🤖 machine learning

CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression

تقدم الورقة البحثية CREDO، وهي طريقة تجمع بين الأغلفة الاعتقادية القابلة للتفسير والمعايرة المطابقة لتوليد فترات تنبؤية خالية من التوزيع تأخذ في الاعتبار صراحةً عدم اليقين المعرفي مع الحفاظ على ضمانات تغطية صارمة.

المؤلفون الأصليون: Luben M. C. Cabezas, Sabina J. Sloman, Bruno M. Resende, Fanyi Wu, Michele Caprio, Rafael Izbicki

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Luben M. C. Cabezas, Sabina J. Sloman, Bruno M. Resende, Fanyi Wu, Michele Caprio, Rafael Izbicki

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 في التنبؤ بالطقس. مهمتك هي توقع درجة الحرارة غداً وإعطاء الناس نطاقاً من الاحتمالات، مثل "ستكون بين 60 و70 درجة فهرنهايت".

معظم نماذج الذكاء الاصطنا- الحديثة بارعة في هذا، لكن لديها عادة خطيرة: وهي الثقة المفرطة.

إذا سألت ذكاءً اصطناعياً قياسياً عن الطقس في مكان لم يزره من قبل (منطقة "نادرة" حيث لا تتوفر لديه بيانات)، فقد يظل واثقاً ويقول: "ستكون بين 60 و70 درجة فهرنهايت". إنه لا يدرك أنه بسبب عدم امتلاكه لبيانات هناك، فإنه في الواقع يقوم بالتخمين فحسب. إنه يفشل في الاعتراف بـ "أنا لا أعرف ما يكفي لأكون متأكداً".

تقدم هذه الورقة طريقة جديدة تسمى CREDO (التراجع المعتمد على التوافق مع مغلفات إبستيمية - Conformalized Regression with Epistemic-aware creDal envelOpes). فكر في CREDO كـ "خبير أرصاد جوية صادق" يعرف متى يكون في حالة تخمين.

إليك كيف تعمل، مقسمة إلى تشبيهات بسيطة:

1. نوعا عدم اليقين

لفهم CREDO، عليك معرفة أن هناك نوعين من "عدم المعرفة":

عدم اليقين الأليتوري (الضجيج): هو الفوضى الطبيعية في العالم. حتى لو كنت تعرف كل شيء عن الطقس، فسيظل من العشوائي نوعاً ما ما إذا كانت ستمطر أم ستشرق الشمس. هذا أمر لا يمكن تجنبه.
عدم اليقين الإبستيمي (الجهل): هو عدم اليقين الناتج عن نقص المعلومات. وهو عندما لا يكون لدى النموذج بيانات كافية لتقديم تخمين جيد.

غالباً ما تخلط نماذج الذكاء الاصطناعي القياسية بينهما. قد يعطونك نطاقاً ضيقاً (عدم يقين منخفض) حتى عندما يكونون في حالة جهل تام. CREDO تفصل بينهما.

2. "المغلف الكريدالي" (شبكة الأمان)

الخطوة الأولى من CREDO هي بناء مغلف كريدالي (Credal Envelope).
تخيل أن لديك فريقاً من 100 خبير طقس مختلف (مجموعة كريدالية).

في مدينة عاش فيها الجميع لسنوات (بيانات كثيرة)، يتفق جميع الخبراء الـ 100: "ستكون بين 60-70 درجة فهرنهايت".
في صحراء جديدة غير مستكشفة (بيانات قليلة)، يبدأ الخبراء في الجدال. البعض يقول 40 درجة، والبعض الآخر يقول 90 درجة.

CREDO لا تختار خبيراً واحداً. بدلاً من ذلك، ترسم شبكة أمان ضخمة تغطي جميع التخمينات المعقولة من الفريق.

في المدينة: تكون الشبكة ضيقة (60-70 درجة فهرنهايت).
في الصحراء: تكون الشبكة ضخمة (40-90 درجة فهرنهايت).

هذا هو الجزء "الإبستيمي". تصبح الشبكة أوسع تماماً في الأماكن التي لا يملك فيها النموذج بيانات كافية ليكون متأكداً.

3. "التوافق المعاير" (اختبار الواقع)

هناك عقبة: شبكة الأمان المكونة من آراء الخبراء قد تظل خاطئة إذا كان الخبراء منحازين. ربما يعتقدون جميعاً أن الجو أحر مما هو عليه بالفعل.

هنا يأتي دور الخطوة الثانية، التوافق المعاير (Conformal Calibration). فكر في هذا كـ مراقب جودة.

يأخذ المراقب مجموعة منفصلة من بيانات الطقو السابقة (بيانات لم يرها النموذج بعد).
يتحقق من: "كم مرة أخطأت شبكة الأمان في تحديد درجة الحرارة الفعلية؟"
إذا أخطأت الشبكة كثيراً، يقول المراقب: "وسّع الشبكة قليلاً!"
إذا كانت الشبكة واسعة جداً، يقول: "ضيّقها."

هذه الخطوة تضمن، من الناحية الرياضية، أن فترة التنبؤ ستكون صحيحة بنسبة 90% من الوقت (أو أي مستوى تختاره)، بغض النظر عن مدى غرابة البيانات. إنه ضمان "مستقل عن التوزيع"، مما يعني أنه يعمل حتى لو كان الطقس يتبع نمطاً مجنونًا وغير متوقع.

4. الجزء الأفضل: "التفكيك"

سحر CREDO هو أنها لا تعطيك مجرد رقم نهائي؛ بل تخبرك لماذا هذا الرقم واسع.

عندما تحصل على تنبؤ مثل "ستكون بين 40 و90 درجة فهرنهايت"، تقوم CREDO بتفكيك تلك الفجوة البالغة 50 درجة إلى ثلاثة أجزاء:

الجوهر (الأليوري): "الطقس متغير بطبيعته، لذا نتوقع تذبذباً قدره 10 درجات."
الجهل (الإبستيمي): "لكننا في صحراء بلا بيانات، لذا أضفنا 30 درجة كعامل أمان 'تحسباً لأي شيء'."
هامش السلامة (المعايرة): "وأضفنا 10 درجات لأن المراقب قال إن توقعاتنا السابقة كانت غير دقيقة قليلاً."

لماذا هذا مهم؟

في العالم الحقيقي، معرفة سبب عدم يقينك لا تقل أهمية عن التنبؤ نفسه.

في الطب: إذا توقع ذكاء اصطناعي أن مريضاً لديه فرصة 90% للتعافي، ولكن جزء "الجهل" في الفترة الزمنية كبير جداً، فإن الطبيب يعلم: "هذا الذكاء الاصطناعي يخمن لأنه لم يرَ هذا المرض النادر من قبل. يجب أن أكون حذراً."
في السيارات ذاتية القيادة: إذا رأى الذكاء الاصطناዊ للسيارة جسماً غريباً على الطريق لم يره من قبل، فستجعل CREDO "منطقة عدم اليقين" ضخمة، مما يخبر السيارة بالتباطؤ وتوخي الحذر الشديد، بدلاً من القيادة بثقة عبره.

ملخص

CREDO هي طريقة تجمع بين صدق فريق من الخبراء (الذين يعترفون عندما لا يعرفون) وبين دقة مراقب الجودة (الذي يضمن أن الإجابة النهائية آمنة إحصائياً).

إنها تعطيك فترة تنبؤ:

تتسع تلقائياً عندما يدخل الذكاء الاصطناعي في "مناطق مجهولة".
تضمن أنها لن تكون خاطئة كثيراً.
تشرح بالضبط مقدار ما إذا كان عدم اليقين ناتجاً عن "ضجيج حقيقي" أم عن "نقص في البيانات".

إنها تحول التنبؤ من "صندوق أسود" إلى محادثة شفافة وموثوقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "CREDO: غلافات كيردال المعتمدة على التنبؤ التنبئي المعرفي للانحدار" (CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression).

1. بيان المشكلة

تتطلب أنظمة تعلم الآلة الحديثة تقديرًا قويًا لعدم اليقين (Uncertainty Quantification - UQ)، لا سيما في مهام الانحدار حيث توجه التنبؤات القرارات الحاسمة. هناك نهجان مهيمنان، لكن كلاهما يعاني من قيود:

التنبؤ التشكلي (Conformal Prediction - CP): يوفر ضمانات تغطية هامشية خالية من التوزيع (distribution-free marginal coverage) (الصلاحية)، ولكنه غالبًا ما يفشل في تمثيل عدم اليقين المعرفي (epistemic uncertainty) بشكل صريح (عدم اليقين الناتج عن نقص البيانات أو غموض النموذج). نتيجة لذلك، يمكن أن تبدو فترات التنبؤ التشكلي القياسية "واثقة أكثر من اللازم" (ضيقة جدًا) في المناطق ذات البيانات الشحيحة أو أثناء الاستقراء (extrapolation).
طرق الاحتمال غير الدقيق/الكيردالي (Credal/Imprecise Probability Methods): تمثل عدم اليقين المعرفي باستخدام مجموعات من التوزيعات المحتملة بدلاً من توزيع واحد. وبينما تجعل هذه الطرق التأثيرات المعرفية مرئية، إلا أنها عادة ما تكون قائمة على النموذج (model-based) وتفتقر إلى ضمانات تغطية صارمة وخالية من التوزيع، مما يجعلها غير موثوقة في حالات العينات المحدودة دون افتراضات قوية.

التحدي الجوهري: كيف يمكن بناء فترات تنبؤ تكون معايرة (تضمن التغطية) وقابلة للتفسير معرفيًا (تتسع بشكل مناسب عندما يكون الدعم المحلي للبيانات ضعيفًا).

2. المنهجية: إطار عمل CREDO

يقترح المؤلفون CREDO (Conformalized Regression with Epistemic-aware creDal envelOpes)، وهو وصفة "كيردالية ثم تشكلية" تفصل بين نمذجة عدم اليقين المعرفي ومعايرة التغطية.

أ. سير العمل عالي المستوى

بناء الغلاف الكيردالي (Credal Envelope Construction): بناء مجموعة محلية من التوزيعات التنبؤية المعتمدة على المتغيرات المستقلة ( $F_0(x)$ ) لتمثيل عدم اليقين المعرفي. يتم تلخيص هذه المجموعة في غلاف كمي كيردالي $[\ell(x), u(x)]$ .
المعايرة التشكلية (Conformal Calibration): تطبيق التنبؤ التشكلي المنقسم (split conformal prediction) فوق هذا الغلاف باستخدام درجة المسافة إلى الغلاف لضمان التغطية الهامشية في العينات المحدودة.

ب. المكونات التقنية الرئيسية

1. المجموعات الكيردالية اللاحقة المقطعة عند الأطراف (Endpoint-Trimmed Posterior Credal Sets) (الخطوة 1)
بدلاً من استخدام توزيع لاحق واحد، يبني CREDO مجموعة كيردالية عبر الاحتفاظ فقط بالتوزيعات التنبؤية اللاحقة "المحتملة".

الآلية: يقوم بسحب عينات من التوزيع اللاحق $\pi(\theta | D_{tr})$ . لكل عينة $\theta$ ، يحسب الكميات الشرطية $q_L(\theta, x)$ و $q_U(\theta, x)$ .
التقليم (Trimming): يقوم بتقليم الأطراف القصوى لهذه الكميات بناءً على مستوى تقليم $\gamma$ . وتحديدًا، يستبعد أدنى $\gamma/2$ من الأطراف الدنيا وأعلى $\gamma/2$ من الأطراف العليا.
النتيجة: النطاق المتبقي $[C_L(x), C_U(x)]$ يشكل الغلاف الكيردالي. يعكس هذا العرض تشتت التوزيع اللاحي، مما يعمل كوكيل لعدم اليقين المعرفي.

2. التقليم التكيفي المعتمد على كثافة البيانات (Adaptive Data-Density-Aware Trimming) (الخطوة 1.5)
لمعالجة مشكلة كون التقليم العالمي قد يكون متحفظًا للغاية في المناطق الكثيفة أو فضفاضًا للغاية في المناطق الشحيحة، يقدم CREDO معامل $\gamma(x)$ التكيفي.

درجة الندرة (Scarcity Score): يتم حساب درجة $sc(x) $بناءً على المسافة إلى أقرب جار$ k $في بيانات التدريب (باستخدام تمثيل$ \phi(x)$).
المنطق التكيفي:
- **المناطق الشحيحة (درجة $sc(x) $عالية):** يصبح$ \gamma(x)$ صغيرًا. يقل التقليم، مما يؤدي إلى غلاف أوسع لاستيعاب عدم اليقين المعرفي العالي.
- **المناطق الكثيفة (درجة $sc(x) $منخفضة):** يصبح$ \gamma(x)$ كبيرًا. يحدث تقليم عدواني، مما يؤدي إلى غلاف أضيق يستفيد من الدقة المحلية.
الصلاحية: بما أن $\gamma(x)$ يعتمد فقط على المتغيرات المستقلة $X$ ، فإن الخطوة التشكلية اللاحقة تظل صالحة.

3. المعايرة التشكلية (الخطوات 3-4)

دالة الدرجة (Score Function): تستخدم المسافة بين النقطة الجديدة $y$ والغلاف الكيردالي: $s(x, y) = \max(\ell(x) - y, y - u(x))$ .
المعايرة: تحسب الكمية التجريبية $\hat{\tau}$ لهذه الدرجات على مجموعة معايرة.
الفترة النهائية: $C(x) = [\ell(x) - \hat{\tau}, u(x) + \hat{\tau}]$ .

4. تفكيك عدم اليقين (Uncertainty Decomposition)
ميزة فريدة لـ CREDO هي القدرة على تفكيك عرض الفترة النهائية $|C(x)|$ إلى ثلاثة مكونات قابلة للتفسير:
$|C(x)| = \underbrace{U_A(x)}_{\text{Aleatoric}} + \underbrace{(|[\ell(x), u(x)]| - U_A(x))}_{\text{Epistemic}} + \underbrace{2\hat{\tau}}_{\text{Calibration Slack}}$

الآلي (Aleatoric): متوسط عرض النموذج الشرطي (الضجيج غير القابل للاختزال).
المعرفي (Epistemic): التضخم الناتج عن المجموعة الكيردالية (غموض النموذج/نقص البيانات).
المعايرة (Calibration): الفائض (slack) الخالي من التوزيع المطلوب لضمان التغطية.

3. المساهمات الرئيسية

إطار عمل مبتكر: يعد CREDO أول طريقة تدمج المجموعات الكيردالية (للنمذجة المعرفية) مع التنبؤ التشكلي المنقسم (للصلاحية) في سياق الانحدار.
القابلية للتفسير: يوفر تفكيكًا شفافًا لعرض الفترة، مما يسمح للمستخدمين بتشخيص سبب اتساع الفترة (هل هو بسبب الضجيج، أم نقص البيانات، أم المعايرة؟).
الآلية التكيفية: تقديم معامل التقليم $\gamma(x)$ المعتمد على كثافة البيانات يسمح للطريقة بتوسيع الفترات تلقائيًا في مناطق الاستقراء دون ضبط يدوي.
الضمانات النظرية:
- النظرية 3.3: تثبت أن CREDO يحقق تغطية هامشية خالية من التوزيع ( $P(Y_{n+1} \in C(X_{n+1})) \geq 1-\alpha$ ) تحت شرط التبادلية (exchangeability).
- النظرية 3.4: توضح الاتساق التقاربي (asymptotic consistency)، حيث يتلاشى التصحيح التشكلي وتتقارب الفترة نحو الكميات الشرطية المثلى (oracle conditional quantiles) مع زيادة حجم العينة.

4. النتائج التجريبية

قيم المؤلفون CREDO على 12 معيارًا قياسيًا للانحدار (تتراوح من 1,000 إلى 54,000 عينة) مقابل أحدث النماذج المرجعية مثل (CQR, UACQR, EPICScore).

التغطية: حقق CREDO باستمرار تغطية هامشية مستهدفة بنسبة 90%، مما يؤكد صلاحيته.
الكفاءة (SMIS): كان CREDO منافسًا أو متفوقًا على النماذج المرجعية في مقياس SMIS (Scaled Mean Interval Score)، مما يشير إلى توازن أفضل بين عرض الفترة وأخطاء التغطية.
التكيف المعرفي (ILR): أظهر CREDA تفوقًا في نسب طول الفترة (ILR). فقد وسع الفترات بشكل كبير للقيم المتطرفة (المناطق شحيحة البيانات) مقارنة بالقيم الطبيعية، بينما ظلت الطرق القياسية مثل CQR ثابتة أو واثقة أكثر من اللازم في المناطق الشحيحة.
التحقق من التفكيك: أكدت التجارب أن المكون "المعرفي" لتفكيك عدم اليقين كان أعلى بكثير للقيم المتطرفة منه للقيم الطبيبة، مما يؤكد قدرة الطريقة على عزل الغموض النموذجي عن الضجيج الآلي.

5. الأهمية والأثر

سد الفجوة: ينجح CREDO في سد الفجوة بين الدقة النظرية للتنبؤ التشكلي وقابلية التفسير للاحتمالات غير الدقيقة.
الأمان في تطبيقات الذكاء الاصطناعي عالية المخاطر: من خلال توسيع الفترات صراحةً حيث تكون البيانات شحيحة، يقلل CREDO من خطر التنبؤات "الواثقة أكثر من اللازم" في التطبيقات الحرجة (مثل الرعاية الصحية، والقيادة الذاتية) حيث يكون الاستقراء خطيرًا.
أداة تشخيصية: يوفر تفكيك عدم اليقين عدسة تشخيصية جديدة لمطوري النماذج لفهم ما إذا كان عدم اليقين في التنبؤ ناتجًا عن ضجيج البيانات المتأصل أو نقص في بيانات التدريب، مما يسهل عملية تصحيح النماذج واستراتيجيات جمع البيانات.
القابلية للتوسع: تتميز الطريقة بكفاءة حسابية، حيث تعتمد على أخذ عينات لاحقة قياسية (مثل Monte Carlo Dropout أو MCMC) وحسابات كمية بسيطة، مما يجعلها قابلة للتطبيق على مجموعات البيانات واسعة النطاق.

باختصار، يمثل CREDO تقدمًا مهمًا في تقدير عدم اليقين في مهام الانحدار، حيث يقدم طريقة ليست صالحة إحصائيًا فحسب، بل أيضًا صادقة معرفيًا، حيث تكيف مستويات ثقتها بناءً على توافر الأدلة المحلية.