← أحدث الأبحاث
🤖 machine learning

TopoFE: topology-aware LLM-guided Automated Feature Engineering

يُعد TOPOFE إطار عمل تطوري متعدد الجزر مدركاً للطوبولوجيا، يعمل على تعزيز هندسة الميزات المؤتمتة والموجهة بنماذج اللغات الكبيرة (LLM) من خلال دمج الاستكشاف المتخصص في العائلات، والذاكرة التكيفية للمطالبات، ونقل المعرفة الموجه بالطوبولوجيا للتغلب على قيود التوليد عديم الحالة والبحث المتجانس، مما يؤدي إلى اكتشاف برامج ميزات متنوعة وعالية الأداء عبر 29 مجموعة بيانات جدولية.

المؤلفون الأصليون: Sha Li, Naren Ramakrishnan

نُشر 2026-07-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC0 1.0

المؤلفون الأصليون: Sha Li, Naren Ramakrishnan

البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ 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 كمبيوتر اتخاذ قرارات ذكية، مثل التنبؤ بما إذا كان مقدم طلب القرض سيعيد أمواله أم لا، أو ما إذا كان المريض يعاني من مرض معين. الكمبيوتر لا يبدأ بالإجابات؛ بل يحتاج إلى النظر في جدول بيانات يحتوي على بيانات خام — أرقام، وفئات، وتواريخ — ليكتشف الأنماط المهمة. تسمى هذه العملية تعلم الآلة (Machine Learning). ولكن هنا يكمن الجزء الصعب: البيانات الخام غالباً ما تكون فوضوية ويصعب فهمها. تماماً كما لا يستطيع الطاهي إعداد حساء رائع باستخدام خضروات خام غير مقطعة، فإن الكمبيوتر غالباً لا يستطيع إيجاد أفضل الأنماط ما لم يتم تحويل البيانات أولاً. تسمى خطوة التحويل هذه هندسة الميزات (Feature Engineering). إنها فن أخذ الأرقام الخام وخلطها معاً لإنشاء أدلة جديدة وأكثر ذكاءً تساعد الكمبيوتر على رؤية الحقيقة. لفترة طويلة، كان على البشر القيام بذلك يدوياً، عبر التخمين حول أي تركيبات من الأرقام قد تكون مفيدة. ومؤخراً، بدأنا في استخدام برامج كمبيوتر فائقة الذكاء تسمى النماذج اللغوية الكبيرة (LLMs) للمساعدة في ذلك. فكر في هذه النماذج اللغوية الكبيرة كأنها مساعدون بارعون ومطلعون يعرفون الكثير عن الرياضيات والعلوم ويمكنهم اقتراح طرق جديدة لخلط البيانات. ومع ذلك، حتى هؤلاء المساعدين البارعين لديهم مشكلة: فأحياناً يعلقون في نمط متكرر، حيث يقترحون نفس أنواع الخلطات مراراً وتكراراً، أو ينسون ما جربوه سابقاً، مما يؤدي إلى إضاعة الوقت في طرق مسدودة.

هنا يأتي دور إطار عمل جديد يسمى TOPOFE. أدرك الباحثان، شا لي ونايرين راماكريشنان من جامعة فرجينيا تيك، أن مساحة خلط البيانات الممكنة واسعة ومتنوعة للغاية بحيث لا تكفي استراتيجية بحث موحدة واحدة. لذا اقترحوا نظاماً يعامل البحث عن أفضل أدلة البيانات كأنه فريق من المستكشفين المتخصصين الذين يعملون في أقاليم مختلفة، بدلاً من كونه حشداً واحداً ضخماً.

بدلاً من وجود مجموعة كبيرة من برامج الكمبيوتر تحاول حل المشكلة دفعة واحدة، يقوم TOPOFE بتقسيم العمل إلى خمس "جزر" متميزة. كل جزيرة هي بمثابة فريق متخصص يركز على نوع معين من الحيل الرياضية. هناك جزيرة تبحث فقط في الحساب البسيط مثل الجمع أو الضرب. وأخرى تركز على الإحصاء مثل المتوسطات والعدّات. وثالثة تنظر في الأنماط الزمنية، مثل كيفية تغير المبيعات خلال الأسبوع الماضي. وتتعامل جزيرة أخرى مع العلاقات بين المجموعات المختلفة، بينما تتعامل الأخيرة مع الأشكال المنحنية وغير الخطية. ومن خلال إبقاء هؤلاء المتخصصين منفصلين، يضمن النظام عدم سيطرة نوع واحد من الحيل الرياضية على الآخرين أو حجب اكتشافهم.

لكن السحر الحقيقي يحدث عندما تتحدث هذه الجزر مع بعضها البعض. في الأنظمة القديمة، إذا تعثر فريق ما، فقد يقوم ببساطة بتبادل الأفكار عشوائياً مع فريق آخر، وهو ما لم يكن يساعد في كثير من الأحيان. لكن TOPOFE أكثر ذكاءً؛ فهو يستخدم "رسم بياني طوبولوجي" (Topology Graph)، وهو يشبه خريطة ديناميكية تتعلم أي الفرق هي الأفضل في مساعدة بعضها البعض. إذا تعثرت جزيرة "الزمن"، يتحقق النظام من خريطته ويرى أن جزيرة "الحساب" لديها أفضل الأفكار لمساعدتها. عندها يقوم بتفعيل حدث خاص حيث يدمج الفريقان أفضل أفكارهما لإنشاء شيء جديد تماماً — "ميزة هجينة" (Hybrid Feature) لم يكن بإمكان أي منهما ابتكارها بمفرده. على سبيل المثال، قد يجمع بين متوسط زمني وعملية قسمة لإنشاء دليل جديد تماماً وعالي القدرة على التنبؤ.

كما يمتلك النظام "ذاكرة" تتعلم من أخطائها. إذا استمر نوع معين من الحيل الرياضية في الفشل مع مجموعة بيانات محددة، يتذكر النظام ذلك ويتوقف عن اقتراحه، بينما يعزز الحيل التي تنجح. يحدث هذا دون الحاجة إلى إعادة تدريب "عقل" الكمبيوتر الرئيسي، مما يجعل عملية البحث فعالة للغاية.

اختبر الباحثون هذه الفكرة على 29 مجموعة بيانات مختلفة من العالم الحقيقي، تتراوح بين التنبؤ بأمراض القلب والتنبؤ بتأجير الدراجات الهوائية. ووجدوا أن TOPOFE تفوق باستمرار على أفضل الطرق الموجودة. لم يجد فقط إجابات أفضل، بل وجد أيضاً إجابات أكثر تنوعاً. فبينما كانت الطرق الأخرى تنتهي غالباً بمجموعة من الأدلة المتشابهة جداً (التكرار)، أنتجت جزر TOPOFE المتخصصة وعملها الجماعي الذكي مجموعة من الأدلة التي تغطي مساحة أكبر وتعمل بشكل جيد مع مختلف نماذج التنبؤ. تشير الدراسة إلى أنه من خلال تنظيم البحث في مجموعات متخصصة ومتواصلة، والسماح لها بتبادل الأفكار، يمكننا فتح طرق أكثر قوة لتعليم الكمبيوتر فهم بياناتنا. وتظهر النتائج أن هذا النهج قوي، حيث يعمل بشكل جيد حتى عندما يتغير "العقل" الكمبيوتري الأساسي، مما يثبت أن "الخلطة السرية" تكمن في هيكل البحث نفسه، وليس فقط في ذكاء النموذج.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.LG →