ملخص تقني: نمذجة الصحة الرقمية الشخصية باستخدام مستخدمي الدعم التكيفي

بيان المشكلة

تعد التعلم الآلي المخصص أمراً بالغ الأهمية في الصحة الرقمية نظراً للتباين الفسيولوجي والسلوكي الكبير بين الأفراد. ومع ذلك، فإن التخصيص الفعال يعوقه ندرة البيانات، وضجيجها، وتجزئتها الخاصة بكل مستخدم. عندما تكون البيانات الفردية غير كافية لتدريب نماذج مستقرة، تصبح البيانات الخارجية ضرورية، ومع ذلك يظل دمج هذه البيانات دون تشويه الإشارات الشخصية تحدياً قائماً.

تعتمد النهج الحالية عادةً على التدريب المسبق للسكان ثم الضبط الدقيق، أو تجميع البيانات فقط من المستخدمين الذين يُعتبرون "مشابهين" للفرد المستهدف. تعاني هذه الاستراتيجيات من محدوديتين رئيسيتين:

1. النقل المنحاز: التعامل مع جميع البيانات الخارجية بشكل موحد (التدريب المسبق للسكان) أو قصر النقل على مجموعة صغيرة من المستخدمين المشابهين يتجاهل القيمة المحتملة للمستخدمين غير المشابهين.
2. الفرص الضائعة: غالباً ما يتم استبعاد المستخدمين غير المشابهين، الذين قد تحتوي بياناتهم على تباينات معلوماتية أو أمثلة مضادة، مما يؤدي إلى تغطية محدودة للتباين على مستوى السكان ويمنع النموذج من تعلم ما "ليس" هو عليه المستخدم المستهدف.

إن تضمين بيانات المستخدمين غير المشابهين مباشرة دون تكيف يمكن أن يؤدي إلى تدهور الدقة عبر إدخال أنماط مضللة. هناك حاجة إلى طريقة تدريب يمكنها الاستفادة التكيفية من البيانات الخارجية لنقل المعلومات المفيدة مع كبح الإشارات الضارة.

المنهجية

يقترح المؤلفون إطار عمل موحد للتخصيص يدرب نموذجاً شخصياً باستخدام مستخدمي دعم تكيفي، وهم مجموعة تضم أفراداً متشابهين وغير متشابهين. الابتكار الجوهري هو صياغة التخصيص كهدف تحسين واحد يقوم بتحديث معلمات النموذج والأوزان التكيفية المتعلمة بشكل مشترك.

1. تهيئة مستخدم الدعم

تبدأ العملية بحساب درجات التشابه $s(u, j)$ بين مستخدم مستهدف $u$ وجميع المستخدمين الخارجيين $j$. ويتم تحقيق ذلك باستخدام تشابه جيب التمام (cosine similarity) بين تمثيلات المستخدمين (embeddings) المستمدة من شبكة عصبية مساعدة مدربة على بيانات السكان المجمعة. وخلافاً للتجميع الصلب (hard clustering)، يتم الاحتفاظ بجميع المستخدمين كمستخدمي دعم محتملين، إدراكاً بأن المستخدمين شديدي التشابه وشديدي الاختلاف قد يقدمون معلومات قيمة على حد سواء.

2. هدف التحسين الموحد

يقلل إطار العمل دالة خسارة مركبة (المعادلة 2) تتكون من ثلاثة حدود:

• الخسارة الشخصية ($L$): إشراف مباشر من بيانات المستخدم المستهدف الخاصة به ($D_u$)، لضمان الخصوصية للأنماط الفردية.
• نقل معرفة المستخدم المشابه: مجموع مرجح لخسائر المستخدمين المشابهين ($S(u)$). يتم تعديل مساهمة كل مستخدم مشابه بواسطة درجة تشابه ثابتة $s(u, j)$ ووزن تكيفي متعلم $\alpha_j$. يعمل هذا الحد على نقل البنية التنبؤية من الأنماط المتوافقة.
• عقوبة المستخدم غير المشابه ($R$): حد تنظيم تبايني (contrastive regularization) من المستخدمين غير المشابهين ($D(u)$). يستخدم هذا الحد خسارة قائمة على الهامش (margin-based loss) لمنع النموذج الشخصي من تبني الأنماط المضللة الموجودة لدى المستخدمين غير المشابهين، مما يؤدي فعلياً إلى هيكلة فضاء التمثيل لفصل المستخدم المستهدف عن أولئك الذين لديهم ملفات تعريف متباينة.

يخضع الهدف لشرط "السمبلكس" ($\sum \alpha_j = 1, \alpha_j \geq 0$)، مما يضمن التأثير المعياري.

3. خوارزمية التحسين التكراري

يستخدم إطار العمل إجراء تحسين تبادلي:

• الخطوة 1 (تحديث معلمات النموذج): مع تثبيت الأوزان التكيفية $\alpha_j$، يتم تحديث معلمات النموذج (المشفر المشترك $\phi_{\theta_u}$ والرأس المخصص $g_{\theta_u}$) عبر الانتشار العكسي (backpropagation). تعمل التدرجات من الخسارة الشخصية، وحد النقل، وحد العقوبة على تشكيل المشفر والرأس بطرق متكاملة.
• الخطوة 2 (تحديث الأوزان التكيفية): مع تثبيت معلمات النموذج، يتم تحديث الأوزان $\alpha_j$ بناءً على المنفعة التنبؤية لكل مستخدم دعم. يتم حساب دالة تكلفة $c_j$، والتي توازن بين خطأ التنبؤ للمستخدمين المشابهين والتداخل التمثيلي مع المستخدمين غير المشابهين. ثم يتم تطبيع الأوزان عبر دالة "softmax"، مما يمنح تأثيراً أكبر للمستخدمين الذين يوفرون تعميماً مفيداً أو تبايناً معلوماتياً.

المساهمات الرئيسية

1. إعادة تعريف مستخدمي الدعم: يقدم البحث مفهوم مستخدمي الدعم الذين يضمون أفراداً متشابهين وغير متشابهين، بحجة أن المستخدمين غير المشابهين يقدمون معلومات تكميلية ذات معنى (بنية واقعية مضادة) غالباً ما يتم تجاهلها في الأعمال السابقة.
2. إطار عمل تكيفي موحد: إطار عمل مبتكر يدمج بيانات مستخدمي الدعم غير المتجانسة من خلال تعلم المساهمات التكيفية. يسمح هذا للنموذج بالاستفادة الانتقائية من الإشارات المفيدة وكبح الإشارات الضارة من خلال عملية تحسين مبدئية.
3. التحقق التجريبي والقابلية للتفسير: أثبت التحقق الواسع عبر ست مهام رعاية صحية على أربع مجموعات بيانات من العالم الحقيقي فعالية الطريقة. علاوة على ذلك، توفر الأوزان التكيفية المتعلمة قابلية للتفسير، مما يقدم رؤى قابية للتنفيذ لاختيار البيانات المستهدفة.

النتائج التجريبية

تم تقييم إطار العمل على أربع مجموعات بيانات للصحة الرقمية من العالم الحقيقي: Loneliness (الوحدة)، Affect (العاطفة)، CGMacro (استجابة الجلوكوز)، و Globem (التنبؤ بالنوم). تمت مقارنة الأداء مقابل ستة نماذج أساسية، بما في ذلك نماذج السكان، والنماذج الشخصية البحتة، والنماذج المدمجة، والنماذج القائمة على النقل، والنماذج القائمة على التجميع، والنماذج ذات الأوزان الثابتة المرجحة بالتشابه.

• مكاسب الأداء: تفوق الطريقة المقترحة باستمرار على النماذج الأساسية. في مجموعات البيانات واسعة النطاق (مثل Globem)، حققت انخفاضاً يصل إلى 10% في RMSE. وفي حالات البيانات المنخفضة، كانت التحسينات أكثر وضوحاً، حيث وصلت إلى حوالي 25% أقل في RMSE.
• كفاءة البيانات: أظهرت التجارب التي تباينت فيها نسبة مستخدمي الدعم أن النماذج المدربة على مجموعات فرعية مختارة (أعلى 10% الأكثر تشابهاً وأعلى 10% الأكثر عدم تشابه) غالباً ما تفوقت على تلك المدربة على كامل السكان، مما يؤكد فائدة مفهوم "مستخدم الدعم".
• حساسية البنية: تفوقت مشفرات MLP الأبسط على مشفرات Transformer في أنظمة البيانات الصغيرة (Loneliness, Affect)، بينما ضاقت الفجوة في الأداء مع زيادة توافر البيانات (Globem).

3. دراسات الاستئصال (Ablation Studies): أدى حذف حد نقل المستخدم المشابه أو حد عقوبة المستخدم غير المشابه إلى تدهور كبير في الأداء في العديد من المهام، مما يؤكد ضرورة كلا المكونين. وبالمثل، أدى استخدام الأوزان الثابتة بدلاً من الأوزان التكيفية إلى أداء أقل، خاصة في المجتمعات غير المتجانسة.

الأهمية والادعاءات

يزعم البحث أن أهميته الرئيسية تكمن في تحويل نموذج التخصيص في الصحة الرقمية من استبعاد المستخدمين غير المشابهين إلى دمجهم تكيفياً. من خلال معاملة التخصيص كهدف موحد يوازن بين الخسارة الشخصية، والنقل الإيجابي، والتنظيم التبايني، تعالج الطريقة التحدي الأساسي المتمثل في ندرة البيانات والضجيج.

يؤكد المؤلفون أن الأوزان التكيفية المتعلمة تخدم غرضاً مزدوجاً:

1. الأداء: فهي تحسن ديناميكياً المقايضة بين التعميم والخصوصية، مما يؤدي إلى دقة تنبؤية فائقة.
2. القابلية للتفسير: توفر الأوزان آلية شفافة لفهم أي المستخدمين الخارجيين يساهمون أكثر في نموذج فرد معين. وهذا يقدم توجيهاً عملياً لاستراتيجيات جمع البيانات، مما يشير إلى أن جمع البيانات المستقبلي يجب أن يعطي الأولوية ليس فقط للمستخدم المستهدف ولكن أيضاً لأولئك المستخدمين من مستخدمي الدعم ذوي الأوزان التكيفية العالية.

يخلص العمل إلى أن هذا النهج يمكّن من مراقبة وتوصيات أكثر دقة في الصحة الرقمية من خلال الاستفادة الفعالة من كامل طيف التنوع السكاني، بدلاً من مجرد المجموعة الأكثر تشابهاً.