The effects of image augmentations when training machine learning models in astronomy
تُظهر هذه الدراسة أنه في حين أن عمليات تعزيز الصور تُحسن عموماً نماذج تصنيف مورفولوجيا المجرات، إلا أن فوائدها تتضاءل مع كبر حجم مجموعات البيانات وزيادة تعقيد عمليات التعزيز، مما يشير إلى ضرورة إعطاء علماء الفلك الأولوية لعمليات التعزيز الأبسط لتحسين كفاءة التدريب واستخدام الموارد.
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 تحاول تعليم روبوت التعرف على أنواع مختلفة من المجرات (مثل المجرات الحلزونية، أو الإهليلجية، أو الاندماجية) من خلال إظهار آلاف الصور له. هذا هو بالضبط ما يفعله علماء الفلك باستخدام التعلم الآلي. ولكن هنا يبرز سؤال كبير: هل تحتاج إلى خداع الروبوت عبر إظهار نسخ "مزيفة" من هذه الصور لجعله أكثر ذكاءً؟
في عالم التعلم الآلي، يُسمى هذا الخداع "تعزيز البيانات" (Data Augmentation). الأمر يشبه أخذ صورة واحدة لقطة، ثم تدويرها، وقلبها رأساً على عقب، أو تكبير الصورة لتظهر أذنها فقط، ثم إخبار الكمبيوتر: "انظر، هذه ثلاث قطط جديدة!". الأمل من ذلك هو أن الروبوت، من خلال رؤية هذه التنوعات، سيتعلم "مفهوم" المجرة بشكل أفضل، بدلاً من مجرد حفظ البكسلات الدقيقة للصورة الأصلية.
تسأل ورقة بحثية كتبها "باتروورث وسبيندلر" سؤالاً عملياً للغاية: هل ينجح هذا الخداع دائماً، أم أنه يتوقف عن المساعدة بمجرد أن يرى الروبوت قدراً كافياً من البيانات الحقيقية؟
التجربة: الروبوت وألبوم الصور
استخدم الباحثون "دماغ روبوت" محدد يسمى Zoobot (وهو نوع من الشبكات العصبية العميقة) وألبوم صور ضخم يحتوي على 230,000 مجرة من مشروع "Galaxy Zoo".
قاموا بإعداد اختبار يتضمن متغيرين رئيسيين:
- حجم الألبوم: قاموا بتدريب الروبوت على كميات مختلفة من الصور: شريحة صغيرة (10%)، شريحة متوسطة (25%)، شريحة كبيرة (50%)، والألبوم كاملاً (100%).
- "الخدع" (التعزيزات): علموا بعض الروبوتات باستخدام الخدع القياسية (تدوير، قلب، تكبير، وقص الصور). بينما علموا روبوتات أخرى باستخدام عدد أقل من الخدع، أو حتى دون أي خدع على الإطلاق (باستاستخدام الصور الخام دون تعديل).
الاكتشاف الكبير: تأثير "الكوب الممتلئ"
كشفت النتائج عن حد مفاجئ، أطلق عليه المؤلفون اسم "نقطة التشبع" (Saturation Point).
تخيل دماغ الروبوت مثل الكوب:
- عندما يكون الكوب صغيراً (مجموعة بيانات صغيرة): إذا عرضت على الروبوت عدداً قليلاً من الصور، فسيصاب بالارتباك بسهولة. في هذه الحالة، تكون "الخدع" (التعزيزات) مفيدة للغاية؛ فهي تعمل مثل سترة النجاة، وتساعد الروبوت على التعلم بشكل أسرع وأفضل. وبدونها، سيعاني الروبوت.
- عندما يمتلئ الكوب (مجموعة بيانات كبيرة): مع تقديم المزيد والمزيد من الصور الحقيقية للروبوت (وصولاً إلى 100% من البيانات)، امتلأ دماغ الروبوت. لقد تعلم كل ما يمكنه تعلمه من الصور المتاحة.
وهنا تكمن المفاجأة: بمجرد أن امتلأ الكوب، لم يؤدِ إضافة المزيد من "الخدع" (مثل التدوير أو القلب) إلى جعل الروبوت أكثر ذكاءً. الروبوت الذي استخدم "الخدع" والروبوت الذي استخدم "لا خدع" وصلا في النهاية إلى نفس الدرجة تقريباً. إن العمل الإضافي لإنشاء تنوعات مزيفة لم يقدم أي فائدة إضافية.
تكلفة الخدع
نظر البحث أيضاً في "ثمن" هذه الخدع.
- الوقت هو المال (أو الكهرباء): إن إنشاء هذه التنوعات المزيفة يستغرق وقتاً. الروبوتات التي توجب عليها معالجة صور مدورة، ومقلوبة، ومكبرة استغرقت وقتاً أطول بكثير للتدريب. بعضها استغرق 8 ساعات، بينما انتهى الروبوت الذي لم يستخدم "أي خدع" في أقل من 15 دقيقة.
- المقايضة: بما أن "الخدع" لم تجعل الربوات أكثر ذكاءً عندما كانت مجموعة البيانات كبيرة، وجد الباحثون أن علماء الفلك كانوا يهدرون ساعات من وقت الحوسبة والكهرباء دون أي فائدة.
ماذا عن خدعة محددة؟
تساءل الباحثون أيضاً عما إذا كان نوع الخدعة المستخدمة يهم. هل التدوير يعمل بشكل أفضل من القلب؟
- الإجابة: ليس حقاً. طالما أن الخدع منطقية (مثل تدوير مجرة، وهو أمر مقبول، مقابل مطّها لتصبح بشكل غريب، وهو أمر غير مقبول)، فإن جميعها تؤدي أداءً متقارباً تقريباً.
- الخلاصة: إذا كنت تملك مجموعة بيانات ضخمة، فلا يهم أي "خدعة" محددة تستخدمها، لأن الخدع ستتوقف عن المساعدة في النهاية. وإذا كان لزاماً عليك استخدامها، فإن الخدع الأبسط (مثل مجرد قلب الصورة) قد تكون أفضل لأنها أسرع في المعالجة.
الخلاصة النهائية
تخلص الورقة البحثية إلى أن "الأكثر ليس دائماً الأفضل".
- إذا كان لديك مجموعة بيانات صغيرة: فأنت بالتأكيد بحاجة إلى تعزيز الصور (الخدع) لمساعدة نموذجك على التعلم.
- إذا كان لديك مجموعة بيانات كبيرة: فقد وصلت بالفعل إلى "نقطة التشبع". لقد تعلم نموذجك كل ما يمكن تعلمه من البيانات الحقيقية. إضافة المزيد من الخدع لن يحسن النتيجة، ولكنه سيهدر الوقت وقدرة الحوسبة.
يقترح المؤلفون على علماء الفلك التحقق بعناية مما إذا كانوا قد وصلوا بالفعل إلى هذا الحد. إذا كان الأمر كذلك، فيمكنهم تخطي خدع الصور المعقدة، وتوفير ساعات من وقت التدريب، والحصول على نفس النتائج الرائعة. إنه درس في الكفاءة: لا تبالغ في هندسة الحل إذا كانت البيانات تقوم بالفعل بالعمل الشاق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.