🤖 machine learning

Active Tabular Augmentation via Policy-Guided Diffusion Inpainting

تقدم الورقة البحثية إطار عمل TAP، وهو إطار عمل مبتكر يجمع بين تقنية استكمال البيانات بالانتشار (diffusion inpainting) وسياسة مشروطة بالمتعلم لاختيار وحقن البيانات الجدولية الاصطناعية ذات المنفعة العالية بشكل نشط، مما يسد الفجوة بين دقة التوزيع وأداء النماذج اللاحقة لتحسين نتائج التصنيف والانحدار بشكل كبير في ظل الندرة الشديدة للبيانات.

المؤلفون الأصليون: Zheyu Zhang, Shuo Yang, Bardh Prenkaj, Gjergji Kasneci

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zheyu Zhang, Shuo Yang, Bardh Prenkaj, Gjergji Kasneci

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 موظف جديد (نموذج الذكاء الاصطناعي) كيفية أداء وظيفة ما، ولكن ليس لديك سوى دليل تعليمات صغير ومجعد (البيانات الشحيحة). ولمساعدته على التعلم، قررت كتابة المزيد من التعليمات.

يحاول معظم الناس كتابة تعليمات جديدة عبر النظر إلى الدليل الحالي ونسخ أسلوبه بدقة تامة. فهم يحرصون على أن تبدو الصفحات الجديدة تماماً مثل الصفحات القديمة، بنفس الخطوط والقواعد اللغوية. وهذا هو ما تفعله أدوات الذكاء الاصطناعي الحالية: إنها تركز على الأمانة أو المحاكاة (Fidelity) (أي جعل البيانات المزيفة تبدو حقيقية).

ومع ذلك، أدرك مؤلفو هذه الورقة البحثية، "زييو تشانغ" وزملاؤه، وجود مشكلة: مجرد كون التعليمات المزيفة تبدو حقيقية لا يعني بالضرورة أنها تساعد الموظف على التعلم. في الواقع، إذا قمت بنسخ الأجزاء السهلة من الدليل مراراً وتكراراً، فسيشعر الموظف بالملل ولن يتحسن مستواه. هم بحاجة إلى تعليمات تتحدى قدراتهم بما يكفي للتعلم، ولكن دون أن تكون صعبة للغاية لدرجة تجعلهم يشعرون بالارتباك والاستسلام.

تقدم الورقة نظاماً جديداً يسمى TAP (سياسة تعزيز الجداول - Tabular Augmentation Policy) لحل هذه المشكلة. وإليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. المشكلة: فجوة "المحاكاة مقابل المنفعة"

تخيل أن البيانات هي خريطة لمدينة ما.

الطريقة القديمة (محاكاة عالية): تقوم بتعيين رسام خرائط لرسم خريطة دقيقة وعالية الدقة لمركز المدينة حيث يعيش الجميع بالفعل. تبدو الخريطة جميلة ودقيقة، لكنها لا تخبر الموظف أي شيء جديد عن الضواحي أو الأزقة الضيقة والمراوغة حيث قد يضيع.
الهدف (منفعة عالية): تريد رسم خريطة تسلط الضوء تحديداً على الأزقة الضيقة والمراوغة حيث يشعر الموظف بالارتباك حالياً، حتى يتمكن من التدرب على التنقل فيها.

تسمي الورقة هذا بـ "فجوة المحاكاة والمنفعة" (Fidelity-Utility Gap). فجعل البيانات تبدو حقيقية (المحاكاة) لا يجعلها تلقائياً مفيدة للتعلم (المنفعة).

2. الحل: TAP كـ "معلم ذكي"

بدلاً من مجرد توليد صفحات عشوائية جديدة، يعمل TAP مثل معلم ذكي يراقب الطالب أثناء التعلم في الوقت الفعلي. وهو يستخدم ثلاث حيل:

أ. لعبة "إكمال الفراغات" (Inpainting عبر النماذج الانتشارية)

تخيل أن لديك صفحة من دليل تعليمات حقيقي، لكنك غطيت نصف الكلمات بماركر أسود.

يستخدم TAP نموذج ذكاء اصطناعي قوياً (يسمى النموذج الانتشاري - Diffusion Model) لتخمين الكلمات التي يجب أن تكون مفقودة بناءً على الكلمات التي لا تزال مرئية.
يضمن هذا بقاء التعليمات الجديدة متوافقة مع القواعد الحقيقية للوظيفة (على سبيل المثال، لا يمكن أن يكون "الراتب" قيمة سالبة). تسمى هذه العملية "الترميم" (Inpainting).

ب. "فحص الحالة الذهنية" (السياسة)

هذا هو الجزء السحري. قبل أن يكتب TAP تعليمات جديدة، يسأل الطالب: "أين تعاني الآن؟"

إذا كان الطالب بارعاً في قسم "المبيعات" ولكنه سيء في "المرتجعات"، فلن يضيع TAP وقته في كتابة المزيد من تعليمات "المبيعات".
بدلاً من ذلك، يستهدف تحديداً قسم "المرتجعات". إنه يقرر ماذا سيتم توليده ومتى يضيفه إلى الدليل بناءً على نقاط الضعف الحالية للطالب. إنه يشبه المدرب الذي لا يكتفي بإجراء تدريبات عشوائية، بل يختار التمرين المحدد الذي يحتاجه الرياضي الآن.

ج. "شبكة الأمان" (البوابة والالتزام بنظام النوافذ)

أحياناً، حتى المعلم الذكي قد يقترح فكرة سيئة. لذا، يمتلك TAP فحصين للأمان:

حارس البوابة: قبل إضافة أي تعليمات جديدة، يقوم فاحص قواعد صارم (البوابة) بمراجعتها. إذا كانت التعليمات الجديدة تكسر قاعدة منطقية (مثل قول إن شخصاً عمره 200 عام)، فسيتم رميها في القمامة فوراً.
فترة الاختبار: لا يقوم TAP بإضافة تعليمات واحدة فقط وينتظر النتائج. بل يجمع مجموعة صغيرة من التعليمات الجديدة في "غرفة انتظار" (نافذة). يقوم باختبار هذه المجموعة بأكملها ليرى ما إذا كان الطالب قد تحسن بالفعل. وفقط إذا ثبت أن المجموعة تساعد فعلياً، يتم لصقها بشكل دائم في الدليل. أما إذا كانت المجموعة محفوفة بالمخاطر، فيتم التخلص منها.

3. النتائج

اختبر المؤلفون هذا النظام على سبع مجموعات بيانات من العالم الحقيقي (مثل السجلات الطبية، درجات الائتمان، واستهلاك الطاقة) حيث كانت البيانات شحيحة جداً.

النتيجة: تفوق TAP باستمرار على الطرق الأخرى. وفي بعض الحالات، حسن دقة الذكاء الاصطناعي بنسبة 15.6% وقلل الأخطاء بنسبة 32%.
لماذا؟ لأن TAP لم يصنع بيانات مزيفة "جميلة" فحسب؛ بل صنع بيانات مزيفة استراتيجية ملأت الفجوات المحددة في معرفة المتعلم.

ملخص التشبيه

إذا كان تعزيز البيانات التقليدي يشبه آلة التصوير التي تصنع نسخاً لا نهاية لها من كتاب مدرسي، فإن TAP يشبه معلماً شخصياً يقوم بـ:

قراءة الكتاب المدرسي.
مراقبتك وأنت تجري اختباراً.
تحديد الأسئلة التي أخطأت فيها بالضبط.
كتابة سؤال تدريبي مخصص لهذا الموضوع تحديداً.
التحقق من أن السؤال منطقي.
إضافة السؤال إلى دليل الدراسة الخاص بك فقط إذا ساعدك فعلياً في الحصول على درجة أفضل.

تخلص الورقة إلى أنه في الحالات التي تكون فيها البيانات شحيحة، نحتاج إلى التوقف عن القلق بشأن جعل البيانات المزيفة تبدو "حقيقية" والبدء في القلق بشأن جعلها مفيدة للمتعلم بشكل محدد.

ملخص تقني: التعزيز الجدولي النشط عبر استكمال النقص في الانتشار الموجه بالسياسات

1. بيان المشكلة: فجوة الدقة والمنفعة

تتناول الورقة البحثية تحدي تعزيز البيانات للبيانات الجدولية في المجالات التي تتميز بنقص شديد في البيانات (مثل الرعاية الصحية والتمويل). وبينما حققت النماذج التوليدية (GANs، VAEs، Diffusion) دقة توزيعية عالية — أي إنتاج عينات اصطناعية تشبه إحصائياً البيانات الحقيقية — يرى المؤلفون أن هذا لا يترجم بشكل موثوق إلى تحسين أداء النماذج اللاحقة.

تم تحديد المشكلة الجوهرية في فجوة الدقة والمنفعة:

الدقة (Fidelity): تُدرب المولدات عادةً لمطابقة التوزيع المشترك $P(X, Y)$ ، وغالباً ما تأخذ عينات من المناطق ذات الكثافة العالية حيث يكون المتعلم واثقاً بالفعل.
المنفعة (Utility): يتطلب التعزيز الفعال حقن عينات تقلل من خسارة التقييم المحتجزة للمتعلم. هذه العينات عالية المنفعة تقع غالباً في مناطق منخفضة الكثافة (مثل حدود القرار أو المجموعات الفرعية غير المغطاة جيداً) حيث يكون النموذج غير متيقن.
النتيجة: تنتج المولدات عالية الدقة عينات مكررة تقدم مكاسب محدودة للمرحلة اللاحقة، بينما قد يؤدي الحقن الساذج للعينات غير المتيقنة إلى إدخال علاقات زائفة أو انتهاك القيود النطاقية، مما يؤدي إلى تدهور الأداء.

تفترض الورقة أن التعزيز يجب ألا يُنظر إليه كعملية أخذ عينات سلبية، بل كـ عملية تحكم نشطة تتعلم ماذا تولد ومتى تحقنه، بناءً على الحالة المتطورة للمتعلم.

2. المنهجية: TAP (سياسة التعزيز الجدولي)

يقترح المؤلفون TAP، وهو إطار عمل يربط بين استكمال النقص في الانتشار (diffusion inpainting) وسياسة خفيفة الوزن مشروطة بالمتعلم لتوجيه عملية التوليد نحو مناطق المنفعة العالية مع ضمان السلامة.

2.1 المكونات الأساسية

استكمال النقص في الانتشار (آلية الاقتراح):
- يستخدم TAP نموذج انتشار مُدرب مسبقاً (TabDiff) كعمود فقري ثابت.
- بدلاً من توليد سجلات كاملة، يقوم بعملية استكمال نقص (inpainting): يأخذ سجلاً "مرجعياً" حقيقياً من مجموعة البيانات الحالية، ويثبت مجموعة فرعية من الأعمدة (بما في ذلك التسمية/Label)، ثم يعيد توليد الأعمدة المتبقية.
- يضمن هذا الجدوى الناعمة (تبقى العينات قريبة من منحنى البيانات) ويحترم التبعيات بين الأعمدة.
السياسة المشروطة بالحالة:
- سياسة قابلة للتعلم $\pi$ تربط حالة المتعلم الحالية $s_t$ بالإجراء $a_t = (c, \eta, \rho)$ .
- الحالة ( $s_t$ ): تشفر العجز المستهدف (الفئات/الخانات غير المغطاة كفاية)، وعدم اليقين التنبؤي، ومعدلات مرور البوابة الأخيرة، وتنوع العينات.
- الإجراء:
  - $c$ : يختار حالة مستهدفة (مثل فئة محددة أو خانة مئوية).
  - $\eta$ : يختار قالب القناع (استكشافي مقابل محافظ).
  - $\rho$ : يتحكم في قوة الاستكشاف (عدد الأعمدة التي يتم إعادة توليدها).
- يتم تحسين السياسة عبر تعلم التفضيلات المنظم بـ KL، باستخدام مُقدر منفعة مدمج لتقديم تغذية راجعة حول ما إذا كان الإجراء قد حسن أداء المتعلم.
آليات السلامة (الجدوى والالتزام):
- البوابة النقطية (Pointwise Gating): مرشح صارم يرفض أي مرشح ينتهك القيود النطاقية (مثل القيم الفئوية غير الصالحة، أو الأرقام خارج النطاق). هذا يفرض الجدوى الصلبة.
- الالتزام المبوب (Windowed Commitment): بدلاً من حقن العينات فوراً، يقوم TAP بتجميع المرشحات المقبولة في مجمع (pool) عبر نافذة من $K$ خطوة. لا يتم التزام المجمع بمجموعة التدريب إلا إذا تجاوزت المنفعة المجمعة المقدرة عتبة $\tau$ بالإضافة إلى هامش خطأ مُعاير $\epsilon_t$ . هذا يمنع الحقن الضار الناتج عن تقديرات المنفعة المشوبة بالضجيج.

2.2 هدف التحسين

الهدف هو تعظيم المنفعة النهائية المتوقعة (تقليل الخسارة اللاحقة) عبر سلسلة من خطوات القرار. تتوسع المنفعة عبر أوقات الالتزام، مما يسمح للسياسة بتعلم مسار يوازن بين استكشاف مناطق المنفعة العالية وسلامة الحقن المحافظ.

3. المساهمات الرئيسية

صياغة فجوة الدقة والمنفعة: تُعرف الورقة رسمياً الانفصال بين مطابقة التوزيع والمنفعة اللاحقة، وتؤطر التعزيز كمسألة تحكم تسلسلي تحت متعلم متطور.
إطار عمل TAP: يقدم سياسة مشروطة بالحالة توجه استكمال النقص في الانتشار باستخدام التحكم في الهدف، والقالب، والاستكشاف. كما يدمج البوابة الصلبة والالتزام المبوب لضمان الحقن الآمن في حالات الندرة.
التحقق التجريبي: يظهر تحسينات متسقة عبر سبع مجموعات بيانات من العالم الحقيقي وخمسة مستويات من الندرة. يتفوق TAP على النماذج التوليدية القوية (SMOTE, TVAE, CTGAN, TabDDPM, إلخ) واستراتيجيات أخذ العينات السلبية.

4. النتائج التجريبية

أُجريت التجارب على سبع مجموعات بيانات (مثل MiceProtein, Credit-G, Steel, Insurance) مع أحجام مجموعات تدريب تتراوح من 20 إلى 500 عينة.

مكاسب الأداء: حسّن TAP باستمرار دقة التصنيف اللاحقة بما يصل إلى 15.6 نقطة مئوية وقلل من جذر متوسط مربع الخطأ (RMSE) في الانحدار بنسبة تصل إلى 32% مقارنة بالنماذج المرجعية القوية.
المتانة: على عكس النماذج المرجعية التي قد تؤدي أحياناً إلى تدهور الأداء (منفعة سالبة) في حالات الندرة الشديدة، حافظ TAP على مكاسب منفعة إيجابية عبر جميع السيناريوهات المختبرة.
تحليل الآلية:
- القابلية للتعلم مقابل المعلوماتية: أظهرت التشخيصات أن TAP يستهدف بنجاح العينات التي هي معلوماتية (بالقرب من حدود القرار) وقابلة للتعلم (متسقة مع النموذج الحالي) في آن واحد، متجنباً "الذيل الضار" من عينات الحدود الغامضة.
- دراسات الاستئصال (Ablation Studies): أدى إزالة السياسة (باستخدام استراتيجيات ثابتة)، أو البوابة، أو الالتزام المبوب إلى تقليل الأداء بشكل كبير أو زيادة مخاطر الذيل، مما يؤكد ضرورة جميع المكونات.
- استقلالية المُقدِّر: ظل الإطار فعالاً حتى عند استبدال مُقدر المنفعة عبر الإنترنت (TabPFN) بنماذج تجميع أبسط، مما يشير إلى أن السياسة تتعلم أنماط حقن عامة بدلاً من الإفراط في التخصيص لمُقدِّر معين.

5. الأهمية والادعاءات

تدعي الورقة أن TAP يطور التعزيز الموثوق للبيانات الجدولية في حالات البيانات المنخفضة من خلال الانتقال من نموذج أخذ العينات السلبية (محاكاة $P(X,Y)$ ) إلى التحكم النشط (تحسين $P(Y|X)$ ).

الموثوقية: من خلال الجمع بين الانتشار المحلي للمنحنى، وبوابات الجدوى الصلبة، والالتزام المبوب المحافظ، يخفف TAP من خطر البيانات الاصطناعية الضارة، وهو أمر بالغ الأهمية في المجالات عالية المخاطر مثل التمويل والرعاية الصحية.
الكفاءة: يستخدم الإطار مُقيماً لا يتطلب تدريباً (TabPFN) لتعلم السياسة، مما يتجنب التكلفة الحسابية لإعادة تدريب النماذج اللاحقة في كل خطوة.
القيود: يقر المؤلفون بأن الحقن التسلسلي يضيف عبئاً مقارنة بالتوليد لمرة واحدة، لكنهم يخففون من ذلك عبر التخزين المؤقت على مستوى النافذة. كما يشيرون إلى أنه بينما يقلل TAP من خطر الحقن الضار، يجب تطبيق تعزيز البيانات الاصطناعية بعناية في البيئات عالية المخاطر لتجنب نشر عدم المساواة التاريخية الموجودة في بيانات التدريب.

تخلص الورقة إلى أن التعزيز الفعال لا يتطلب فقط توليد بيانات واقعية، بل تعلم كيفية توليد بيانات مفيدة من خلال حلقة تغذية راجعة مع المتعلم، وهي القدرة التي أظهرها TAP عبر الانتشار الموجه بالسياسة.