📊 statistics

DecompKAN: Decomposed Patch-KAN for Long-Term Time Series Forecasting

تُعد DecompKAN بنية معمارية خفيفة الوزن للتنبؤ بالسلاسل الزمنية وخالية من آلية الانتباه، تستخدم تفكيك الاتجاه والبواقي وشبكات كولموغوروف-أرنولد (KAN) القائمة على شرائح B-spline لتحقيق دقة تنبؤية تنافسية مع توفير شفافية النموذج من خلال وظائف حواف قابلة للفحص والتصور.

المؤلفون الأصليون: Naveen Mysore

نُشر 2026-04-28

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Naveen Mysore

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 طبيب يحاول التنبؤ بمعدل ضربات قلب مريض خلال الساعة القادمة، أو خبير أرصاد جوية يحاول التنبؤ بعاصفة غدًا. أنت لا تريد مجرد "تخمين"؛ بل تريد أن تعرف لماذا قدم الكمبيوتر هذا التخمين. تريد رؤية المنطق.

نماذج الذكاء الاصطناعي الحالية (مثل نماذج "الترانسفورمرز" الشهيرة) تشبه "العباقرة ذوي الصندوق الأسود". فهي دقيقة للغاية، ولكن إذا سألتها: "لماذا توقعت حدوث عاصفة؟"، لا يمكنها سوى الإشارة إلى أجزاء معينة من البيانات وتقول: "لقد نظرتُ إلى هذا الجزء". إنها لا تستطيع شرح الرياضيات الفعلية أو "شكل" المنطق الذي استخدمته.

يقدم هذا البحث DecompKAN، وهو نوع جديد من الذكاء الاصطناعي يتميز بالذكاء والشفافية في آن واحد.

الفكرة الجوهرية: "الطاهي الشفاف"

فكر في الذكاء الاصطناعي التقليدي كأنه خلاط سحري. تضع المكونات (البيانات)، تضغط على زر، ويخرج لك عصير (التنبؤ). طعمه رائع، لكن ليس لديك أدنى فكرة عن كيفية تحويل المكونات في الداخل.

DecompKAN يشبه أكثر رئيس طهاة في مطبخ زجاجي.

بدلاً من الخلاط، يستخدم سلسلة من المحطات المتخصصة. يمكنك النظر عبر الزجاج ورؤية كيفية التعامل مع المكونات بدقة: محطة تقوم بالتقطيع، وأخرى بالتشويح، وثالثة بالتتبيل. في DecompKAN، تُسمى هذه "المحطات" حواف KAN، وهي لا تخفي الرياضيات فحسب، بل ترسمها لك كأنها رسم بياني مموج وجميل.

كيف يعمل (وصفة الخطوات الثلاث)

لفهم البيانات الفوضوية والمتعرجة (مثل الطقس أو نبضات القلب)، يستخدم DecompKAN عملية مكونة من ثلاث خطوات:

1. "فصل المهام" (التفكيك - Decomposition)

تخ forest أنك تستمع إلى أغنية. تسمع خط "الباص" الثقيل والبطيء وإيقاع الطبول السريع والمضطرب في نفس الوقت. من الصعب تحليل كليهما معًا.
يعمل DecompKAN مثل فاصل صوتي عالي الجودة. فهو يفصل البيانات إلى مسارين:

الاتجاه العام (The Trend): خط "الباص" البطيء والثابت (مثل الاحترار التدريجي للكوكب).
المتبقي (The Residual): إيقاع "الطبول" السريع والمتقلب (مثل عاصفة رعدية مفاجئة في فترة ما بعد الظهر).
من خلال النظر إليهما بشكل منفصل، لا يرتبك الذكاء الاصطناعي.

2. "لحاف الرقع" (الترقيع - Patching)

بدلاً من محاولة ابتلاع تاريخ طويل من البيانات في لقمة واحدة، يقوم الذكاء الاصطناعي بتقطيع البيانات إلى "رقع" صغيرة يمكن إدارتها—تمامًا مثل قص قطعة قماش طويلة إلى مربعات صغيرة لصنع لحاف من الرقع. هذا يجعل من السهل جدًا رصد الأنماط المحلية.

3. "الفنان الرياضي" (الـ KAN)

هذا هو السر. معظم نماذج الذكاء الاصطناعي تستخدم "MLPs"، وهي تشبه المساطر الصلبة ذات الحواف المستقيمة؛ لا يمكنها إلا رسم خطوط مستقيمة.
أما DecompKAN فيستخدم شبكات Kolmogorov-Arnold (KANs)، وهي تشبه الأسلاك المرنة والقابلة للانحناء. ولأن هذه الأسلاك هي عبارة عن "B-splines" (منحنيات رياضية)، يمكنها الانحناء والتموج لتتخذ أي شكل.

لماذا يهم هذا: سحر "القابلية للفحص"

الجزء الأكثر إثارة في هذا البحث هو الفحص البصري.

لأن الذكاء الاصطناعي يستخدم هذه "الأسلاك القابلة للانحناء" (دوال الحواف)، يمكن للباحثين بالفعل طباعة صورة لما تعلمه الذكاء الاصطناعي.

عند النظر إلى بيانات الطقس، تحولت "أسلاك" الذكاء الاصطناعي إلى أمواج (أنماط تذبذبية)، لأن الطقس يتحرك في دورات.
عند النظر إلى البيانات الطبية (PPG)، تحولت "الأسلاك" إلى خطوات (أنماط عتبات)، لأن الإشارات البيولوجية غالبًا ما تقفز عند الوصول إلى حد معين.

هذا يغير قواعد اللعبة فيما يتعلق بالسلامة. إذا استخدم طبيب هذا الذكاء الاصطناعي لمراقبة مريض، يمكنه النظر إلى "شكل" منطق الذكاء الاصطناعي. إذا بدا منطق الذكاء الاصطناعي "متموجًا" في حين يجب أن يكون "متدرجًا"، سيعرف الطبيب أن الذكاء الاصطناعي يرتكب خطأً قبل أن يعطي تنبؤًا خاطئًا.

الملخص

DecompKAN لا يحاول فقط أن يكون الطالب الأذكى في الفصل؛ بل يحاول أن يكون الطالب الذي يشرح خطوات حله على السبورة. إنه طريقة خفيفة، فعالة، والأهم من ذلك، صادقة للتنبؤ بالمستقبل.

ملخص تقني: DecompKAN: شبكة Patch-KAN المفككة للتنبؤ بالسلاسل الزمنية طويلة المدى

1. بيان المشكلة

يعد التنبؤ بالسلاسل الزمنية طويلة المدى (LTSF) أمراً بالغ الأهمية في المجالات العلمية (مثل نمذجة المناخ، والمراقبة الفسيولوجية، وأنظمة الطاقة). وبينما تحقق النماذج القائمة على المحولات (Transformer) دقة عالية، إلا أنها تعاني من قصورين رئيسيين في هذه المجالات:

الافتقار إلى الشفافية الآلية: تشير أوزان الانتباه فقط إلى أي الرموز (tokens) ذات الصلة، وليس إلى ما هي التحويلات الوظيفية التي يتم تطبيقها على الميزات. وغالباً ما توفر طرق التفسير البعدية (مثل SHAP) تقريبات محلية فقط بدلاً من كشف الحسابات الداخلية الفعلية للنموذج.
التعقيد مقابل القابلية للتفسير: في التطبيقات الحرجة لسلامة البشر، يحتاج الممارسون إلى التحقق مما إذا كان النموذج يلتقط علاقات فيزيائية أو فسيولوجية معروفة (مثل الدورات النهارية أو ديناميكيات معدل ضربات القلب) بدلاً من مجرد تعلم ارتباطات زائفة.

2. المنهجية

يقترح المؤلفون DECOMPKAN، وهو بنية خفيفة الوزن وخالية من آلية الانتباه، تستبدل نواة MLP أو Transformer القياسية بوظائف حواف تعتمد على شبكة Kolmogorov–Arnold بأساس B-spline (B-spline KAN). تتبع البنية مساراً مستقلاً للقنوات مكوناً من أربع مراحل:

التطبيع المتراكم (Stacked Normalization): للتعامل مع عدم الاستقرار، يستخدم النموذج RevIN (التطبيع اللحظي العكسي) لإزالة الانزياح على مستوى النافذة، يليه وحدة تطبيع تكيفي متعلم. تستخدم هذه الوحدة MLP صغيراً لتعلم تعديلات المقياس والإزاحة الخاصة بمجموعة البيانات بناءً على الشكل الزمني للإشارة المطبعة.
تفكيك الاتجاه والفضلات (Trend–Residual Decomposition): يتم تقسيم المدخلات إلى مكون اتجاه (عبر مرشح المتوسط المتحرك) ومكون فضلات (residual). يسمح هذا للنموذج بفصل الديناميكيات بطيئة الحركة عن التذبذبات سريعة الحركة.
فروع Patch-KAN: تتم معالجة كل مكون بواسطة فرع مستقل. يتم تقسيم التسلسل إلى رقع (patches) متداخلة، والتي يتم تضمينها خطياً. ثم تُعالج هذه التضمينات بواسطة KAN تتكون من ثلاث طبقات. وبدلاً من دوال التنشيط الثابتة، تتعلم كل حافة في KAN دالة قياسية أحادية البعد $\phi(x)$ باستخدام B-splines تكعيبية ذات دعم محلي.
إلغاء التطبيع (Denormalization): يتم جمع المخرجات من فرعي الاتجاه والفضلات وتمريرها عبر رأس إلغاء تطبيع تكيفي وتحويل RevIN العكسي لاستعادة المقياس الأصلي.

3. المساهمات الرئيسية

الشفافية الهيكلية: على عكس النماذج القائمة على الانتباه، فإن كل حافة في KAN هي تحويل غير خطي أحادي البعد يمكن فحصه مباشرة. يتيح ذلك تصور الدوال الرياضية الفعلية التي يستخدمها النموذج لتحويل الميزات الكامنة.
التصميم خفيف الوزن: يتميز النموذج بكفاءة عالية، حيث يستخدم فقط 1.9 إلى 3.6 مليون معلمة، مما يجعله أصغر بكثير من العديد من نماذج التأسيس واسعة النطاق.
اللاخطية المتكيفة مع المجال: يثبت النموذج أن شبكات KAN يمكنها تعلم "مفردات وظيفية" مختلفة تلقائياً اعتماداً على البيانات (على سبيل المثال، الدوال التذبذبية لأرصاد الطقب مقابل الدوال التي تشبه العتبة للإشارات الفسيولوجية).
الأداء المرتكز على المسار (Pipeline-Centric): من خلال دراسة الاستئصال (ablation)، يثبت المؤلفون أن المسار الهيكلي (التفكيك، الرقع، والتطبيع) هو محرك أكثر أهمية للأداء من الاختيار المحدد للطبقة غير الخطية (KAN مقابل MLP/Attention).

4. النتائج

الدقة: يحقق DECOMPKAN أفضل أو مساوٍ لأفضل نتائج MSE في 15 من أصل 32 مجموعة بيانات–أفق زمني مقابل النماذج المرجعية المنشورة. ويظهر قوة خاصة في مجموعات البيانات ذات الديناميكيات الزمنية السلسة، مثل Solar (بنسبة $-17\%$ في MSE مقابل iTransformer) و ECL (بنسبة $-10\%$ في MSE مقابل iTransformer).
المقارنة المنضبطة: عند إعادة التدريب تحت بروتوكول موحد، ظل DECOMPKAN تنافسياً أو متفوقاً في مجموعات البيانات ذات البنية الفيزيائية مثل Weather و PPG-DaLiA.
نتائج التفسير:
- التصور: دوال الحواف في فرع الاتجاه سلسة وتتغير ببطء، بينما تكون دوال فرع الفضلات أكثر حدة وتذبذباً.
- الندرة المهيكلة (Structured Sparsity): تعمل طبقة KAN الأولى كمحدد للميزات، حيث تتعلم العديد من الحواف دوال قريبة من الصفر، مما يركز القدرة التمثيلية في الطبقات الأعمق.
القصور: يقل أداء النموذج في مجموعات البيانات التي تهيمن عليها تغيرات الأنظمة المعقدة (مثل ETTh1، Traffic) أو تلك التي تتطلب نمذجة كثيفة للاعتماد بين المتغيرات، وذلك بسبب تصميمه المستقل للقنوات.

5. الأهمية

يمثل DECOMPKAN تحولاً من التنبؤ القائم على الدقة "الصندوق الأسود" نحو التنبؤ "القابل للفحص". من خلال استخدام تمثيل Kolmogorov–Arnold، يوفر النموذج جسراً رياضياً بين التعلم العميق والتفسير العلمي. وهذا يجعله ذا صلة وثيقة بالبيئات عالية المخاطر (السريرية، والأرصاد الجوية، والصناعية) حيث يكون فهم "لماذا" خلف التنبؤ بنفس أهمية التنبؤ نفسه.