SSLfmm: An R Package for Semi-Supervised Learning with Mixed Missingness
يقدم حزمة SSLfmm إطار عمل لنموذج الخليط الغاوسي القائم على الاحتمالية للتعلم شبه المُشرف، والذي ينمذج بشكل مشترك توزيعات الفئات وآليات فقدان التسميات (بما في ذلك سيناريوهات البيانات المفقودة عشوائياً تماماً، والمفقودة عشوائياً، والسيناريوهات المختلطة) لتحسين أداء التصنيف عندما تحتوي عملية توفر التسميات نفسها على إشارات معلوماتية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم علم البيانات، يواجه الباحثون غالباً فجوة محبطة بين ما يعرفونه وما يمكنهم قياسه. تخيل دراسة طبية سجل فيها الأطباء الأعراض لكل مريض، لكنهم تمكنوا فقط من تأكيد التشخيص النهائي لجزء منهم. أما البقية فيظلون لغزاً، ليس لأن البيانات فُقدت، بل لأن عملية التأكيد كانت مكلفة للغاية، أو بطيئة جداً، أو ببساطة مستحيلة في حالات معينة. هذا هو مجال التعلم شبه الموجه (semi-supervised learning)، وهو مجال مخصص لتعليم الحواسيب التعرف على الأنماط باستخدام مزيج من الإجابات المعروفة وغير المعروفة. تقليدياً، تعامل الإحصائيون مع هذه الإجابات المفقودة كحوادث عشوائية، بافتراض أن السبب وراء فقدان التسمية (label) لا علاقة له بالبيانات نفسها. ومع ذلك، في كثير من الحالات الواقعية، يكون السبب وراء فقدان التسمية في الواقع دليلاً؛ فقد يكون المريض صعب التشخيص بدقة لأن أعراضه مربكة، أو قد يتخطى المستجيب للاستطلاع سؤالاً لأن الإجابة محرجة. إذا تجاهل الحاسوب هذا الارتباط، فإنه يفقد قطعة حيوية من اللغز.
لقد طور فريق من الباحثين في جامعة كوينزلاند أداة جديدة لمساعدة الحواسيب على حل هذه المشكلة المحددة. لقد أنشأوا حزمة برمجية تسمى SSLfmm، والتي تسمح للآلات بالتعلم من بيانات تكون فيها التسميات مفقودة بطريقتين متميزتين: إما بشكل عشوائي تماماً، أو لأن البيانات نفسها جعلت الحصول على التسمية أمراً صعباً. بُنيت البرمجية على إطار عمل يعامل التسمية المفقودة ليس مجرد مساحة فارغة، بل كنتيجة لعملية محددة. ومن خلال نمذجة هذه العملية جنباً إلى جنب مع البيانات، يمكن للنظام التمييز بين التسمية المفقودة التي حدثت بمحض الصدفة، وتلك التي حدثت لأن نقطة البيانات كانت غامضة أو صعبة التصنيف. يتيح هذا النهج للحاسوب استخدام حقيقة أن التسمية مفقودة لتحسين فهمه للمجموعات التي يحاول تحديدها.
اختبر الباحثون برمجيتهم الجديدة من خلال إنشاء عالم محاكى من البيانات حيث عرفوا بالضبط كيف فُقدت التسميات. قاموا بتوليد ألف نقطة بيانات تمثل مجموعتين متداخلتين، ثم حذفوا التسميات لثوالي 32% منها عن عمد. وقسموا هذه التسميات المفقودة إلى فئتين: بعضها تمت إزالته عشوائياً، والبعض الآخر تمت إزالته خصيصاً لأن نقاط البيانات كانت يصعب التمييز بين بعضها البعض. ثم طلبوا من برمجيتهم تحديد المجموعات باستخدام استراتيجيتين مختلفتين. في الاستراتيجية الأولى، قيل للبرمجية بالضبط أي التسميات المفقودة كانت عشوائية وأيها كانت صعبة. وفي الاستراتيجية الثانية، قيل للبرمجية فقط أن هناك تسمية مفقودة، دون معرفة السبب. أظهرت النتأجج أنه حتى بدون معرفة السبب المحدد للتسميات المفقودة، استطاعت البرمجية التعلم بفعالية. فعند اختبارها على نقاط البيانات التي كانت تسمياتها مخفية، حققت النسخة التي عرفت الأسباب دقة تقارب 81%، بينما حققت النسخة التي اضطرت لتخمين الأسباب دقة مماثلة تقرياً بلغت حوالي 81%. أثبت هذا أن المنطق الداخلي للبرمجية للتعامل مع المعلومات المفقودة كان قوياً، حتى عندما كان مصدر الفقد مجهولاً.
ولرؤية كيف يعمل هذا في إعداد أكثر واقعية، طبق الفريق البرمجية على مجموعة بيانات تتعلق بنقل الدم. أخذوا سجلاً كاملاً لـ 748 متبرعاً وحذفوا التسميات لبعضهم اصطناعياً. احتفظوا بالتسميات للمتبرعين الذين يسهل تصنيفهم، وحذفوا التسميات لاختيار عشوائي من آخرين، وحذفوا التسميات لمجموعة ثالثة تم اختيارها خصيصاً لأنها كانت صعبة التصنيف. خلق هذا سيناريو حيث كانت التسميات المفقودة مزيجاً من الأحداث العشوائية والحالات الصعبة. ثم قام الباحثون بتشغيل البرمجية تحت ثلاثة افتراضات مختلفة: أن جميع التسميات المفقودة كانت عشوائية، أو أن جميعها كانت بسبب الصعوبة، أو أنها كانت مزيجاً من كليهما. كانت البرمجية التي افترضت وجود مزيج من كلا السببين هي الأفضل أداءً؛ حيث حددت مجموعات متبرعي الدم بدقة بلغت حوالي 61% للحالات الصعبة، متفوقة على النماذج التي افترضت نوعاً واحداً فقط من الفقد. كما قدرت البرمجية أن حوالي 10% من التسميات المفقودة كانت عشوائية، وهو رقم طابق بالفعل الإعداد الفعلي للتجربة.
بعيداً عن مجرد الحصول على الإجابة الصحيحة، توفر البرمجية طريقة للتحقق من عملها الخاص. فهي تحسب مقياساً لعدم اليقين لكل تنبؤ، وهي تسأل الحاسوب جوهرياً عن مدى ثقته في كل تصنيف. وعندما نظر الباحثون في درجات الثقة هذه، وجدوا نمطاً واضحاً: نقاط البيانات التي كانت في الأصل صعبة التسمية كانت تمتلك درجات عدم يقين أعلى بكثير من تلك التي كانت سهلة أو عشوائية. أكد هذا أن البرمجية نجحت في تعلم ربط التسميات المفقودة بصعوبة البيانات. الأداة متاحة الآن كحزمة مجانية للغة البرمجة R، وهي بيئة قياسية للحوسبة الإحصائية. وهي تتيح للباحثين ملاءمة النماذج، وإجراء التنبؤات، وتشغيل عمليات التشخيص دون الحاجة إلى كتابة أكواد معقدة من الصفر. تتضمن الحزمة وظائف لمحاكاة البيانات، والتحقق من مدى جودة عمل النموذج، وتصور العلاقة بين التسميات المفقودة وعدم يقين التصنيف.
تكمن أهمية هذا العمل في قدرته على التعامل مع الواقع الفوضوي لجمع البيانات. في العديد من المجالات، من الطب إلى العلوم الاجتماعية، نادراً ما تكون عملية الحصول على تسمية عملية عشوائية. ومن خلال الاعتراف بأن الفقد نفسه يحمل معلومات، تقدم حزمة SSLfmm طريقة أكثر صدقاً ودقة للتعلم من البيانات غير المكتملة. هي لا تدعي حل كل مشكلة تتعلق بالمعلومات المفقودة، ولا تقترح أن كل البيانات المفقودة هي بيانات معلوماتية. بدلاً من ذلك، توفر إطار عمل مرناً حيث يمكن للباحثين اختبار افتراضات مختلفة حول سبب فقدان البيانات ورؤية أي افتراض يؤدي إلى أفضل النتائج. ويؤكد المؤلفون أنه بينما أدت البرمجية أداءً جيداً في اختباراتهم، فإن الأرقام المحددة تعتمد على البيانات التي يتم تحليلها. القيمة الحقيقية للأداة هي أنها تمنح العلماء وسيلة لطرح السؤال: "هل حقيقة أنني لا أعرف هذه الإجابة تخبرني شيئاً عن الإجابة نفسها؟" والحصول على استجابة قائمة على البيانات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.