📊 statistics

Classification Fields: Arbitrarily Fine Recursive Hierarchical Clustering From Few Examples

تقدم هذه الورقة "حقول التصنيف"، وهي إطار عمل لتعلم هياكل عنقودية هرمية ذات عمق لانهائي من أمثلة محدودة عبر استنتاج قواعد محلية للانتقال من الأب إلى الابن في عملية الصقل، وتثبت أن هذه القواعد يمكن تقريبها بفعالية بواسطة الشبكات العصبية لتوليد تسلسلات هرمية عميقة ومتسقة هندسياً.

المؤلفون الأصليون: Yicen Li, Ruiyang Hong, Anastasis Kratsios, Haitz Sáez de Ocáriz Borde, Paul D. McNicholas

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yicen Li, Ruiyang Hong, Anastasis Kratsios, Haitz Sáez de Ocáriz Borde, Paul D. McNicholas

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 تنظر إلى شجرة عائلة. عادةً، عندما نقوم بعملية "التجميع" (Clustering) -أي تجميع الأشياء معاً- فإننا نرسم ببساطة شجرة للأشخاص الموجودين أمامنا الآن فقط. إذا كان لدينا 100 صورة، فسنصنع شجرة بـ 100 ورقة. وهذا كل شيء؛ الشجرة تتوقف عند هذا الحد.

ولكن ماذا لو لم يكن العالم مجرد قائمة ثابتة من 100 صورة؟ ماذا لو كان العالم يشبه الفركتل (Fractal)؟ فكر في ورقة السرخس: ترى الورقة الكبيرة، ثم تقترب لتجد أوراقاً أصغر، ثم أصغر فأصغر، ومن الناحية النظرية، يمكنك الاستمرار في التقريب إلى الأبد وسيبقى النمط يتكرر.

هذه الورقة البحثية تطرح سؤالاً كبيراً: إذا رأينا فقط الفروع القليلة العليا من شجرة عائلة عملاقة ولانهائية، فهل يمكننا معرفة "القاعدة" التي تولد بقية الشجرة؟

إليك تفصيل فكرتهم، باستخدام تشبيهات بسيطة:

1. المشكلة: "المحدود" مقابل "اللانهائي"

معظم برامج الكمبيوتر المخصصة لتجميع البيانات تشبه مصوراً يلتقط صورة لحشد من الناس ويرسم خطوطاً لتجميعهم. بمجرد التقاط الصورة، تنتهي المهمة. هم لا يعرفون كيف يتخيلون الحشد إذا ظهر 1,000 شخص إضافي.

يقول المؤلفون: "انتظروا، ماذا لو كانت قاعدة التجميع هي في الواقع وصفة (Recipe)؟"
بدلاً من مجرد حفظ الـ 100 شخص الذين نراهم، نريد تعلم كتيب التعليمات الذي يخبرنا بكيفية إنشاء المستوى التالي من المجموعات، والمستوى الذي يليه، وإلى ما لا نهاية.

2. الحل: "حقول التصنيف" (Classification Fields)

لقد ابتكروا مفهوماً جديداً يسمى حقل التصنيف.

التشبيه: تخيل ختماً سحرياً. تضغط به على ورقة (مجموعة "أب")، وهو لا يصنع مجرد نسخة؛ بل ينشئ نمطاً محدداً من ثلاثة أختام جديدة أصغر حجماً (الأبناء).
القاعدة: المفتاح هو أن هذا الختم لديه قاعدة: "مهما كان المكان الذي تضغط فيه عليّ، سأقوم دائماً بإنشاء ثلاثة أختام جديدة بشكل ومسافة محددة عن الأصل".
الهدف: مهمة الكمبيوتر هي النظر في الطبقات الأولى من الأختام (البيانات التي لدينا) ومعرفة شكل ذلك الختم السحري بالضبط. وبمجرد تعلم الختم، يمكنه الضغط عليه مراراً وتكراراً لتوليد طبقات من المجموعات لم يسبق له رؤيتها من قبل.

3. كيف فعلوا ذلك: "التمرير المتكرر" (Recursive Rollout)

بنى المؤلفون نوعاً خاصاً من الذكاء الاصطناعي (شبكة عصبية) ليعمل كـ "ختم".

التدريب: عرضوا على الذكاء الاصطناعي شجرة صغيرة (مثلاً بعمق 3 مستويات).
التعلم: حاول الذكاء الاصطناعي تخمين القاعدة: "إذا كان لدي مجموعة هنا، فأين يجب أن تذهب المجموعات الثلاث الجديدة؟"
الاختبار: طلبوا من الذكاء الاصطناعي الاستمرار في ضغط "الختم" الخاص به لتوليد المستويات 4 و5 و6 وهكذا، وصولاً إلى المستوى 9، دون إظهار الإجابات له.
النتيجة: لم يخمن الذكاء الاصطناعي بشكل عشوائي؛ بل حافظ على اتساق النمط. المجموعات الجديدة التي أنشأها بدت صحيحة هندسياً واتبعت نفس بنية "شجرة العائلة" للبيانات الأصلية.

4. الاختبارات الثلاثة

لإثبات نجاح ذلك، جربوه في ثلاثة سيناريوهات مختلفة:

اختبار "المثالية" (CFG): أنشأوا عالماً وهمياً حيث القواعد رياضية مثالية. تعلم الذكاء الاصطناو القاعدة فوراً واستمر في توليد أشجار مثالية إلى الأبد. هذا أثبت أن الرياضيات تعمل.
اختبار "الفركتل" (IFS): استخدموا أشكال فركتل شهيرة (مثل مثلث Sierpiński). هذه الأشكال يتم إنتاجها بواسطة قواعد متكررة، لكن القواعد كانت مختلفة قليلاً عن تلك التي تدرب عليها الذكاء الاصطناعي. ومع ذلك، استطاع الذكاء الاصطناعي فهم "روح" القاعدة ورسم الفركتل بشكل صحيح، رغم أنه لم يرَ هذا الفركتل المحدد من قبل.
اختبار "الفوضى" (الصور): استخدموا صوراً حقيقية لقطط وكلاب (من مجموعة بيانات CIFAR). قاموا بتجميع الصور في مجموعات. الحياة الواقعية فوضوية؛ المجموعات ليست فركتلات مثالية. ومع ذلك، تعلم الذكال الاصطناعي "قاعدة محلية" يمكنها التنبؤ بكيفية انقسام المجموعات إذا تم تقسيمها بشكل أكبر. لم يحفظ الصور فحسب، بل تعلم الهندسة التي تربط الصور ببعضها.

5. لماذا هذا مهم (وفقاً للورقة البحثية)

تدعي الورقة أن الملاحظات المحدودة يمكن أن تكشف عن قواعد لانهائية.
إذا أظهرت للكمبيوتر جزءاً صغيراً من نمط ما، فيمكنه تعلم "قاعدة الصقل المحلي" (الختم) واستخدامها لبناء هيكل أكثر عمقاً وتفصيلاً مما كانت عليه البيانات الأصلية.

باختصار: بدلاً من مجرد فرز كومة من الصخور على طاولتك، تعلم هذه الطريقة الكمبيوتر "قانون الجاذبية" لتلك الصخور، بحيث يمكنه التنبؤ كيف ستبدو الكومة إذا كان لديك مليون صخرة أخرى.

ما لا يدّعونه

هم لا يدّعون أن هذا سيشفي الأمراض أو يتنبأ بسوق الأسهم.
هم لا يدّعون أن هذا يعمل على كل أنواع البيانات الفوضوية (إذا كانت البيانات فوضوية للغاية أو لا تتبع المجموعات نمطاً، فقد تفشل الطريقة).
تركيزهم ينصب حصرياً على القدرة الرياضية لتعلم "قاعدة صقل متكررة" وتوليد تسلسلات هرمية أعمق، وليس على تطبيقات محددة في العالم الحقيقي مثل التشخيص الطبي.

الخلاصة الجوهرية هي تحول في المنظور: لا تتعلم البيانات فحسب؛ بل تعلم القاعدة التي تولد البيانات، لتتمكن من تخيل بقية الشجرة.

ملخص تقني: حقول التصنيف: التجميع الهرمي المتكرر دقيق التفاصيل تعسفيًا من أمثلة قليلة

1. بيان المشكلة

تعمل طرق التجميع الهرمي الكلاسيكية عادةً على عينة محدودة وثابتة، حيث تعيد إما تقسيمًا محدودًا للبيانات أو شجرة (dendrogram) محدودة. هذا النهج غير كافٍ عندما يكون الهيكل الهرمي محل الاهتمام عبارة عن كائن هندسي متكرر ذو تحسينات دقيقة المقياس تمتد إلى ما وراء المستويات المرصودة مباشرة. في هذه الأنظمة، قد ينمو عدد مراكز العناقيد الكامنة ( $k$ ) ليتجاوز بكثير عدد العقد المرصودة ( $N$ )، وقد تستمر التحسينات في أعماق غير موجودة في بيانات التدريب.

السؤال المركزي الذي يتناوله هذا العمل هو: هل يمكننا تعلم قاعدة تحسين محلية من بادئة (prefix) هرمية مرصودة محدودة، وتطبيقها بشكل متكرر (rollout) لتوليد مستويات أعمق بكثير وغير مرصودة؟

النهج الحالية القابلة للتفاضل أو المتعلمة للهياكل الهرمية تقوم عادةً بملاءمة شجرة محدودة، أو تضمين هيكل ثابت، أو تحسين هدف تجميع محدود. وهي لا تتعلم مباشرة آلية تحسين قادرة على التكرار عبر مستويات أعمق من الهيكل المرصود.

2. المنهجية: حقول التصنيف

يقدم المؤلفون حقول التصنيف (Classification Fields)، وهو نموذج هندسي-متري للتجميع الهرمي ذي العمق اللانهائي.

2.1 التعريفات الجوهرية

مولد حقل التصنيف (CFG): قاعدة محلية $r: \mathbb{R}^d \to (\mathbb{R}^d)^K$ $r : R^{d} \to (R^{d})^{K}$ ترسم خريطة من مركز أب إلى $K$ $K$ -tuple مرتب ومحدود ومنفصل من البواقي (residuals) للأبناء.
- القيود: لأي أب $x$ ، يجب أن تقع بواقي الأبناء $\{r_k(x)\}$ في حلقة حلقية (annulus) إقليدية (محدودة المعيار) وأن تكون منفصلة بمسافة $s_{sep}$ .
- البناء: يمكن بناء مولدات حقل التصنيف (CFGs) عبر تشوهات متعامدة-قطرية-متعامدة لنموذج تعبئة مرجعي ثابت، مما يضمن استيفاء القيود الهندسية.
حقل التصنيف: الهيكل الهرمي ذو العمق اللانهائي الناتج عن تطبيق الـ CFG بشكل متكرر بدءًا من جذر $x_0$ $x_{0}$ وعامل مقياس $s$ $s$ .
- الهيكل: الحقل عبارة عن رسم بياني موجه لا دوري (DAG) متري يتم توليده بشكل متكرر.
- المكونات: يقوم بتوليد مراكز العناقيد، وخلايا فورونوي (Voronoi cells) المرتبطة بها، والعناوين النسبية.
- المقاييس: يحدد البحث ثلاثة مقاييس للمسافة في الحقل:
  1. المقياس الشجري (Tree Metric): يعتمد على أوزان الحواف التجميعية (تعتمد على المستوى).
  2. المقياس القائم على النقاط (Point-based Metric): يعتمد على المسافات الإقليدية بين المراكز.
  3. المقياس القائم على الخلايا (Cell-based Metric): يعتمد على مسافات هاوسدورف بين خلايا فورونوي، والمقاسة بالمقياس حسب العمق.

2.2 التعلم: متنبئات حقل التصنيف (CFP)

بالنظر إلى بادئة محدودة لهيكل هرمي (مرصودة حتى العمق $L_{train}$ )، فإن الهدف هو تعلم متنبئ حقل التصنيف (CFP)، ويرمز له بـ $\hat{r}$ ، والذي يقرب الـ CFG الأصلي.

هدف التدريب: تقليل الخطأ التربيعي بين بواقي الأبناء المتوقعة والبواقي المرصودة:
$\mathcal{L}(\hat{r} | \mathcal{H}_{train}) = \sum_{l=0}^{L_{train}-1} \sum_{x \in \mathcal{H}_l} \sum_{k=1}^K \| x + s^{l+1}\hat{r}(x)_k - \text{chld}(x)_k \|_2^2$
التطبيق المتكرر (Recursive Rollout): في وقت الاختبار، يتم تطبيق $\hat{r}$ بشكل متكرر من الجذر. كل ابن يتم توليده يصبح أبًا للمستوى التالي. لا تُستخدم أي عقد من الحقائق الأرضية (ground-truth) للمستويات غير المرصودة أثناء عملية التطبيق.

2.3 الضمانات النظرية

يثبت البحث أن القطوع المحدودة للحقل المتعلم تتقارب مع الحقل المكتمل ذي العمق اللانهائي تحت شروط محددة:

التقارب الأسي: تحت افتراضات المحدودية، والانفصال، والانتظام، يتلاشى مسافة هاوسدورف بين القطع بعمق $L$ والحقل المكتمل أسيًا مع $L$ .
القابلية للتحقيق العصبي: يمكن تحقيق نوافذ التحسين المحدودة المطلوبة لتقريب الـ CFG بواسطة شبكات MLP ذات وظيفة ReLU.
- التعقيد: العرض المطلوب هو $O(\varepsilon^{-\gamma})$ والعمق هو $\tilde{O}(\varepsilon^{-3\gamma/2})$ ، حيث $\gamma = \log K / (-\log s)$ .
- يثبت هذا أن شبكة عصبية محدودة يمكن أن تعمل كآلية تقريب نهائية لهيكل هرمي ذي عمق لانهائي.

3. التحقق التجريبي

يقيم المؤلفون الـ CFP عبر ثلاثة إعدادات تزداد ابتعادًا عن النظرية المثالية:

الهياكل الهرمية المولدة من CFG متطابق:
- الإعداد: بيانات مولدة بواسطة CFG معروف من نفس العائلة المستخدمة في النظرية.
- النتيجة: يحافظ الـ CFP على أدنى خطأ على مستوى المستوى عبر آفاق التطوات غير المرصودة مقارنة بالنماذج المرجعية (المتغير الثابت القابل للتعلم، والمتوسط الباقي، والمتنبئات التآلفية). يؤكد هذا أن القاعدة المحلية المتعلمة تظل متماسكة تحت عمليات التركيب الذاتي المتكررة.
الهياكل الهرمية الفركتلية (Fractal) لأنظمة الدوال التكرارية (IFS) خارج العائلة:
- الإعداد: هياكل هرمية مولدة بواسطة أنظمة الدوال التكرارية (IFS) مع اضطرابات غير خطية سلسة (مثل مثلث Sierpiński، أو غبار Cantor، أو منحنى Koch). هذه الأنظمة لها بنية تكرارية دقيقة ولكنها ليست مستمدة من عائلة الـ CFG المحددة بالمعلمات.
- النتيجة: يحقق الـ CFP قيمًا أقل في MSE، ومسافة تشامبر المتوافقة مع التبديل (PI-CD)، وتشوه العمق مقارنة بالنماذج المرجعية. يوضح هذا أن صياغة حقل التصنيف تتجاوز قدرتها على التعميم خارج فئة المولد المطابق.
الهياكل الهرمية للتجميع المتكرر المستحثة من الصور:
- الإعداد: هياكل هرمية مبنية من تضمينات CLIP لصور CIFAR-10 و CIFAR-100 باستخدام طريقة تجميع عميق متكرر. قاعدة التحسين تقريبية، وتتطلب خانات الأبناء توحيدًا (canonicalization) عبر PCA.
- النتيجة: يتفوق الـ CFP بشكل كبير على النماذج المرجعية في الحفاظ على الهندسة غير المرتبة (PI-CD) ومقاييس مسار مستوى الهيكل (dpt-distortion). يشير هذا إلى أنه حتى في حالات البيانات الحقيقية الصاخبة، تحتوي بادئات الهيكل المحدودة على آليات تحسين قابلة للتعلم.

4. المساهمات الرئيسية

الإطار المفاهيمي: تقديم حقول التصنيف كنموذج هندسي-متري للتجميع الهرمي ذي العمق اللانهائي، مما ينقل التركيز من تعلم هرم فوق عينات محدودة إلى تعلم قاعدة تحسين محلية متكررة (من أب إلى ابن).
النظرية المترية: تطوير نظرية مترية صارمة لهذه الكائنات، بما في ذلك تعريفات المسافات الشجرية، والنقطية، والخلوية، ووضع حدود كمية لتقارب القطوع المحدودة مع الحقل المكتمل.
القابلية للتحقيق العصبي: إثبات أن نوافذ التحسين المحدودة يمكن تمثيلها بواسطة متنبئات ReLU، مما يؤسس لآلية تطبيق عصبي نهائي لإكمال الهيكل ذي العمق اللانهائي مع حدود تعقيد صريحة.

5. الأهمية والادعاءات

يزعم البحث أن الملاحظات الهرمية المحدودة يمكن أن تكشف عن قواعد تحسين محلية قادرة على توليد حقول تصنيف أعمق بكثير. تدعم النتائج وجهة النظر القائلة بأن التجميع الهرمي يمكن تأطيره كتعلم لقانون تحسين متكرر محلي بدلاً من بناء ملخص توافقي محدود.

يضع المؤلفون هذا العمل كوجهة نظر مكملة لطرق التجميع الهرمي الموجودة. وهم يشيرون صراحة إلى القيود: يفترض الإطار عامل تفرع ثابت، وانفصال كافٍ، وعملية تحسين قابلة لإعادة الاستخدام. كما يقرون بأن توسيع الإطار ليشمل الهياكل الصاخبة، أو متغيرة التفرع، أو ضعيفة المحاذاة، أو غير المتشابهة ذاتيًا، يظل اتجاهًا مهمًا للعمل المستقبلي. تُقدم التجارب كاختبارات تحقق وليس كادعاءات بأن كل مشكلة تجميع هرمي تقبل حقل تصنيف مثالي.