⚡ electrical engineering

eCP: Equivariant Conformal Prediction with pre-trained models

تقترح هذه الورقة طريقة eCP، التي تعزز التنبؤ المطابق لتقدير عدم اليقين طويل الأمد من خلال دمج التماثل الهندسي عبر متوسط المجموعات للنماذج مسبقة التدريب، مما يؤدي بشكل مثبت إلى تقليل درجات عدم المطابقة وإنتاج مجموعات تنبؤ أكثر حدة، لا سيما عند مستويات الثقة العالية.

المؤلفون الأصليون: Nikolaos Bousias, Lars Lindemann, George Pappas

نُشر 2026-04-21

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Nikolaos Bousias, Lars Lindemann, George Pappas

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

تخيل أنك خبير أرصاد جوية تحاول التنبؤ بمسار عاصفة. أنت تعلم أن العاصفة تتحرك، لكنك لست متأكداً بنسبة 100% من المكان الذي ستذهب إليه غداً بالضبط. لكي تكون آمناً، ترسم دائرة ضخمة على الخريطة وتقول: "العاصفة ستكون بالتأكيد في مكان ما داخل هذه المنطقة الشاسعة".

هذا يشبه إلى حد كبير التنبؤ المطابق (Conformal Prediction - CP). وهو أداة رياضية يستخدمها الذكاء الاصطناعي ليقول: "أنا متأكد بنسبة 95% أن الإجابة تقع داخل هذا الصندوق". المشكلة؟ عندما يحاول الذكاء الاصطناعي التنبؤ بمستقبل أبعد (مثل التنبؤ بمكان العاصفة بعد 5 أيام بدلاً من يوم واحد)، يصبح ذلك "الصندوق الآمن" ضخماً جداً لدرجة تجعله عديم الفائدة. قد يقول: "العاصفة قد تكون في أي مكان في البلاد بأكملها!" هذا صحيح تقنياً، لكنه ليس مفيداً جداً للتخطيط.

تقدم هذه الورقة البحثية حيلة جديدة تسمى eCP (التنبؤ المطابق المتماثل - Equivariant Conformal Prediction) لتقليص حجم ذلك الصندوق دون التضحية بضمان الأمان. وإليك كيف يعمل ذلك، باستخدام بعض التشبيهات من الحياة اليومية.

المشكلة: الذكاء الاصطناعي "المشتت"

تخيل أنك تعلم روبوتاً التعرف على الكرسي. تظهر له كرسياً، ثم تظهر له نفس الكرسي وهو مقلوب جانباً، ثم وهو مقلوب رأساً على عقب.

الذكاء الاصطناعي القياسي: إذا سألت الروبوت: "هل هذا كرسي؟" قد يقول "نعم" للكرسي وهو في وضع مستقيم، لكنه قد يرتبك ويقول "ربما" للكرسي وهو مقلوب جانباً، رغم أنه نفس الشيء تماماً.
النتيجة: عندما يحاول الروبوت التنبؤ بالمسار الذي سيسلكه أحد المشاة (شخص يمشي)، فإنه يرتبك بسبب زاوية الكاميرا أو الاتجاه الذي يواجهه الشخص. هذا الارتباك يجعل "صندوق الأمان" الخاص به (منطقة عدم اليقين) ينمو بشكل غير ضروري.

الحل: "العناق الجماعي" (التماثل)

أدرك المؤلفون أن العديد من مشكلات العالم الحقيقي تمتلك تماثلاً. فالكرسي يظل كرسياً سواء تم تدويره 90 درجة أو قلبه. والشخص الذي يمشي شمالاً يفعل الشيء نفسه الذي يفعله الشخص الذي يمشي جنوباً، ولكن في اتجاه مختلف.

يستخدم eCP حيلة ذكية تسمى "متوسط المجموعات" (Group Averaging).

فكر في الأمر كالتالي:

الطريقة القديمة: ينظر الذكاء الاصطناعي إلى شخص يمشي شمالاً ويضع تنبؤاً. ثم ينظر إلى شخص يمشي شرقاً ويضع تنبؤاً مختلفاً. ولأن الذكاء الاصطناعي مرتبك قليلاً بسبب الزاوية، فإن هذين التنبؤين يختلفان قليلاً، مما يخلق سحابة مشتتة وواسعة من عدم اليقين.
طريقة eCP: قبل وضع التنبؤ النهائي، يقول eCP: "انتظر لحظة. دعونا نتظاهر بأن هذا الشخص يمشي في كل الاتجاهات الممكنة في آن واحد".
- يأخذ تنبؤ الذكاء الاصطناعي.
- يقوم بتدوير التنبؤ 90 درجة، 180 درجة، وهكذا.
- يأخذ المتوسط لكل تلك التنبؤات المدورة.

التشبيه السحري: "الضبابية" مقابل "التركيز"

تخيل أنك تحاول التقاط صورة لمروحة تدور.

بدون eCP: تلتقط صورة، وتكون ضبابية لأن المروحة تتحرك. ترسم دائرة ضخمة حول الضباب لتقول: "شفرات المروحة موجودة بالتأكيد في مكان ما هنا".
مع eCP: تدرك أن المروحة متماثلة تماماً. لذا، بدلاً من النظر إلى لقطة واحدة ضبابية، تلتقط 10 لقطات للمروحة وهي تدور، وتقوم بتدويرها بحيث تصطف جميعها معاً، ثم تأخذ متوسطها. يختفي الضباب ويصبح لديك صورة حادة وواضحة لمركز المروحة.

من خلال "متوسط" الارتباك الناتج عن الزوايا والاتجاهات، يقوم eCP بإزالة "الضجيج" من عدم يقين الذكاء الاصطناعي.

لماذا يهم هذا؟

أثبتت الورقة شيئين مذهلين:

إنه أكثر أماناً: صندوق التنبؤ لا يزال يضمن أن الإجابة الحقيقية موجودة بداخله (تماماً مثل الطريقة القديمة).
إنه أصغر حجماً: نظرًا لأن الذكاء الاصطناعي أقل ارتباكاً بالزوايا، فإن الصندوق يتقلص بشكل كبير. في تجاربهم للتنبؤ بمسار المشاة، أصبح "صندوق الأمان" أصغر بنسبة 28% مع البقاء بنفس القدر من الأمان.

الخلاصة

eCP يشبه منح ذكاء اصطناعي فائق الذكاء نظارات تساعده على رؤية "شكل" العالم، بغض النظر عن الاتجاه الذي تواجه به الأشياء. لقد أخذوا طريقة كانت جيدة بالفعل في كونها آمنة ولكنها مفرطة في التحفظ (تصنع صناديق ضخمة)، وجعلوها دقيقة دون التضحية بذلك الأمان.

إنه إصلاح "لاحق" (post-hoc)، مما يعني أنك لست بحاجة لإعادة تدريب الذكاء الاصطناعي أو بناء روبوت جديد. أنت فقط تأخذ الذكاء الاصطناعي الذي تملكه بالفعل، وتعطيه "نظارات التماثل" هذه، وفجأة، تصبح تنبؤاته أكثر دقة وفائدة للمهام الواقعية مثل السيارات ذاتية القيادة أو الروبوتات.

إليك ملخص تقني مفصل لورقة البحث بعنوان "eCP: التنبؤ التوافقي المتكافئ (Equivariant Conformal Prediction) باستخدام النماذج المدربة مسبقاً."

1. بيان المشكلة

التنبؤ التوافقي (Conformal Prediction - CP) هو إطار عمل مستخدم على نطاق واسع للتقدير الكمي لعدم اليقين، حيث يوفر ضمانات تغطية تعتمد على عينات محدودة وخالية من التوزيع (distribution-free) تحت فرضية تبادل البيانات (data exchangeability). ومع ذلك، فإن أحد القيود الجوهرية لـ CP هو الكفاءة (efficiency): فكلما زاد مستوى الثقة (مثل 99%) أو امتد أفق التنبؤ (مثل التنبؤ بالمسارات طويلة المدى)، تصبح مجموعات التنبؤ الناتجة (مناطق عدم اليقين) كبيرة بشكل مفرط، مما يجعلها غير مفيدة من الناحية العملية.

تعامل طرق CP الحالية كل عينة بيانات بشكل منعزل، فهي تفشل في الاستفادة من التناظر الهندسي (geometric symmetries) (مثل الدوران، أو الإزاحة، أو الانعكاس) المتأصل في العديد من مشكلات العالم الحقيقي (مثل حركة المشاة أو الروبوتات). ونتيجة لذلك، قد تتلقى المدخلات المتكافئة تناظرياً درجات عدم تطابق (non-conformity scores) مختلفة لمجرد اختلاف اختيار إطارات الإحداثيات، مما يؤدي إلى تضخم تقديرات عدم اليقين.

تعالج هذه الورقة تحدي تحسين كفاءة (إحكام) مجموعات التنبؤ التوافقي دون التضحية بضمانات التغطية أو إعادة تدريب النموذج التنبئي الأساسي.

2. المنهجية: التنبؤ التوافقي المتكافئ (eCP)

يقترح المؤلفون منهجية eCP، وهي إجراء لاحق (post-hoc) يضفي المعلومات الهندسية على CP القياسي من خلال الاستفادة من تناظرات المجموعات. وتتمثل الآلية الجوهرية في متوسط المجموعات (group-averaging) لدرجات عدم التطابق للنموذذ المتنبئ المدرب مسبقاً.

المكونات التقنية الرئيسية:

التناظر المجموعاتي والمدارات (Group Symmetry & Orbits): تفترض الطريقة أن البيانات ومهمة التنبؤ تظهر ثباتاً (invariance) تحت مجموعة تناظر $G$ (مثل دوران المستوى $SO(2)$ ). يتم التعامل مع العينة $(x, y)$ ليس كنقطة معزولة، بل كممثل لمدارها $O(x, y) = \{(\phi_g(x), \psi_g(y)) \mid g \in G\}$ .
مشغل التناظر (Symmetrization Operator $\Pi_G$ ): بدلاً من استخدام درجة عدم التطابق الخام $s(f_\theta(x), y)$ ، تُعرف eCP درجة متناظرة عبر المتوسط على المجموعة:
$\Pi_G[s; f](x,y) := \mathbb{E}_{g \sim \mu_G} \left[ s\left( f_\theta(\phi_{g^{-1}}(x)), \psi_{g^{-1}}(y) \right) \right]$
حيث $\mu_G$ هو مقياس هير (Haar measure) على المجموعة $G$ .
المتنبئ المتكافئ (Equivariantized Predictor): تقوم الطريقة فعلياً ببناء متنبئ جديد $f^G_\theta$ عن طريق حساب متوسط تنبؤات النموذج المدرب مسبقاً عبر مدار المجموعة:
$f^G_\theta(x) := \mathbb{E}_{g \sim \mu_G} \left[ \psi_g \circ f_\theta \circ \phi_{g^{-1}}(x) \right]$
هذا الإسقاط يجبر المتنبئ على احترام البنية التناظرية، حتى لو كان النموذج الأصلي $f_\theta$ متكافئاً بشكل تقريبي فقط.
التطبيق اللاحق (Post-Hoc Application): من الأهمية بمكان أن هذه العملية لا تتطلب إعادة تدريب أو تعديلاً هيكلياً للنموذج الأساسي؛ فهي تعمل بالكامل على مجموعة المعايرة (calibration set) ومدخل الاختبار باستخدام النموذج المدرب مسبقاً.

3. المساهمات النظرية

تقدم الورقة براهين نظرية صارمة تثبت أن eCP توفر مجموعات تنبؤ أكثر إحكاماً مع الحفاظ على الصلاحية.

الصلاحية (ضمان التغطية): تحت افتراض التبادلية المتكافئة لـ $G$ (G-invariant exchangeability)، تثبت الورقة (النظرية 1) أن مجموعة التنبؤ التوافقي المتكافئ تحافظ على ضمان التغطية القياسي للعينات المحدودة:
$P(Y_{test} \in C^{(G)}_{1-\alpha}(X_{test})) \geq 1-\alpha$
الترتيب العشوائي (الانكماش): تثبت النتيجة النظرية المركزية (النظرية 2) أن درجات عدم التطابق للنموذج المتكافئ هي منكمشة في الترتيب المحدب المتزايد ( $S_{f^G} \preceq_{icx} S_f$ $S_{f^{G}} ⪯_{i c x} S_{f}$ ) بالنسبة للنموذج الأصلي.
- وهذا يعني أنه لأي دالة محدبة متزايدة $\nu$ ، فإن $\mathbb{E}[\nu(S_{f^G})] \leq \mathbb{E}[\nu(S_f)]$ .
- ويؤدي هذا تحديداً إلى تقليل التباين وتحسين سلوك الذيول (tail behavior).
حدود الذيول وتقليص المئينات:
- انكماش CVaR: القيمة الشرطية للمخاطرة (CVaR) لدرجات عدم التطاق المتكافئة هي أقل بشكل صريح (النظرية 3)، مما يعني حدوداً أكثر إحكاماً للكميات المتطرفة.
- حدود Chernoff و Hoeffding: توضح الورقة في الملاحق أن eCP تحسن حدود الذيول الأسية (Cherffon) ومتباينات التركيز (Hoeffding/Bernstein)، مما يؤدي إلى تقارب أسرع للمئينات التجريبية.
- تقليص الحجم: ثبت أن الحجم المتوقع لمجموعة التنبؤ التوافقي ينكمش: $\mathbb{E}[\text{Vol}(C^{(G)}_{1-\alpha})] \leq \mathbb{E}[\text{Vol}(C_{1-\alpha})]$ .

4. النتائج التجريبية

قيم المؤلفون منهجية eCP على التنبؤ بمسارات المشاة، وهو مجال يتميز بتناظرات هندسية قوية وتراكم عدم اليقين في المسافات الطويلة.

مجموعات البيانات: ETH–UCY، وStanford Drone Dataset (SDD)، وبيانات حركة لاعبي كرة السلة (SportVU NBA).
النماذج الأساسية: تم استخدام نموذجين تنبئيين مختلفين مدربين مسبقاً:
1. SocialVAE: نموذج متغير كامن عشوائي ومتعدد الأنماط.
2. TUTR: نموذج قائم على المحولات (Transformer) حتمي.
مجموعات التناظر: اختبرت التجارب مجموعات ذات غنى متزايد: $C_4$ (دوران 90 درجة)، $C_8$ (دوران 45 درجة)، و $SO(2)$ (دوران مستوي مستمر).
النتائج الرئيسية:
- إحكام ملحوظ: قللت eCP باستمرار من مئين المعايرة ( $Q_{0.05}$ ، نصف قطر التوافق بنسبة 95%) بنسبة تقارب 28% مقارم بـ CP القياسي.
- مكاسب الثقة العالية: كانت التحسينات أكثر وضوحاً عند مستويات الثقة العالية (مثل 99%)، حيث يكون CP القياسي عادةً محافظاً بشكل مفرط.
- الحفاظ على التغطية: رغم الانخفاض الكبير في حجم المجموعة، ظلت التغطية التجريبية قريبة من الهدف الاسمي (مثلاً ~95% أو ~99%)، مما يؤكد صحة الضمانات النظرية.
- غنى المجموعة: تحسن الأداء بشكل رتيب مع غنى مجموعة التناظر ( $SO(2) > C_8 > C_4$ )، مما يؤكد أن الاستغلال الأقوى للتناظر يؤدي إلى تقليل أكبر لعدم اليقين.
- الاستقلالية عن النموذج: عملت الطريقة بشكل جيد لكل من النماذج العشوائية (SocialVAE) والحتمية (TUTR).

5. الأهمية والخاتمة

تعمل eCP على سد الفجوة بين التحيز الاستقرائي الهندسي والتقدير الكمي اللاحق.

الأثر العملي: توفر آلية مبدئية لجعل تقديرات عدم اليقين في الروبوتات والأنظمة ذاتية القيادة أكثر قابلية للتنفيذ بشكل كبير دون التكلفة الحسابية لإعادة تدريب النماذج المعقدة.
الرؤية النظرية: توضح كيف يمكن استغلال التناظر "التقريبي" أو "الناشئ" في النماذج المدربة مسبقاً بشكل رسمي لتضييق حدود عدم اليقين، حتى لو لم يكن النموذج متكافئاً تماماً.
القيود: تتطلب الطريقة معرفة مجموعة التناظر ذات الصلة. إذا لم تتطابق المجموعة المفترضة مع التناظرات الحقيقية للبيانات، فقد تكون المكاسب محدودة. بالإضافة إلى ذلك، تتطلب المجموعات المستمرة (مثل $SO(2)$ ) تقريباً بطريقة مونت كارلو، مما يضيف عبئاً حسابياً طفيفاً.

باختصار، تحول eCP "الهدر" في المعلومات المتكافلة تناظرياً في CP القياسي إلى مورد لتقليص مناطق عدم اليقين، مما يوفر تنبؤات أكثر دقة وموثوقية للمهام الحرجة التي تتطلب سلامة عالية ومسافات طويلة.