ملخص تقني: فرض القيود في أخذ العينات التوليدية عبر جدولة التصحيح التكيفي

بيان المشكلة

تُطبق النماذج التوليدية بشكل متزايد في المجالات التي تتطلب مخرجات يجب أن تستوفي قيوداً صارمة، مثل تخليق المسارات، وتخطيط الروبوتات، والتوليد المهيكل. في هذه الإعدادات، يجب أن تقع العينات على متشعبات (manifolds) محددة تُعرف بالبنى الهندسية أو الفيزيائية أو المهام المحددة. النهج القياسي يتضمن تشغيل العملية التوليدية في الفضاء المحيط وفرض الجدوى عبر مؤثر إسقاط (projection operator).

تعتمد الممارسة الحالية عادةً على استراتيجيتين ثنائيتين لتوقيت هذا الإسقاط:

1. التصحيح النهائي (Terminal Correction): يتم تطبيق الإسقاط مرة واحدة فقط في نهاية عملية التولية (rollout).
2. التصحيح خطوة بخطوة (Stepwise Correction): يتم تطبيق الإسقاط بعد كل تحديث توليدي.

تجادل الورقة بأن هذا التأطير الثنائي يغفل قضية جوهرية: التحديثات التوليدية تعتمد على الحالة (state-dependent). بمجرد أن تخرج عملية التولية عن مجموعة القيود، يتم حساب التحديثات اللاحقة من حالات لن تزورها المسارات المقيدة أبداً. وبينما يمكن للإسقاط المتأخر أن يستعيد الجدوى عند نقطة النهاية، إلا أنه لا يمكنه التراجع عن الانزياح التوزيعي الناتج عن هذه الحالات الوسيطة الخارجة عن المتشعب. بالتالي، تكون العينات المصححة نهائياً مجدية ولكنها غير متسقة ديناميكياً مع ديناميكيات أخذ العينات المقصودة. تُعاد صياغة المشكلة الأساسية كـ مشكلة جدولة تصحيح: كيف يتم تخصيص ميزانية محدودة من عمليات الإسقاط عبر عملية التولية للحفاظ على اتساق المسار، بدلاً من مجرد ضمان جدوى نقطة النهاية.

المنهجية: جدولة التصحيح التكيفي

تقترح المؤلفة جدولة التصحيح التكيفي، وهي سياسة تعتمد على الحالة، تتعامل مع فرض القيود كمسألة تخصيص موارد. تعمل الطريقة عبر الإنترنت (online) دون الحاجة إلى حساب التدرجات عبر مؤثر الإسقاط أو إعادة تدريب النموذج التوليدي.

الآلية الجوهرية

تخصص الجدولة ميزانية ثابتة $B$ من استدعاءات الإسقاط على عملية تولية طولها $T$. في كل خطوة $t$، تقوم الجدولة بما يلي:

1. تقترح تحديث حالة $\tilde{x}_{t+1} = \Phi_h(x_t)$ باستخدام العامل التوليدي المتعلم.
2. تحسب خللاً في الخطوة الواحدة $s_t = d(\tilde{x}_{t+1}, \mathcal{M})$، والذي يقيس مسافة الحالة المقترحة من مجموعة القيود $\mathcal{M}$.
3. تقرر ما إذا كانت ستجري الإسقاط بناءً على عتبة واعية بالميزانية $\lambda_{t,b}$، حيث $b$ هي الميزانية المتبقية.

قاعدة التحديث هي:
$$x_{t+1} = \begin{cases} \Pi(\tilde{x}_{t+1}) & \text{إذا كان } b > 0 \text{ و } s_t \ge \lambda_{t,b} \\ \tilde{x}_{t+1} & \text{خلاف ذلك} \end{cases}$$

بناء العتبة

يتم حساب العتبات $\lambda_{t,b}$ مسبقاً باستخدام عمليات تولية معايرة (calibration rollouts) من بيانات لم تُستخدم في التدريب. وهي تمثل القيمة الهامشية لإنفاق عملية تصحيح عند الزمن $t$ مع بقاء $b$ من عمليات التصحيح. وتحديداً، يتم ضبط $\lambda_{t,b}$ لتكون بمثبه "مئيني" (quantile) لتوزيع الخلل المستقبلي، مما يضمن أن الجدولة تحتفظ بالميزانية للأحداث ذات الخلل العالي في مراحل لاحقة من التولية. وهذا يمنع "نمط الفشل" الذي تعاني منه قواعد العتبة الثابتة، والتي قد تستنفد الميزانية في حالات الخلل المتوسطة مبكراً، مما يجعل الجدولة غير قادرة على تصحيح الانحرافات الأكبر والأكثر حرجاً لاحقاً.

الحالات الخاصة

يوحد هذا الإطار الاستراتيجيات الموجودة كحالات حدية:

• التصحيح النهائي: يتحقق بضبط جميع العتبات على $+\infty$ (لا يوجد إسقاط حتى النهاية).
• التصحيح خطوة بخطوة: يتحقق بضبط جميع العتبات الممكنة على $0$ (الإسقاط في كل خطوة).
• التصحيح الدوري: استراتيجية تخصيص موحدة تعمل كخط أساس رئيسي.

المساهمات الرئيسية

1. التوقيت كمتغير تصميم: توضح الورقة أن التصحيح المتأخر يغير توزيع التحديثات المستقبلية، مما ينتج انحرافات في نقطة النهاية لا يمكن للإسقاط النهائي وحده حلها. تم تحديد توقيت القيد كمتغير تصميم من الدرجة الأولى في أخذ العينات التوليدية.
2. صياغة تخصيص الميزانية: تمت صياغة فرض القيود كمسألة تخصيص ميزانية عبر الزمن. وهذا يسمح بالمقارنة المباشرة بين استراتيجيات التصحيح النهائي، والدوري، والتكيفي تحت ميزانية حوسبية متطابقة.
3. الخلل كوسيط للقيمة: يظهر المؤلفون أن خلل الخطوة الواحدة يعمل كوسيط فعال عبر الإنترنت لتقدير تشوه المسار المستقبلي. ومن خلال إنفاق عمليات التصحيح على خطوات الخلل العالي، تقرب الجدولة التخصيص الأمثل لموارد الإسقاط المحدودة.
4. تحسين جبهة التكلفة-الدقة: يحسن الجدولة التكيفي المقترح المقايضة بين تكلفة الإسقاط ودقة المسار. فهو يستعيد دقة قريبة من التصحيح خطوة بخبط، مع استخدام عدد أقل بكثير من استدعاءات الإسقاط.

النتائج التجريبية

تم تقييم الطريقة عبر عمليات تولية متشعبة محكومة (SO(3), SE(3), و Terrain domains) ونموذج انتشار مسقط (PDM) متعلم.

• توليات المتشعبات (Manifold Rollouts): في المجالات ذات الخلل المركز (مثل متغيرات "Impulse" أو "Ridge" حيث تحدث الأخطاء في دفعات محددة)، تفوقت الجدولة التكيفية بشكل كبير على التصحيح الدوري. عند ميزانية ثابتة قدرها $B/T \approx 0.25$، قللت الجدولة التكيفية من خطأ المسار الزائد المعياري (NEPE) بنسبة 41% مقارنة بالتصحيح الدوري في مجال SE(3)-Lever.
• نماذج الانتشار المسقط (Projected Diffusion Models): عند تطبيقها على عينة PDM موجودة، استعادت الجدولة التكيفية 71.2% من كامل فائدة التصحيح خطوة بخطوة باستخدام 25% فقط من استدعاءات الإسقاط (أي خفض التكلفة بنسبة 75%). في المق المقابل، استعاد التصحيح الدوري عند نفس الميزانية 51.4% فقط من الفائدة.
• التعميم: تشير النتائج إلى أن انتهاكات القيود شديدة التباين بمرور الوقت. إن تصحيح خطوات الخلل العالي بشكل انتقائي يتفوق باستمرار على الاستراتيجيات الموحدة، خاصة عندما يكون ملف الخلل متقلباً.

الأهمية والادعاءات

تدعي الورقة أن فرض الجدوى وحده ليس كافياً للحفاظ على ديناميكيات أخذ العينات المقيدة المقصودة. المساهمة الأساسية هي إثبات أن توقيت القيد هو درجة حرية أساسية في أخذ العينات التوليدية.

يؤكد المؤلفون أن:

• الإسقاط ليس مجرد عملية لضمان الجدوى، بل هو تدخل في الديناميكيات. تأخير الإسقاط يغير الحالات التي تُحسب منها التحديثات المستقبلية.
• تسمح الجدولة التكيفية للممارسين بإنفاق جهد التصحيح حيث تكمن الأهمية (مناطق الخلل العالي) بدلاً من الإنفاق بشكل موحد أو في النهاية فقط.
• هذا النهج مستقل عن النموذج (model-agnostic)، ولا يتطلب حساب التدرجات عبر الإسقاط، ويضيف عبئاً ضئيلاً يتجاوز تقييم الخلل.

يشير العمل إلى أن التوليد المقيد المستقبلي يجب أن يعامل عمليات الجدوى كتدخلات على مستوى المسار، مدركاً أن المسار الذي يتم اتخاذه للوصول إلى عينة مجدية لا يقل أهمية عن العينة نفسها.