Mathematical Morphology in Machine Learning

ملخص تقني: المورفولوجيا الرياضية في تعلم الآلة

بيان المشكلة
بينما تُعد المورفولوجيا الرياضية (Mathematical Morphology - MM) نظرية راسخة في الحوسبة المرئية لتحليل الأجسام الرسومية بناءً على الشكل والحجم والتحدب، إلا أن تطبيقها في تعلم الآلة لا يزال غير مستغل بشكل كافٍ. فتقنيات تعلم الآلة الحالية غالباً ما تفشل في استغلال معلومات الشكل والكثافة بشكل كافٍ. علاوة على ذلك، فإن طرق التجميع (Clustering) والتصنيف الحالية إما تعتمد على استدلالات (Heuristics) لا تلتزم تماماً بمبادئ المورفولوجيا الرياضية، أو تفتقر إلى القدرة على نمذجة المعلومات الفركتلية (Fractal)، والشكل، والكثافة في آن واحد. بالإضافة إلى ذلك، في البيئات المنفصلة (مثل المعالجة القائمة على وحدات معالجة الرسومات GPU)، تقدم مقاييس المسافة القياسية مقايضات: فالمسافة الإقليدية (Euclidean distance) مكلفة حاسوبياً وتتطلب تكميماً (Quantization)، بينما المسافات من نوع تشيبيشيف (Chebyshev) ومانهاتن (Manhattan) سريعة ولكنها ذات طبيعة "مربعة"، مما يجعلها غير قادرة على تقريب التكرار الدائري للمسافة الإقليدية بفعالية.

المنهجية
يقترح البحث إطار عمل يدمج المورفولوجيا الرياضية في تعلم الآلة من خلال ثلاثة مكونات رئيسية:

1. خوارزمية التجميع باستخدام المجموعات المورفولوجية k-المورفولوجية (k-MS):

   • تستخدم هذه الخوارزمية إعادة البناء المورفولوجي بدلاً من العمليات الثنائية (على عكس خوارزميات التجميع المورفولوجي الثنائي السابقة).
   • تعمل الخوارزمية على شبكة يتم فيها رسم خرائط لعينات البيانات. ويُستخدم عنصر هيكلي $B$ (يحتوي في البداية على أصفار) وقناع $M$ لإجراء عملية إعادة البناء.
   • توظف الخوارزمية متغيراً داخلياً $\delta$ للتحكم في حجم العنصر الهيكلي. حيث تقوم بزيادة $\delta$ بشكل تكراري لتنمية المجموعات (Clusters) حتى الوصول إلى حالة الثبات (Idempotent state) أو الاقتراب من عدد المجموعات المحدد مسبقاً ($k$).
   • إذا تجاوز عدد مؤشرات المجموعات الفريدة قيمة $k$، يتم زيادة $\delta$؛ وإذا أصبحت عملية إعادة البناء غير ثابتة (اندماج المجموعات)، يتم إعادة ضبط $\delta$ إلى 1، وتتكرر العملية.
   • تقوم الطريقة بطبيعتها بعزل الضوضاء إلى مجموعات صغيرة ومستقلة دون تكاليف معالجة إضافية.

2. مقياس مسافة مبتكر:

   • لتحسين تكرار الجوار في المساحات المنفصلة (تحديداً للتنفيذ على وحدات معالجة الرسومات GPU)، تم اقتراح مقياس مسافة جديد.
   • هذا المقياس هو مزيج مرجح من مسافة تشيبيشيف ومسافة مينكوفسكي (المعادلة 1: $d_{R^p}(x,y) = w_1 \sum |x_i - y_i|^p + w_2 \max |x_i - y_i|$).
   • من خلال ضبط الأوزان $w_1$ و $w_2$ والمعامل $p$، يمكن للمقياس أن يتقارب نحو سلوكيات تشيبيشيف أو مينكوفسكي.
   • في الفضاء ثنائي الأبعاد ($R^2$)، ينتج عن هذه المسافة شكل ثماني الأضلاع، وهو أقرب هندسياً إلى المسافة الإقليدية الدائرية من الأشكال المربعة التي تنتجها مسافات مانهاتن أو تشيبيشيف.

3. المصنفات المورفولوجية:

   • يقترح المؤلفون مصنفات تقوم بتنمية عينات التدريب باستخدام عمليات التمدد (Dilations) لتغطية المساحات غير المصنفة.
   • يتم تنفيذ هذه المصنفات على وحدات معالجة الرسومات (GPUs) لاستغلال المعالجة المتوازية، حيث تنمو خلايا الشبكة بشكل متزامن.
   • عند حدوث تقاطعات أثناء النمو، يحدد نظام التصويت (Voting scheme) التسمية (Label).

المساهمات الرئيسية

• خوارزمية k-MS: تقنية تجميع تحافظ على الشكل والكثافة، وتوفر إحساساً جوهرياً بالحد الأقصى لعدد المجموعات التي يمكن إنشاؤها (بغض النظر عن $k$)، وتزيل الضوضاء دون أعباء حسابية إضافية.
• مقياس مسافة هجين: مقياس جديد يجمع بين مسافات تشيبيشيف ومينكوفسكي، يوفر توازناً بين الكفاءة الحسابية للمسافات "المربعة" والدقة الهندسية للمسافة الإقليدية.
• التنفيذ المحسن لوحدات معالجة الرسومات (GPU): تطوير مصنفات مورفولوجية وحسابات مسافة مصممة خصيصاً لبيئات وحدات معالجة الرسومات منخفضة المستوى، لتجنب الوصول البطيء إلى النواة (Kernel access) وأحجام النواة غير المحددة.
• التقييم الشامل: اختبار مكثف لمقياس المسافة المقترح باستخدام مصنف أقرب $k$ جار (k-NN) عبر 33 مجموعة بيانات من مستودع UCI.

النتائج

• كفاءة التجميع: وُجد أن خوارزمية k-MS أسرع من تقنيات التجميع القائمة على الكثافة الحديثة، مع توفير ميزات فريدة مثل إزالة الضوضاء والحفاظ على الشكل. وفي تحليل الوقت مقارنة بخوارزمية k-Means المتوازية (على المعالج المركزي CPU)، أظهرت k-MS أداءً تنافسياً أو متفوقاً، خاصة مع زيادة عدد المجموعات بسبب تحسينات التوقف المبكر.
• أداء مقياس المسافة:
  • السرعة: في مهام تكرار الجوار المنفصل في $Z^2$، كان المقياس المقترح أسرع بنحو 1.3 مرة من مسافة مانهاتن و329.5 مرة من المسافة الإقليدية.
  • الدقة: عند تقييمه باستخدام k-NN على 33 مجموعة بيانات من UCI، حقق المقياس المقترح دقة أفضل من متوسط 14 مسافة أخرى في 26 حالة من أصل 33 حالة. كما حقق أفضل دقة منفردة في 9 حالات من أصل 33 حالة.
• التجميع البصري: في مجموعات البيانات الصاخبة، نجحت خوارزمية k-MS في فصل المجموعات الحقيقية عن القيم المتطرفة، بينما قامت خوارزميات أخرى (مثل Chameleon) أحياناً بدمج القيم المتطرفة مع المجموعات الحقيقية، وفشلت خوارزميات أخرى (مثل Mitosis) في فصل الضوضاء.

الأهمية والادعاءات
يدعي المؤلفون أن هذا العمل يمثل أول اقتراح لتقنيات التصنيف والتجميع التي تعتمد كلياً على تقنيات المورفولوجيا الرياضية، متجاوزةً بذلك مجرد الروابط الاستدلالية. ويؤكد البحث أنه لا يوجد مصنف آخر في الأدبيات الحالية يمكنه نمذجة الشكل والكثافة والمعلومات الفركتلية في آن واحد بشكل صحيح.

تكمن أهمية هذا العمل في سد الفجوة بين نظرية الحوسبة المرئية وتعلم الآلة، وتوفير أدوات ليست سليمة نظرياً فيما يتعلق بالشكل والكثافة فحسب، بل أيضاً فعالة حاسبياً للأجهزة الحديثة (GPUs). ويُبرز مقياس المسافة المقترح كحل عملي لبيئات الحوسبة عالية الأداء حيث تكون المسافة الإقليدية بطيئة جداً، بينما تفتقر مسافات مانهاتن وتشيبيشيف إلى الدقة الهندسية الكافية. ويشير المؤلفون إلى أن هذه المساهمات قد أدت بالفعل إلى منشورات متعددة في دوريات مرموقة مثل Pattern Recognition و Pattern Recognition Letters.