🤖 machine learning

Generalized Priority-Aware Shapley Value

تقدم هذه الورقة قيمة شابلي المعممة والمدركة للأولويات (GPASV)، وهي طريقة تقييم مبتكرة توسع قيمة شابلي لتشمل الرسوم البيانية الموجهة والموزونة ذات الأولويات التعسفية من خلال فرض عقوبات بدلاً من حظر انتهاكات الترتيب، مما يتيح تقييماً قوياً في سيناريوهات العالم الحقيقي المعقدة مثل تفضيلات مجموعات النماذج اللغوية الكبيرة (LLM) الدورية.

المؤلفون الأصليون: Kiljae Lee, Ziqi Liu, Weijing Tang, Yuan Zhang

نُشر 2026-05-15

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kiljae Lee, Ziqi Liu, Weijing Tang, Yuan Zhang

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 تنظم مأدبة عشاء ضخمة حيث يحضر كل شخص طبقاً، وتريد معرفة من يستحق أكبر قدر من التقدير لجمال المذاق النهائي للوجبة. في عالم تعلم الآلة، يسمى هذا التقييم (Valuation): أي معرفة مقدار مساهمة كل نقطة بيانات، أو ميزة، أو نموذج في النتيجة النهائية.

لعقود من الزمن، كانت الأداة القياسية لهذه المهمة هي قيمة شابلي (Shapley Value). فكر في الأمر كحكم عادل يختار عشوائياً ترتيب وصول الأشخاص إلى الحفلة. إذا وصلت مبكراً، فقد تضطر للطبخ بمكونات أقل؛ وإذا وصلت متأخراً، فقد يكون لديك الكثير لتعمل به. يحسب الحكم مساهمتك من خلال رؤية مدى تحسن الوجبة عند حضورك.

ومع ذلك، فإن الحكم القديم لديه نقطة عمياء: فهو يفترض أن الجميع متساوون ما لم تكن هناك قاعدة صارمة وغير قابلة للكسر تقول "الشخص (أ) يجب أن يصل قبل الشخص (ب)".

المشكلة: الحياة الواقعية فوضوية

في العالم الحقيقي، الأولويات ليست مجرد قواعد "يجب" واضحة وصريحة، بل غالباً ما تكون:

دائرية (Cyclic): في مجموعة من الأصدقاء، قد تفضل أليس طبخ بوب على طبخ تشارلي، وقد يفضل بوب طبخ تشارلي على ديف، لكن ديف قد يفضل طبخ أليس على بوب. إنها حلقة مفرغة. الحكم القديم يعلق في دائرة ولا يستطيع اتخاذ قرار.
موزونة (Weighted): أحياناً، تكون القاعدة "أليس يجب أن تصل قبل بوب" قوية جداً (مثل القانون)، ولكن في أحيان أخرى تكون مجرد اقتراح قوي (مثل التفضيل). الحكم القديم يعامل جميع القواعد كقوانين مطلقة، متجاهلاً قوة التفضيل.
ناعمة (Soft): أحياناً، نحن فقط نثق في أشخاص معينين أكثر من غيرهم أو نعرف أن توظيفهم يكلف أقل. الحكم القديم لا يعرف كيف يأخذ هذا "الثقة الناعمة" في الاعتبار دون كسر القواعد الصارمة.

الحل: "قيمة شابلي المعممة المدركة للأولويات" (GPASV)

ابتكر مؤلفو هذه الورقة حكماً جديداً وذكياً للغاية يسمى GPASV. إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. نظام "العقوبة الناعمة" (التعامل مع الدوائر والأوزان)

تخيل أن الحكم القديم كان سيستبعد أي ترتيب للضيوف يتم فيه خرق القواعد، ولو بنسبة ضئيلة جداً. أما GPASV فهو أكثر مرونة.

التشبيه: بدلاً من علامة "ممنوع الدخول" الصارمة، يستخدم GPASV مطبّاً صناعياً. إذا رتبت الضيوف في ترتيب ينتهك تفضيلاً ما (على سبيل المثال، وضع "المدير" بعد "المتدرب")، فلن يتم منعك. بدلاً من ذلك، ستحصل على "درجة عقوبة".
كيف يعمل: كلما انتهكت تفضيلاً قوياً، زادت العقوبة. لا يزال الحكم يأخذ هذه الترتيبات في الاععل، لكنها تكون أقل عرضة للاختيار. هذا يسمح للنظام بالتعامل مع الدوائر (الحلقات) والأوزان (القواعد القوية مقابل الضعيفة) دون أن يعلق.

2. "درجة الثقة" (الأولوية الناعمة)

يستمع GPASV أيضاً إلى مشاعرك "الناعمة" تجاه الضيوف.

التشبيه: تخيل أن لديك قائمة بالضيوف، ولديك "درجة ثقة" لكل منهم. ربما تثق في طبخ جدتك أكثر من طبخ شخص غريب، حتى لو كان الغريب "أفضل" تقنياً في الطبخ.
كيف يعمل: يمزج GPASV بين القواعد الصارمة (المطبات الصناعية) وبين درجات الثقة هذه. إنه يخلق رؤية متوازنة حيث قد يحصل الضيف الموثوق به بشدة على مكان أفضل في الصف، حتى لو انتهك قاعدة ثانوية بشكل طفيف.

3. "التشخيص المسحي" (المؤشر/القرص)

أحد أروع ميزات GPASV هو أنه لا يعطيك إجابة واحدة فقط، بل يعطيك مؤشراً (Dial).

التشببية: تخيل راديو به قرص دوار. على أحد الجانبين، لديك "القواعد الصارمة فقط" (الأولوية الصلبة). وعلى الجانب الآخر، لديك "التفضيل/الثقة النقية فقط" (الأولوية الناعمة).
كيف يعمل: يوضح المؤلفون أنه يمكنك تدوير هذا المؤشر لترى كيف تتغير القيمة. إذا أدرت المؤشر نحو "القواعد الصارمة"، فستبدو النتائج بطريقة معينة. وإذا أدرته نحو "الثقة"، فستتغير النتائج تماماً. وهذا يثبت أنه لا توجد إجابة واحدة "صحيحة"؛ فالإجابة تعتمد على مقدار ما تقدره من القواعد مقابل الثقة.

الاختبار الواقعي: ساحة الدردشة (Chatbot Arena)

لإثبات نجاح هذا، اختبر المؤلفون GPASV على نماذج اللغات الكبيرة (LLMs)، وتحديداً باستخدام بيانات من "Chatbot Arena"، حيث يصوت البشر على أي روبوت دردشة ذكاء اصطناعي هو الأفضل.

الموقف: غالباً ما تخلق أصوات البشر حلقات (الذكاء الاصطناعي "أ" يهزم "ب"، و"ب" يهزم "ج"، لكن "ج" يهزم "أ"). الطرق القديمة لم تستطع التعامل مع هذا.
التجربة: عاملوا نماذج الذكاء الاصطناعي كأنهم "الضيوف" في مأدبة العشاء. وكان لديهم نوعان من الأولويات:
1. الأولوية الصلبة: من صوت البشر من أجلهم فعلياً (عدد الأصوات).
2. الأولوية الناعمة: ما إذا كان الذكاء الاصطناعي "مفتوح المصدر" (مجاني) أو "مدفوع الثمن" (مكلف).
النتيجة: وجدوا أن "الفائز" في التقييم تغير بشكل كبير اعتماداً على كيفية تدوير المؤشر.
- إذا ركزوا فقط على أصوات البشر، فإن النماذج المدفوعة والمكلفة (مثل GPT-4) هي التي هيمنت.
- إذا ركزوا على تفضيل "المصدر المفتوح"، فإن النماذج المجانية ارتفعت إلى القمة.
- الدرس المستفاد: لا يمكنك فقط الضغط على زر "احسب القيمة" للحصول على حقيقة واحدة. عليك أن تقرر مقدار الوزن الذي ستعطيه لأصوات البشر مقابل تفضيلاتك الخاصة (مثل دعم المصدر المفتوح). جعل GPASV هذا المقايضة مرئية وقابلة للتعديل.

الملخص

تقدم الورقة البحثية GPASV، وهي أداة رياضية جديدة تعالج عيوب الطرق القديمة من خلال:

السماح بوجود حلقات في التفضيلات (الدوائر) بدلاً من التعلق.
احترام قوة التفضيلات (الأوزان) بدلاً من معاملتها جميعاً كقوانين مطلقة.
الجمع بين هذه الأمور ودرجات الثقة الشخصية (الأولوية الناعمة).
إظهار أن "الدرجة" النهائية تعتمد على كيفية موازنة المستخدم لهذه العوامل المختلفة، بدلاً من كونها رقماً واحداً ثابتاً.

إنه يشبه الانتقال من حكم صارم مقيد بالقواعد إلى وسيط مرن وحكيم يدرك أن أولويات الحياة الواقعية فوضوية، وموزونة، ودائرية أحياناً.

إليك ملخص تقني مفصل لورقة "قيمة شابلي المعممة الواعية بالأولوية" (GPASV).

بيان المشكلة

تعد قيم شابلي (Shapley values) وامتداداتها الواعية بالأولوية أدوات قياسية لتحديد القيمة المنسوبة للمساهمين في تعلم الآلة (مثل نقاط البيانات، أو الميزات، أو مكونات النموذج). ومع ذلك، تعتمد الأساليب الحالية الواعية بالأولوية، مثل "قيمة شابلي الواعية بالأولوية" (PASV)، على افتراضات تقييدية تفشل غالباً في تطبيقات الذكاء الاصطناعي وتعلم الآلة الحديثة:

القيود الثنائية واللا دورية: تتطلب طريقة PASV ترميز علاقات الأولوية الزوجية كـ "رسم بياني موجه غير دوري" (DAG). وهذا يمنع وجود الدورات (مثل $A \succ B \succ C \succ A$ ) ويعامل الأولوية كقيد ثنائي صارم. والبيانات في العالم الحقيقي، مثل التفضيلات البشرية المجمعة (دورات كوندورسيه) أو المقارنات متعددة المعايير، غالباً ما تظهر هياكل دورية.
فقدان المقدار: تتجاهل طريقة PASV قوة دليل الأولوية. في سيناريوهات مثل عدد مرات الفوز في البطولات، أو أرجحية برادلي-تيلي (Bradley-Terry)، أو تصنيفات إيلو (ELO)، فإن "مقدار" التفضيل أمر مهم، لكن الطرق القائمة على الـ DAG تلتقط فقط وجود السبق ولا تلتقط شدته.
هجمات النسخ (Copier Attacks): تُعد قيم شابلي القياسية عرضة لـ "هجمات النسخ" حيث يحصل المساهم الذي ينسخ مساهماً آخر على نفس القدر من الائتمان. وبينما تعالج PASV ذلك عبر أولويات صارمة، إلا أنها لا تستطيع التعامل مع الطبيعة المتدرجة أو الموزونة أو الدورية الموجودة في العالم الحقيقي.

المنهجية: قيمة شابلي المعممة الواعية بالأولوية (GPASV)

يقترح المؤلفون GPASV، وهي "قيمة الترتيب العشوائي" (ROV) المعرفة على رسوم بيانية موجهة وموزونة اختيارية، والتي تتعامل في آن واحد مع الهياكل الدورية، والأولويات الزوجية الموزونة، والأولويات الفردية "الناعمة".

1. التعريف الجوهري
على عكس PASV، التي تقيد التباديل بتلك المتوافقة مع DAG، تُعرف GPASV توزيعاً احتمالياً $p(\lambda, \omega)$ على كامل مجموعة التباديل $\Pi$ .

الأولوية الزوجية ( $\omega$ ): تُمثل برسم بياني موجه وموزون حيث تشفر $\omega_{ij} \ge 0$ قوة ضرورة أن يسبق اللاعب $i$ اللاعب $j$ . الدورات مسموح بها هنا.
الأولوية الناعمة ( $\lambda$ ): أوزان فردية تمثل الثقة، أو التكلفة، أو مخاطر الامتثال.
عقوبة الانتهاك: بالنسبة للتبديل $\pi$ ، فإن إجمالي تكلفة الانتهاك $V_\omega(\pi)$ هو مجموع الأوزان لجميع الأزواج التي يتم فيها انتهاك ترتيب السبق.
صياغة التوزيع: يجمع التوزيع بين عقوبة من نمط "جيبس" (Gibbs-style) للانتهاكات وآلية أولوية ناعمة مرحلية:
$p(\lambda, \omega)(\pi) \propto \prod_{t=1}^n \left[ \frac{\lambda_{\pi_t} \exp\{-\beta \cdot V_\omega(\pi_t; S_t)\}}{\sum_{k \in S_t} \lambda_k \exp\{-\beta \cdot V_\omega(k; S_t)\}} \cdot \sum_{k \in S_t} \exp\{-\beta \cdot V_\omega(k; S_t)\} \right]$
هنا، $\beta$ هو معامل درجة الحرارة الذي يتحكم في صرامة الأولوية الزوجية. عندما تؤول $\beta \to \infty$ ، تستعيد الطريقة نموذج PASV على الرسوم البيانية غير الدورية (DAGs)؛ وعندما تكون $\beta = 0$ ، فإنها تتحول إلى توزيع "بلاكت-لوس" (Plackett-Luce).

2. التوصيف البديهي (Axiomatic Characterization)
تؤسس الورقة GPASV من خلال مجموعة من البديهيات التي تعمم بديهيات PASV:

GSCF (عامل اختيار الحالة المعمم): يضمن أن التوزيع يتبع شكلاً معيارياً مرحلياً متوافقاً مع مخطط أخذ العينات.
GWP (التناسب الوزني المعمم): تعتمد أرجحية اختيار اللاعب $i$ على $j$ في أي مرحلة على أوزانهم الناعمة $\lambda$ وتكاليف الانتهاك النسبية.
PVF (تحليل انتهاك الزوجية): عندما تكون الأوزان الناعمة موحدة، يتقلص التوزيع إلى شكل "جيبس" الذي يعاقب إجمالي الانتهاكات.
يثبت المؤلفون أن GPASV هي الـ ROV الوحيدة التي تحقق هذه البديهيات.

3. الإطار الحسابي
يعد حساب GPASV أمراً صعباً بسبب التوزيع غير المنتظم على التباديل. لذا طور المؤلفون:

أخذ العينات (Sampling): سلسلة "متروبوليس-هستينغز" (Metropolis-Hastings) تعتمد على التبديل المجاور، مع نسبة قبول محلية تلغي معظم الحدود العالمية، مما يجعلها فعالة.
التهيئة (Initialization): تهيئة جشعة مرحلية (الخوارزمية 2) تأخذ عينات من اللاعبين بشكل عكسي من الموقع $n$ لتخفيف مشكلة "البداية الباردة" في الرسوم البيانية الدورية حيث لا يوجد امتداد خطي صالح.
التسريع:
- تخزين المنفعة مؤقتاً (Utility Caching): إعادة استخدام تقييمات $U(S)$ للمجموعات الفرعية المتكررة.
- أخذ العينات بأهمية ذاتية معيارية (SNIS): إعادة استخدام عينات التبديل عبر إعدادات درجات حرارة مختلفة ( $\beta$ ) أو مقاييس أولوية ناعمة ( $\lambda$ ) أثناء عملية "مسح الأولوية".
- التقدير بمساعدة النماذج البديلة: استخدام نماذج بديلة قائمة على الانحدار (خطية أو تربيعية) لتقليل التباين، رغم أن المؤلفين يشيرون إلى أن هذا يتسبب في تكاليف ذاكرة ووقت أعلى لـ GPASV مقارنة بـ PASV بسبب عدم القدرة على تصفير حدود التفاعل لروابط الـ DAG.

النتائج الرئيسية والتحقق التجريبي

1. المحاكاة

وقت الاختلاط (Mixing Time): تسرع التهيئة الجشعة من اختلاط سلسلة MH بشكل كبير مقارنة بالتهيئة العشوائية، خاصة في الرسوم البيانية الكثيفة أو الدورية.
الدقة: يقترب تقدير "مونت كارلو" المباشر كما هو متوقع. تحسن الطرق المدعومة بالنماذج البديلة الدقة ولكنها تفرض أعباء زمنية وذاكرة كبيرة، خاصة للنماذج التربيعية التي لا تستطيع استغلال ندرة الـ DAG.
مسح الأولوية (Priority Sweeping): أداة تشخيصية حيث يتم تغيير الأولوية الناعمة ( $\lambda$ ). وجد المؤلفون أنه تحت نظام GPASV، يكون تأثير الأولويات الناعمة أكبر بكثير مما هو عليه في PASV. ولأن GPASV "تُنعّم" القيود الصارمة، يمكن للأولويات الناعمة الفردية أن تعيد تشكيل التقييم بفعالية أكبر، بينما تحد قيود الـ DAG الصارمة في PASV من تأثيرها.

2. التطبيق: تقييم مجموعة نماذج اللغات الكبيرة (LLM Ensemble Valuation)
طُبقت الطريقة لتقييم 20 نموذجاً من نماذج اللغات الكبيرة باستخدام:

المنفعة (Utility): الأداء على MT-Bench (مجمع ومُحكم بواسطة نموذج لغة كبير).
الأولوية الزوجية: رسم بياني موزون ودوري مستمد من تفضيلات البشر في Chatbot Arena.
الأولوية الناعمة: تفضيل النماذج مفتوحة المصدر على واجهات برمجة التطبيقات المملوكة والمدفوعة.

النتائج:

التقييم غير الفريد: التقييم ليس رقماً واحداً "صحيحاً". فالتوازن المختلف بين التفضيلات الزوجية ( $\beta$ ) والأولويات الناعمة ( $\alpha$ ) يؤدي إلى تصنيفات مختلفة جوهرياً.
هيمنة الأولوية الناعمة: في عمليات المسح المشتركة، تميل الأولوية الناعمة على مستوى العقدة (تفضيل المصادر المفتوحة) إلى الهيمنة على أولوية الرسم البياني على مستوى الحواف. على سبيل المثال، رفع الأولوية الناعمة للنماذج مفتوحة المصدر يمكن أن يرفعها إلى أعلى التصنيفات حتى عندما يفضل رسم التفضيلات الزوجي النماذج المدفولة.
محاور الرسم البياني (Graph Hubs): عند إعطاء الأولوية للتفضيلات الزوجية ( $\beta$ ) وحدها، يتركز التقييم على "محاور" محددة في رسم التفضيلات (مثل GPT-4)، بدلاً من توزيع القيمة عبر فئة من النماذج.

الأهمية والادعاءات

تدعي الورقة أن GPASV هي امتداد مبدئي ومعبر لمتغيرات شابلي الموجودة. وتكمن أهميتها الأساسية في:

التعامل مع التعقيد الواقعي: هي أول طريقة تتعامل في آن واحد مع الأولويات الزوجية الدورية والموزونة، والأولويات الناعمة الفردية، وتغطي الحالات الكلاسيكية لـ Shapley وPSV وWSV وPASV كحالات خاصة.
الشفافية في المقايضات: يجادل المؤلفون بأن التقييم الواعي بالأولوية "ليس عملية بضغطة زر واحدة". إذ تكشف GPASV عن المقايضة بين المصادر المختلفة لمعلومات الأولوية (مثل رسوم التفضيلات البشرية مقابل قيود النشر) كمدخل يمكن مسحه وتعديله صراحةً.
الضرورة التشخيصية: يكشف تشخيص "مسح الأولوية" أن الأولويات الناعمة لها تأثير أكبر بكثير تحت نظام GPASV مما كان يُعتقد سابقاً تحت نظام PASV، مما يشير إلى أن البيانات الوصفية المتعلقة بالأولويات الناعمة (الثقة، التكلفة، المخاطر) أكثر أهمية للتقييم مما كان يُعتقد سابقاً.

تخلص الورقة إلى أنه بينما تفرض GPASV تحديات حسابية، فإن قدرتها على نمذجة الهياكل الدورية والموزونة تجعلها ضرورية لتطبيقات مثل تقييم النماذج اللغوية الكبيرة حيث تُنتهك افتراضات الـ DAG القياسية.