🤖 machine learning

SMT-AD: a scalable quantum-inspired anomaly detection approach

تقدم الورقة البحثية SMT-AD، وهي طريقة كشف عن الشذوذ مستوحاة من الحوسبة الكمومية وعالية التوازي تعتمد على مؤثرات ضرب المصفوفات المتراكبة مع تضمين الميزات بمساعدة فوريه، والتي تحقق أداءً تنافسيًا على مجموعات البيانات القياسية مع حد أدنى من الإعدادات مع توفير ضغط فعال للنماذج واختيار الميزات.

المؤلفون الأصليون: Apimuk Sornsaeng, Si Min Chan, Wenxuan Zhang, Swee Liang Wong, Joshua Lim, Dario Poletti

نُشر 2026-04-09

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Apimuk Sornsaeng, Si Min Chan, Wenxuan Zhang, Swee Liang Wong, Joshua Lim, Dario Poletti

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

الصورة الكبيرة: البحث عن "الشخص المختلف"

تخيل أنك حارس أمن في محطة قطار مزدحمة. مهمتك هي رصد الشخص الذي لا ينتمي للمكان.

الأشخاص الطبيعيون يرتدون بدلات، ويحملون حقائب عمل، ويمشون بإيقاع يمكن التنبؤ به.
الحالات الشاذة (الأشرار) قد يرتدون زي مهرج، أو يركضون للخلف، أو يحملون بطة مطاطية عملاقة.

المشكلة هي أنك لم ترَ "زي المهرج" هذا من قبل. أنت تعرف فقط كيف يبدو الشخص "الطبيعي". هذا هو تحدي كشف الشذوذ (Anomaly Detection): تعليم الكمبيوتر التعرف على ما هو "طبيعي" حتى يتمكن فوراً من رصد أي شيء يبتعد عن هذا النمط.

الحل الجديد: SMT-AD

يقترح المؤلفون أداة جديدة تسمى SMT-AD (تراكب الموترات متعددة الدقة لكشف الشذوذ). إنها طريقة "مستوحاة من الحوسبة الكمومية"، لكن لا تدع الاسم المخيف يخدعك. فكر فيها كأنها كاميرا فائقة القدرة ومتعددة العدسات تنظر إلى البيانات بطريقة محددة للغاية.

إليك كيف تعمل، مقسمة إلى ثلاث خطوات بسيطة:

1. مرشح "الترتيب" (المعالجة المسبقة)

قبل أن ينظر الكمبيوتر إلى البيانات، يقوم بتنظيفها.

التشبيه: تخيل أن لديك قائمة بالأطوال: 5 أقدام، 6 أقداد، 7 أقدام، و100 قدم (عملاق). إذا نظرت إلى الأرقام فقط، فإن العملاق بطول 100 قدم سيؤثر على كل شيء بشكل مبالغ فيه.
ماذا يفعل SMT-AD: بدلاً من النظر إلى الأرقام الخام، يقوم بترتيبها. يقول: "حسناً، هذا هو الثاني من حيث القصر، وهذا هو الأول..." إنه يحول الجميع إلى درجة تتراوح بين 0 و1. هذا يضمن أن أي قيمة شاذة واحدة لن تكسر النظام بأكمله.

2. الرؤية "متعددة العدسات" (تضمين فوريه)

هذا هو السر الحقيقي. معظم نماذج الذكاء الاصطناعي تنظر إلى البيانات من خلال "عدسة" واحدة. أما SMT-AD فينظر إليها من خلال عدسات متعددة بمستويات زووم (تقريب) مختلفة في وقت واحد.

التشبيه: تخيل أنك تنظر إلى لوحة فنية.
- العدسة 1 (زاوية واسعة): ترى الصورة الكبيرة (الغابة).
- العدسة 2 (مقربة): ترى الأشجار.
- العدسة 3 (ماكرو): ترى الأوراق والعروق.
ماذا يفعل SMT-AD: يستخدم خدعة رياضية (أنماط فوريه) للنظر إلى كل قطعة من البيانات عند مستويات "دقة" أو ترددات مختلفة. قد تبدو عملية شراء ببطاقة ائتمان طبيعية وسلسة عند النظر إليها من "زاوية واسعة"، ولكن الشذوذ قد يبدو متعرجاً وغريباً عند تقريب الصورة. من خلال النظر إلى كل هذه الزوايا في آن واحد، يلتقط النموذج أدلة دقيقة قد تفوتها النماذج الأخرى.

3. فريق "التراكب" (النموذج)

هنا يأتي الجزء "الكمومي"، ولكن فكر فيه كأنه فريق من المتخصصين.

التشبيه: بدلاً من توظيف محقق واحد ضخم ومكلف لحل القضية، يقوم SMT-AD بتوظيف فريق من 30 أو 40 محققاً صغيراً ومتخصصاً.
- كل محقق بسيط جداً (ينظر فقط إلى زاوية محددة).
- يعملون جميعاً في نفس الوقت (المعالجة المتوازية).
- يدمجون آراءهم للوصول إلى قرار نهائي.
لماذا هذا رائع؟ لأن الفريق مكون من أجزاء بسيطة، فإن النظام بأكمله خفيف الوزن للغاية. لا يحتاج إلى كمبيوتر خارق للتشغيل؛ يمكنه العمل على جهاز كمبيوتر محمول أو حتى على جهاز صغير في مصنع.

كيف يقرر: "درجة الطبيعية"

بعد أن ينظر فريق المحققين إلى بيانات جديدة (مثل معاملة بطاقة ائتمان)، يعطونها درجة طبيعية (Normality Score).

الدرجة قريبة من 1.0: "هذا يبدو تماماً مثل الأشخاص الطبيعيين الذين رأيناهم من قبل. دعهم يمرون."
الدرجة قريبة من 0.0: "هذا يبدو غريباً. لا يتناسب مع النمط. أوقف العملية وابحث في الأمر."

لماذا هو أفضل من الطرق القديمة؟

تقارن الورقة البحثية SMT-AD بثلاث طرق شهيرة أخرى:

OC-SVM: يشبه السياج الصلب. يحاول رسم دائرة مثالية حول كل الأشخاص "الطبيعيين". إذا خطا شخص ما خارجها قليلاً، فإنه يطلق إنذاراً. إنه دقيق ولكنه بطيء وثقيل.
Isolation Forest: يشبه لعبة "تقطيع الكعكة". يستمر في تقسيم البيانات إلى نصفين حتى يعزل الغرباء. إنه سريع ولكنه قد يفتقد بعض الأدلة الدقيقة.
TNAD (طريقة شبكة الموترات السابقة): معقدة وصعبة التوسع.

يتفوق SMT-AD لأنه:

سريع وخفيف: يستخدم عدداً قلي كثيراً من "المعلمات" (الذاكرة). إنه يشبه قيادة سكوتر كهربائي رشيق بدلاً من قيادة دبابة ثقيلة.
دقيق: في الاختبارات القياسية (مثل كشف الاحتيال في بطاقات الائتمان)، يضاهي أو يتفوق على العمالقة.
قابل للتفسير: هذا هو الجزء الأفضل. نظرًا لأن النموذج مبني مثل فريق من المتخصصين، يمكننا أن نسأل: "لماذا اعتبرت هذا شذوذاً؟"
- يمكن للنموذج الإشارة إلى سمات محددة (مثلاً: "تم رصد هذه المعاملة لأن الوقت والموقع لم يتطابقا، وليس لأن المبلغ كان مرتفعاً").
- يمكنه حتى إخبارك أي السمات هي الأكثر أهمية، مما يسمح لك بالتخلص من البيانات غير المفيدة وجعل النموذج أصغر وأسرع.

الخلاصة

SMT-AD هو طريقة جديدة وعالية الكفاءة للعثور على الاحتيال، أو الأخطاء، أو الأعطال. وهو يعمل من خلال:

تنظيف البيانات.
النظر إليها عبر مستويات "زووم" متعددة في آن واحد.
استخدام فريق خفيف من الكواشف البسيطة لرصد الأمور الغريبة.

إنه سريع بما يكفي ليعمل على الأجهزة الصغيرة، وذكي بما يكفي لكشف المحتالين الماكرين، وشفاف بما يكفي ليشرح سبب كشفهم. إنه أداة مثالية لمستقبل الأمن والمراقبة في عالم مليء بالبيانات.

1. بيان المشكلة

يعد اكتشاف الشذوذ (Anomaly detection) مهمة حاسمة في تعلم الآلة تهدف إلى تحديد العينات النادرة أو غير النمطية التي تنحرف عن التوزيع المهيمن للبيانات الطبيعية. غالبًا ما يتم صياغة هذه المهمة كمسألة تعلم من فئة واحدة (one-class learning)، حيث يتم تدريب النماذج حصريًا على البيانات الطبيعية ( $N$ ) ويجب عليها اكتشاف الشذوذ ( $A$ ) باعتباره انحرافات عن "المنطوق" (manifold) الطبيعي المتعلم.

تواجه الأساليب الحالية عدة تحديات:

الطرق الكلاسيكية: قد تعاني نماذج (One-class SVMs) وغابات العزل (Isolation Forests) مع البيانات عالية الأبعاد أو الارتباطات غير الخطية المعقدة.
التعلم العميق: غالبًا ما تتطلب المشفرات التلقائية (Autoencoders) وشبكات الخصومة التوليدية (GANs) موارد حوسبة كبيرة ومجموعات بيانات ضخمة، كما يمكن أن يصعب تفسيرها.
شبكات الموتر (Tensor Networks): أظهرت الأساليب السابقة القائمة على شبكات الموتر (مثل TNAD) نتائج واعدة، لكنها غالبًا ما تعتمد على إجراءات تحسين تسلسلية تحد من القابلية للتوسع والتوازي.

يقترح المؤلفون حلاً يوازن بين الكفاءة الحسابية، والقابلية للتوسع، والقابلية للتفسير، والأداء على البيانات الجدولية.

2. المنهجية: SMT-AD

يقدم المؤلفون إطار عمل SMT-AD (تراكب الموترات متعددة الدقة لاكتشاف الشذوذ)، وهو إطار قائم على شبكات الموتر المستوحاة من الكم. يتكون سير العمل من ثلاث مراحل:

أ. المعالجة المسبقة وتضمين الميزات

التطبيع القائم على الرتب (Rank-based Normalization): يتم تطبيع الميزات الخام بشكل مستقل باستخدام تحويل الرتب لخرائط القيم إلى الفترة $[0, 1]$ . هذا يقلل من تأثير القيم المتطرفة ويوحد التوزيعات الهامشية لتصبح توزيعات منتظمة.
التضمين متعدد الدقة بمساعدة فوريه (Fourier-Assisted Multiresolution Embedding): يتم رسم كل ميزة مطبعة في تمثيل هيكلي عالي الأبعاد باستخدام حالة ضرب المصفوفات (Matrix Product State - MPS).
- بدلاً من تضمين واحد، يستخدم النموذج هرمًا من أنماط التردد ( $p = 1, \dots, P$ ).
- لكل ميزة $l$ ونمط $p$ ، يتم رسم المدخلات إلى حالة تشبه الكيوبت (qubit-like state):
  $|\Psi^{(p)}_n\rangle = \bigotimes_{l=1}^L \begin{pmatrix} \cos(\omega_p \tilde{x}_{nl}) \\ \sin(\omega_p \tilde{x}_{nl}) \end{pmatrix}$
  حيث $\omega_p = \pi/2^p$ .
- يسمح تكديس هذه الأنماط للنموذج بالتقاط التغيرات الخشنة والدقيقة في البيانات.

ب. العامل القابل للتعلم (MPO Superposition)

الابتكار الجوهري هو عامل التصنيف، الذي يتم بناؤه كـ تراكب من مؤثرات ضرب المصفوفات (MPOs) ذات البعد الرابط 1.

الهيكل: يطبق النموذج تراكبًا من $M$ من مكونات الخليط عبر $P$ من مقاييس الدقة.
المعلمات: يتكون كل مكون من دورات $SO(2)$ لكل موقع، والتي تُعرف بزوايا $\theta_{l}^{mp}$ قابلة للتعلم.
المخرج: يتم تحويل حالة الـ MPS للمدخلات إلى حالة MPS مخرجة $|\Phi_n\rangle$ عبر توليفة خطية من هذه الـ MPOs ذات الرتبة الأولى.
القابلية للتوسع: ينمو عدد المعلمات القابلة للتعلم خطياً مع عدد الميزات ( $L$ )، وعدد دقات التردد ( $P$ )، والمكونات المتراكبة ( $M$ ). وتحديدًا، عدد المعلمات هو $MP(L+1)$ .

ج. التقييم والتدريب

درجة الطبيعية (Normality Score): يخصص النموذج درجة $a(x)$ بناءً على مربع التداخل بين الحالة المخرجة $|\Phi_n\rangle$ وحالة مرجعية "طبيعية" ثابتة $|0\rangle^{\otimes L}$ :
$a(x) = |\langle 0\dots0 | \Phi_n \rangle|^2$
يجب أن تعطي العينات الطبيعية درجة قريبة من 1، بينما تعطي العينات الشاذة درجات أقل.
هدف التدريب: يتم تدريب النموذج فقط على البيانات الطبيعية عن طريق تقليل السلب للوغاريتم الاحتمالي لدرجة الطبيعية، مع تنظيم باستخدام حدود "تيكهونوف" (Tikhonov) لمنع انفجار المعلمات.

3. المساهمات الرئيسية

بنية عالية التوازي: على عكس طرق شبكات الموتر التقليدية التي تتطلب عمليات مسح تسلسلية (تحديث من اليسار إلى اليمين)، تسمح بنية التراكب في SMT-AD بـ المتجهات (Vectorization) والتوازي عبر الدفعات وأنماط التردد. وهذا يجعلها مناسبة لتسريع وحدات معالجة الرسومات (GPU) والحوسبة الطرفية.
نمو خطي للمعلمات: يحقق النموذج أداءً تنافسيًا بعدد ضئيل للغاية من المعلمات (على سبيل المثال، 620 معلمة لمجموعة بيانات البطاقات الائتمانية)، حيث ينمو خطيًا مع حجم الميزات بدلاً من النمو الأسي.
القابلية للتفسير عبر المقاييس الكمية: يستفيد المؤلفون من بنية شبكة الموتر لتحليل النموذج باستخدام مفاهيم المعلومات الكمية:
- إنتروبيا التشابك (Entanglement Entropy): تُستخدم لتحديد الميزات ذات الارتباطات "غير المحلية" العالية. تسلط الإنتروبيا العالية في العينات الشاذة الضوء على الميزات الحاسمة لتمييز الشذوذ.
- المعلومات المتبادلة (Mutual Information): تُستخدم لتصور ارتباطات الميزة-الميزة، مما يكشف أن الشذوذ يتميز بإعادة تنظيم جماعية للارتباطات بدلاً من مجرد انحرافات موضعية.
آلية المعايرة: تعمل دقة التضمين ( $P$ ) كمعلمة معايرة. توفر القيم المتوسطة (مثل $P=2$ أو $3 $) أفضل فصل بين توزيعات درجات الطبيعة والشذوذ، متجنبة الثقة المفرطة أو نقص الثقة الذي يظهر عند قيم$ P$ المتطرفة.

4. النتائج التجريبية

قام المؤلفون باختبار SMT-AD مقابل OC-SVM، وغابة العزل (IF)، والنموذج الأحدث TNAD على خمس مجموعات بيانات جدولية قياسية: Wine, Lymphography, Thyroid, Satellite, و Credit Card.

الأداء:
- حقق SMT-AD درجات AUROC تساوت أو تفوقت على جميع النماذج المرجعية عبر جميع مجموعات البيانات.
- في مجموعة بيانات البطاقات الائتمانية شديدة عدم التوازن (0.17% شذوذ)، حقق SMT-AD درجة AUROC بلغت 94.8%، متفوقًا على OC-SVM (93.9%) و TNAD (92.0%).
- بينما كانت قيمة AUPRC أقل في مجموعة بيانات البطاقات الائتمانية مقارنة ببعض النماذج المرجعية (بسبب حساسية العتبة)، إلا أنها لا تزال تمثل تحسنًا هائلًا عن التخمين العشوائي (0.17% كخط أساس).
الكفاءة:
- تطلب SMT-AD عددًا أقل بكثير من المعلمات مقارنة بالنماذج المرجعية (على سبيل المثال، 620 مقابل 45,075 لـ OC-SVM في مجموعة بيانات البطاقات الائتمانية).
- تتناسب التعقيد الزمني للتدريب بشكل إيجابي، والنموذج قابل جدًا للتسريع باستخدام وحدات معالجة الرسومات (GPU).
اختيار الميزات: من خلال اختيار الميزات ذات إنتروبيا التشابك العالية فقط، تمكن المؤلفون من تقليل حجم النموذج بشكل أكبر (إلى 380 معلمة) مع تحسين قيمة AUPRC، مما أثبت أن النموذج يحدد بفعالية الميزات الأكثر أهمية.

5. الأهمية والأثر

النشر الطرفي (Edge Deployment): يجعل العدد المنخفض للمعلمات والقابلية العالية للتوازي من SMT-AD مرشحًا مثاليًا لـ الحوسبة الطرفية وبيئات إنترنت الأشياء (IoT) حيث تكون الموارد محدودة.
القابلية للتفسير: القدرة على استخدام إنتروبيا التشابك والمعلومات المتبادلة لشرح سبب كون عينة ما شاذة تجسر الفجوة بين التعلم العميق "الصندوق الأسود" والنماذج الإحصائية القابلة للتفسير.
القابلية للتوسع: من خلال تجنب التعقيد التكعيبي لطرق النواة (OC-SVM) والاختناقات التسلسلية لطرق شبكات الموتر السابقة، يقدم SMT-AD مسارًا قابلًا للتوسع لاكتشاف الشذوذ في مجموعات البيانات الكبيرة وعالية الأبعاد.

في الختام، يثبت SMT-AD أن شبكات الموتر المستوحاة من الكم، عند دمجها مع تضمينات فوريه متعددة الدقة وهياكل التراكب، يمكن أن توفر حلاً عالي الكفاءة، وقابلًا للتفسير، ومن الدرجة الأولى لاكتشاف الشذوذ من فئة واحدة.