma$). يقوم النظام برسم خرائط لهذه المعلمات إلى قرص بوانكاريه.
   • النتيجة: في حالة الدراسة، تسبب يوم احتيالي (اليوم 6) ذو تقلب عالٍ في تغيير جذري في الخصائص الإحصائية. في الفضاء الميزي (Feature space) الزائدي لقرص بوانكاريه، أدى ذلك إلى "تسارع جيوديسي" كبير، مما فصل الحالة الاحتيالية عن غلاف التشغيل الطبيعي بشكل أكثر وضوحاً مما قد تفعله مقاييس المسافة الإقليدية.

2. أمن الشبكات (كشف اختراق هجمات DDoS):

   • السياق: يتم نمذجة معدلات حزم الشبكة، وهي موجبة وملتوية، كلوغاريتمية طبيعية.
   • الآلية: تؤدي هجمة DDoS إلى زيادة هائلة في متوسط معدل الحزم والتقلب.
   • النتيجة: أظهر خط معالجة التحويل الهندسي أنه أثناء روتين حركة المرور الطبيعية، تشكل الإحداثيات عنقوداً مستقراً للغاية على الجزء الأيسر الأقصى من غلاف المتشعب الداخلي ($x_D \approx -0.499$). وعند اندلاع هجمة DDoS، يتسبب التحول الضخم في معلمات التوزيع في "قفزة انفجارية شبه متعامدة" نحو محور الحدود الرأسي، مما يجبر $x_D$ على الانتقال من $-0.4996$إلى$-0.0062$ويجعل$y_D$يصعد إلى$0.4999$. يعكس هذا التحول تبايناً هائلاً في مسافة راو-فيشر (Rao-Fisher distance)، مما يوفر تنبيهاً هندسياً فورياً يتسم بالمتانة ضد ملفات الهجوم التكيفية التي قد تتهرب من الأنظمة التقليدية القائمة على العتبات.

الأهمية والادعاءات
تدعي الورقة أنها تقدم منظوراً جديداً للتعلم الآلي الهندسي من خلال إثبات أن أنظمة معالجة المعلومات العصبية القائمة على العائلة اللوغاريتمية الطبيعية يمكن نمذجتها كنظم ديناميكية على قرص بوانكاريه. تكمن الأهمية في أن العمليات الأساسية للشبكة (الجمع الخطي، واللاخطية) ليست خيارات جبرية تعسفية بل هي مشتقة جوهرياً من هندسة فضاء معلمات البيانات.

يؤكد المؤلفون أن هذا النهج يسمح بتصميم معماريات ملائمة طبيعياً للبيانات التي تتبع التوزيع اللوغاريتمي الطبيعي، حيث يكون فضاء المعلمات بطبيعته عبارة عن متشعب. ومن خلال استخدام صياغة الهاملتوني وفعل $SU(1, 1)$، يحافظ النموذج على الهوية الإحصائية أثناء الانتشار الأمامي ضمن مسارات معلومات معزولة (مدارات)، بدلاً من ذلك عبر القرص بأكل. يوفر هذا طريقة هندسية خفيفة حسابياً للكشف عن الشذوذ في الأنظمة التي تتبع فيها البيانات توزيعاً لوغاريتمياً طبيعياً بشكل طبيعي. ويُقدم هذا العمل كخطوة تأسيسية لتطبيق الهندسة المعلوماتية في البناء الصريح للشبكات العصبية على متشعبات إحصائية محددة.