🤖 machine learning

Conformalised imprecise inference for robust extrapolation under limited data

تقترح هذه الورقة إطار عمل للاستدلال غير الدقيق الموحد (conformalised) والمستقل عن النموذج، والذي يولد صناديق احتمالية (probability boxes) للتعامل بمتانة مع التحولات التوزيعية والحفاظ على تغطية موثوقة أثناء الاستقراء، لا سيما في سيناريوهات ندرة البيانات.

المؤلفون الأصليون: Yu Chen, Scott Ferson

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yu Chen, Scott Ferson

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

إليك شرح للورقة البحثية باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

المشكلة الكبيرة: الذكاء الاصطناعي "الواثق بزيادة"

تخيل أنك تعلم طفلاً التنبؤ بالطقس. أظهرت له بيانات لـ 40 يوماً حيث كان الطقس دائماً مشمساً ودرجة الحرارة تتراوح بين 70 و80 درجة فهرنهايت. تعلم الطفل هذا النمط بشكل مثالي.

الآن، تطلب من الطفل التنبؤ بالطقس ليوم تصل فيه الحرارة إلى 100 درجة فهرنهايت (شيء لم يره من قبل).

نماذج الذكاء الاصطناعي القياسية غالباً ما تتصرف مثل ذلك الطفل الواثق بزيادة. قد يقول: "ستكون الحرارة 75 درجة فهرنهايت"، مع هامش خطأ ضئيل جداً، رغم أنه لا يملك أدنى فكرة عما تعنيه 100 درجة فهرنهايت. إنهم واثقون بزيادة عندما يخرجون عن نطاق بيانات التدريب الخاصة بهم.
الهدف: نحن بحاجة إلى نظام يقول: "لم أرَ 100 درجة فهرنهايت من قبل، لذا أنا لست متأكداً. قد تكون الحرارة في أي مكان بين 60 و120 درجة فهرنهايت". يجب أن يعترف النظام بجهله عندما يبتعد عن الأمور التي يعرفها.

الحل: "الاستدلال غير الدقيق الموحد" (CII)

يقترح المؤلفون إطار عمل جديداً يسمى CII. فكر في هذا كـ "شبكة أمان" لنظام تنبؤات الذكاء الاصطناعي. بدلاً من إعطاء رقم واحد (مثل "75 درجة فهرنهايت")، فإنه يعطي نطاقاً (أي "صندوق احتمالية").

إليك كيف يعمل، مقسماً إلى ثلاث خطوات بسيطة:

1. "درجة المسافة" (نظام الـ GPS)

أولاً، يتحقق النظام من مدى بعد السؤال الجديد عن البيانات التي تدرب عليها.

تشبيه: تخيل أنك تسير في غابة تعرفها جيداً (بيانات التدريب الخاصة بك). إذا بقيت على المسار، فأنت آمن. إذا ابتعدت عن المسار ودخلت في أعماق الغابة، فأنت في منطقة "خارج التوزيع" (OOD).
يقوم نظام CII بحساب درجة مسافة. إذا كنت على المسار، تكون الدرجة منخفضة. إذا كنت في أعماق الغابة، تكون الدرجة عالية.

2. "قاعدة التضخم" (البالون)

هذا هو الجزء السحري. يستخدم النظام درجة المسافة هذه ليقرر مدى اتساع شبكة الأمان الخاصة به.

على المسار (داخل التوزيع): يكون النظام واثقاً. يعطي نطاقاً ضيقاً ومحددًا. "من المحتمل أن تكون الحرارة بين 74 و76 درجة فهرنهايت".
في أعماق الغابة (خارج النطاق): كلما زادت درجة المسافة، يقوم النظام بتضخيم النطاق مثل البالون. "بما أنك بعيد عن بيانات التدريب الخاصة بنا، فسأقوم بتوسيع النطاق ليكون بين 60 و120 درجة فهرنهايت فقط لضمان السلامة".
لماذا؟ هذا يضمن أنه حتى لو كان الذكاء الاصطناعي يخمن بشكل عشوائي، فإنه سيظل يضمن الإمساك بالإجابة الصحيحة ضمن نطاقه الواسع. إنه يستبدل الدقة بالأمان.

3. "الاحتمالية غير الدقيقة" (صندوق الـ P-Box)

بدلاً من خط احتمالية واحد، يرسم النظام صندوقاً (يسمى p-box).

تشبيه: فكر في التنبؤ القياسي كخط واحد على الخريطة. يقوم نظام CII برسم حزمة سميكة وضبابية حول هذا الخط.
الحافة العلوية للحزمة هي التخمين في "أسوأ الحالات"، والحافة السلوية هي التخمين في "أفضل الحالات".
تمثل هذه الحزمة عدم اليقين المعرفي (Uncertainty due to lack of knowledge). كلما كانت الحزمة أعرض، قل ما يعرفه الذكاء الاصطناعي.

كيف اختبروا ذلك؟

اختبر الباحثون ذلك في نوعين من السيناريوهات:

مثال تجريبي بسيط: استخدموا منحنى رياضياً بسيطاً (دالة تكعيبية). قاموا بتدريب الذكاء الاصطناعي على جزء صغير من المنحنى وطلبوا منه التنبؤ ببقية المنحنى.
- النتيجة: فشلت الطرق القديمة في رصد المنحنى الحقيقي عندما ابتعد عن النطاق. أما طريقة CII فقد نجحت في إحاطة المنحنى الحقيقي بـ "حزمة الأمان" الخاصة بها، حتى في المنطقة غير المعروفة.
بيانات حقيقية (معايير UCI): اختبروا النظام على مجموعات بيانات حقيقية (مثل التنبؤ بأسعار المنازل أو قوة الخرسانة) مع بيانات محدودة.
- النتيجة: عندما كانت البيانات شحيحة أو كانت بيانات الاختبار مختلفة عن بيانات التدريب، أصبحت الطرق الأخرى واثقة بزيادة وغير دقيقة. أما نظام CII فقد ظل موثوقاً. لم يعد يعد بالدقة؛ بل وعد بأن يكون صحيحاً عبر توسيع شبكته عندما تصبح الأمور محفوفة بالمخاطر.

النقاط الرئيسية المستفادة

المتانة: النظام لا ينكسر عندما يرى شيئاً جديداً؛ بل يصبح فقط "أعرض" وأكثر حذراً.
لا يتطلب سحراً: يعمل مع أي نموذج ذكاء اصطناعي موجود. إنه يشبه "غلافاً" تضعه حول النموذج لجعله أكثر أماناً.
المقايضة: في المناطق الآمنة، يكون دقيقاً. في المناطق الخطرة (غير المعروفة)، يصبح غير دقيق (واسع النطاق) لضمان عدم تفويت الحقيقة.

باختصار

تقدم الورقة البحثية طريقة تعلم الذكاء الاصطناعي معرفة ما لا يعرفه. من خلال قياس مدى بعد السؤال الجديد عما تعلمه، يقوم النظام تلقائياً بتوسيع نطاق إجابته لضمان عدم تقديم إجابة خاطئة بثقة عندما يكون في منطقة غير مألوفة. إنه الفرق بين ذكاء اصطناعي يقول "أنا متأكد بنسبة 100%" وهو يخمن، وبين ذكاء اصطناعي يقول "أنا لست متأكداً، لذا إليك نطاقاً واسعاً من الاحتمالات".

ملخص تقني: الاستدلال غير الدقيق الموحد لضمان التنبؤ القوي في حالات الاستقراء تحت محدودية البيانات

بيان المشكلة
تواجه أنظمة تعلم الآلة تحديات كبيرة عند التعميم خارج نطاق بيانات التدريب، لا سيما في الإعدادات التي تتميز بمحدودية البيانات والتحولات التوزيعية (الاستقراء/Extrapolation). وبينما حققت التطورات الأخيرة في تقدير عدم اليقين (UQ) تميزاً بين عدم اليقين العرضي (Aleatory - غير القابل للاختزال) وعدم اليقين المعرفي (Epistemic - المرتبط بالنموذج)، تفتقر الطرق الحالية غالباً إلى الضمانات الصارمة عند تطبيقها على البيانات خارج التوزيع (OOD). تفشل النهج الاحتمالية القياسية بشكل متكرر في الحفاظ على التغطية في أنظمة الاستقراء، مما يؤدي إلى تنبؤات مفرطة في الثقة وغير موثوقة. المشكلة الجوهرية التي يعالجها هذا البحث هي الحاجة إلى إطار عمل موحد يوفر ضمانات إحصائية صارمة للتعميم مع مراعاة نقص البيانات وانحراف مدخلات الاختبار عن فضاء بيانات التدريب بشكل صريح.

المنهجية
يقترح المؤلفون إطار عمل الاستدلال غير الدقيق الموحد (CII)، وهو نهج مستقل عن النموذج يدمج الوعي بالمسافة مع تمثيلات الاحتمال غير الدقيقة (تحديداً صناديق الاحتمال أو p-boxes). تمر المنهجية عبر أربع مراحل رئيسية:

المعايرة الواعية بالمسافة:
يستخدم إطار العمل درجة مسافة قياسية، $r(x)$ ، تُعرف بأنها مسافة ماهالانوبيس (Mahalanobis distance) بين مدخل الاختبار وتوزيع بيانات التدريب. تمثل هذه الدرجة انحراف نقطة الاختبار عن فضاء بيانات التدريب. تُستخدم مجموعة معايرة لبناء نموذج تنبؤ فتروي (IPM) يربط درجة المسافة هذه بنطاق التفاوت $[d, \bar{d}]$ . يتم تدريب هذا النموذج لتوصيف نطاق التفاوت لمدخلات غير مرئية بدقة، خاصة في المناطق الحدودية.
تعديل التفاوت المعتمد على المسافة:
يتم تطبيق قاعدة تعديل مبتكرة على درجات التوافق (conformal scores) بناءً على المسافة $r(x)$ . ضمن نطاق دعم التدريب ( $r(x) \leq r_0$ )، تحافظ الطريقة على حدود موجهة نحو الدقة. ومع ذلك، في أنظمة الاستقراء ( $r(x) > r_0$ )، تقوم الطريقة بتضخيم عدم اليقين بشكل تكيفي عبر اختيار الحد الأعلى لنطاق التفاوت. يضمن ذلك توسع عدم اليقين كلما ابتعدت المدخلات عن بيانات التدريب، مما يسد الفجوة بين التنبؤ التوافقي (Conformal Prediction) والتحول التوزيعي دون الحاجة إلى نمذجة صريحة لتوزيع الاختبار.
بناء حدود "AsCloseAs":
لتوليد التنبؤ النهائي، يستعيد الإطار العملي جميع التوزيعات الاحتمالية ضمن مقياس المساحة المحسوب (الذي يُفسر كمسافة واسرستاين Wasserstein distance) من الفرضية الأساسية. ويتم تحقيق ذلك من خلال حل مسألة تحسين لإيجاد حدود "ascloseas" (أضيق دالة توزيع تراكمي علوية وسفلية) التي تحيط بالتنبؤ الأساسي مع استيفاء ميزانية التفاوت. ينتج عن ذلك تنبؤ بصندوق احتمالي موحد، $C(x^*) = [G(x), \bar{G}(x)]$ ، والذي يمثل مجموعة ائتمانية (credial set) من التنبؤات الممكنة.
التعامل مع الملاحظات غير الدقيقة:
صُمم إطار العمل للتعامل مع "عدم اليقين متعدد الأشكال" (polymorphic uncertainty)، حيث قد تكون الملاحظات دقيقة، أو فترات، أو توزيعات. ويستخدم مقياس مساحة عشوائي لحساب التفاوت بين صندوق الاحتمال التنبئي وصندوق الاحتمال التجريبي للملاحظة، مما يسمح بمعالجة موحدة لعدم يقين القياس وعدم يقين النموذج.

المساهمات الرئيسية

إطار عمل موحد للاستقراء: يقدم البحث إطار عمل للاستدلال غير الدقيق الموحد، وهو مستقل عن النموذج التنبئي الأساسي (مثل الشبكات العصبية البايزية أو المجموعات)، ولكنه يعززها بضمانات تغطية صارمة تحت التحول التوزيعي.
تضخيم عدم اليقين التكيفي: على عكس التنبؤ التوافقي القياسي الذي يفترض التبادلية (exchangeability)، يميز نظام CII صراحةً بين البيانات داخل التوزيع (ID) والبيانات خارج التوزيع (OOD). فهو يستخدم آلية تعتمد على المسافة لتوسيع حدود عدم اليقين تكيفياً في أنظمة الاستقراء، مما يضمن الصلاحية حيث تفشل الطرق التقليدية.
تمثيل الاحتمال غير الدقيق: يخرج الإطار توقعات في شكل صناديق احتمالية (p-boxes) بدلاً من التقديرات النقطية أو التوزيعات المنفردة. هذا الهيكل يدمج بشكل طبيعي بين عدم اليقين العرضي والمعرفي، مما يوفر طريقة مبدئية لتمثيل "مستوى الجهل" عبر اتساع الحدود.
مقاييس تقييم صارمة: يقترح المؤلفون ويستخدمون مقايبات محددة للتقييم، بما في ذلك التغطية المصنفة حسب المسافة (لتقييم الصلاحية عبر طيف المسافة)، وعرض التنبؤ المقيّس بالكميات (لقياس عدم الدقة بشكل مستقل عن المقياس)، والدقة المجمعة عبر u-pooling.

النتائج التجريبية
قيم المؤلفون نظام CII على بيانات اصطناعية (انحدار دالة تكعيبية) وعلى عدة معايير من مجموعات بيانات UCI للانحدار (مثل Boston، وConcrete، وEnergy، وNaval Propulsion) تحت نسب بيانات متغيرة ( $\epsilon$ ) وتحولات توزيعية مختلفة.

التغطية والصلاحية: في إعدادات الاستقراء (OOD)، حقق CII باستمرار تغطية تجريبية مثالية أو شبه مثالية ( $\xi \approx 1.0$ )، بينما عانت الطرق المرجعية مثل خليط المجموعات الغاوسية (MoG) وتقدير متوسط التباين (MVE) من تدهور كبير في التغطية.
القوة في ظل محدودية البيانات: مع انخفاض نسبة بيانات التدريب، حافظ CII على تغطية عالية مع زيادة عرض التنبؤ ( $\gamma_n$ ) بشكل تكيفي. أظهر هذا قدرة الطريقة على ترميز زيادة عدم اليقين المعرفي المرتبط بنقص البيانات.
الأداء المصنف حسب المسافة: أظهر التحليل أنه بينما ظلت التغطية مستقرة عبر فئات المسافة المختلفة، زاد عرض التنبؤ بشكل منهجي مع زيادة درجة المسافة $r(x)$ . وهذا يؤكد قدرة الطريقة على ضبط عدم اليقين بناءً على درجة الاستقراء.
المقارنة: في مقارنات مجموعات البيانات عند نسب بيانات ثابتة، حافظ CII على التغطية بشكل موحد بينما فشلت الطرق المرجعية في الحفاظ على الصلاحية تحت التحول التوزيعي. كما أظهر CII خطأ معايرة مجمع أقل ( $d_p$ ) مقارنة بالطرق المرجعية.

الأهمية والادعاءات
يزعم البحث أن إطار عمل CII يوفر آلية مبدئية لربط التنبؤ التوافقي بالتحول التوزيعي، مما يوفر ضمانات صارمة للتعميم حتى مع محدودية البيانات. ومن خلال الاستفادة من الوعي بالمسافة والاحتمال غير الدقيق، تضمن الطة بقاء التنبؤات صالحة (تغطي الحقيقة الأرضية) مع تضخيم عدم اليقين تكيفياً ليعكس زيادة مخاطر الاستقراء. ويؤكد المؤلفون أن هذا النهج يتجنب الحاجة إلى النمذجة الصريحة لتوزيع الاختبار، مما يجعله حلاً قوياً للحالات عالية المخاطر حيث يكون الإفراط في الثقة أمراً خطيراً. يسلط العمل الضوء على أهمية دمج الوعي التوزيعي مباشرة في هندسة المجموعات التنبؤية لإدارة عدم اليقين المعرفي بفعالية. وقد تمت الإشارة إلى أن العمل المستقبلي سيستكشف توسعات للتعامل مع عدم يقين القياس بشكل أكثر دقة وتحسين القابلية للتوسع.