تخيل أنك محقق يحاول اكتشاف مدى ترابط شيئين في الكون. ربما تتحقق مما إذا كان الطقس يؤثر على مزاجك، أو ما إذا كان عدد الخطوات التي تخطوها يرتبط بمدى شعورك بالجوع. في عالم علم البيانات، هناك أداة خاصة تسمى المعلومات المتبادلة (Mutual Information) تعمل مثل رادار فائق الحساسية. وخلافاً لمسطرة بسيطة تقيس الخطوط المستقيمة فقط، يمكن لهذا الرادار رصد العلاقات الخفية، المتعرجة والمعقدة بين المتغيرات، سواء كانت تتحرك في خط مستقيم أو ترقص في لولب فوضوي.

ومع ذلك، فإن هذا الرادار لديه سمة غريبة: قراءاته غير مقيدة وتعتمد على "الوحدات" التي تقيس بها الأشياء. الأمر يشبه محاولة مقارنة وزن ريشة بوزن جبل باستخدام ميزان يغير تعريفه لكلمة "ثقيل" في كل مرة تغير فيها الأشياء. ولجعل هذه القراءات عادلة وقابلة للمقارنة، يستخدم العلماء حيلة تسمى التطبيع (Normalization). وبينما تقوم بعض طرق التطبيع بضغط الدرجات في نطاق مرتب من 0 إلى 1، فإن النهج المحدد المستخدم في هذه الورقة البحثية (التطبيع غير المتماثل) لا يجبر الدرجة على البقاء داخل صندوق ثابت. بدلاً من ذلك، هو يحافظ على ترتيب الروابط، مما يضمن أنه إذا كان متغير ما يشرح متغيراً آخر بشكل أفضل من متغير ثانٍ، فإن الدرجة تعكس هذا الترتب بوضوح، حتى لو لم تكن الأرقام الخام مقيدة عند رقم واحد. التحدي الأكبر؟ عندما يكون لديك العديد من المتغيرات في وقت واحد (مثل لغز عالي الأبعاد)، فإن الأدوات القديمة المستخدمة لحساب هذه الدرجات غالباً ما تصبح مشوشة، أو مهتزة، أو ببساطة خاطئة.

هنا يتدخل فريق جديد من الباحثين بفكرة جديدة. إنهم يقترحون طريقة تسمى NMINE (تقدير المعلومات المتبادلة العصبية المطبّعة)، والتي تستبدل الأدوات القديمة الثقيلة بفريق من الشبكات العصبية الذكية والقابلة للتدريب. بدلاً من محاولة عد الجيران في غرفة مزدحمة (الطريقة القديمة)، يتعلم نظامهم "الشعور" بشكل البيانات مباشرة. ومن خلال تدريب هذه الأدمغة الرقمية على رصد الاختلافات بين كيفية عمل المتغيرات معاً مقابل كيفية عملها بمفردها، تخلق طريقة NMINE درجة أكثر دقة واستقراراً لكيفية ترابط الأشياء حقاً. وتظهر تجاربهم أن هذا النهج العصبي هو اتجاه واعد، خاصة عند التعامل مع البيانات المعقدة متعددة الأبعاد حيث تبدأ الطرق التقليدية في التعثر.

المشكلة: لعبة عد "الجيران"

لفترة طويلة، كانت الطريقة القياسية لقياس هذه الروابط هي طريقة KSG (تيمناً بكراسكوف، وستوجباور، وغراسبيرجر). تخيل أنك في مكتبة ضخمة متعددة الطوابق (تمثل البيانات عالية الأبعاد). لترى ما إذا كان كتابان مرتبطان، تسأل طريقة KSG أن تجد أقرب خمسة كتب إلى الكتاب المستهدف وتعدّهم. تعمل هذه الطريقة بشكل رائع في مكتبة صغيرة مكونة من طابق واحد (أبعاد منخفضة). ولكن مع نمو المكتبة لتصبح أكثر طولاً وعرضاً مع المزيد من الطوابق والممرات (أبعاد أعلى)، يصبح العثور على تلك الكتب "الأقرب" كابوساً. تصبح المسافات غريبة، والعدّات تصبح غير موثوقة، ويبدأ النظام بأكمله في إنتاج نتائج مشوشة وغير دقيقة. إنه يشبه محاولة العثور على أعز أصدقائك في ملعب مليء بالناس من خلال النظر فقط إلى الأشخاص الخمسة الأقرب إليك؛ قد تمسك بشخص غريب لمجرد أنه كان واقفاً بجوارك.

الحل: تعليم شبكة عصبية كيف "تشعر" بالبيانات

قرر مؤلفو هذه الورقة، بيترا إيرينهينهارو، ماركو توونونين، وفيله هوتامكي، التوقف عن عد الجيران والبدء في تدريب شبكة عصبية للقيام بالعمل الشاق. فكر في طريقتهم، NMINE، كفريق من ثلاثة محققين مدربين تدريباً عالياً (شبكات عصبية) يعملون معاً لحل اللغز.

1. المحقق المشترك: تنظر هذه الشبكة إلى المتغيرين معاً (لنسمهما X و Y) وتحاول معرفة مقدار ما "يعرفانه" عن بعضهما البعض. وهي تستخدم حيلة رياضية تسمى تمثيل Donsker–Varadhan لتقدير المعلومات المتبادلة.
2. المحققون المنفردون: تنظر شبكتان أخريان إلى X بمفرده و Y بمفرده. مهمتهما هي تقدير الاعتلاج (Entropy) (وهو مقي{س للشك أو "المفاجأة") لكل متغير.
3. حيلة المرجع: هذا هو الجزء الذكي. بدلاً من محاولة تخمين الشكل الدقيق للبيانات (وهو أمر صعب)، تقارن هذه الشبكات البيانات بـ "لوحة بيضاء" موحدة وبسيطة (توزيع مرجعي منتظم). تخيل محاولة وصف لوحة معقدة من خلال قياس مدى اختلافها عن جدار أبيض سادة. إذا كانت اللوحة مختلفة جداً عن الجدار، فهي تمتلك تعقيداً عالياً (اعتلاج). ومن خلال قياس هذا "الاختلاف" (التباعد) باستخدام الشبكات العصبية، يمكنهم رياضياً استعادة الاعتلاج دون الحاجة إلى معرفة الشكل الدقيق للبيانات.

بمجرد أن تقدر الشبكات الاتصال (المعلومات المتبادلة) والشكوك الفردية (الاعتلاج)، فإنهما يدمجانها. تستخدم الورقة تحديداً التطبيع غير المتماثل، والذي يجيب على السؤال: "ما مقدار ما يفسره X من Y؟" وقد تم اختيار هذا لأن الترتيب يظل ثابتاً، مما يضمن أنه إذا كان X متنبئاً أفضل لـ Y من Z، فإن الدرجة تعكس ذلك بوضوح.

ما وجدوه: أذكى في الأبعاد العالية

اختبر الفريق طريقة "عد الجيران" القديمة KSG ضد طريقتهم العصبية الجديدة باستخدام بيانات اصطناعية بدت مثل سحابة من النقاط (بيانات غاوسية) في مساحات تتراوح من 1 إلى 8 أبعاد.

• النتائج: في الأبعاد المنخفضة (1 و 2)، اتبعت طريقة KSG القديمة الحقيقة النظرية بدقة شديدة. ومع ذلك، عندما رفعوا مستوى التعقيد إلى 4 و 8 أبعاد، بدأت طريقة KSG في الانهيار. بدأت تبالغ في تقدير الروابط، وكأنها تصرخ "إنهما مرتبطان تماماً!" حتى عندما لم يكونا كذلك، خاصة عندما كانت المتغيرات مرتبطة بقوة.
• التفوق العصبي: طريقة NMINE، رغم أنها كانت متحفظة قليلاً (حيث مالَت إلى التقليل قليلاً من قوة الاتصال في الأبعاد الأعلى)، إلا أنها ظلت أكثر استقراراً بكثير. لم تكن مضطربة أو مشوشة مثل الطريقة القديمة.
• الأرقام: عندما قاسوا الخطأ (مدى بعد التقدير عن القيمة الحقيقية)، كانت NMINE أفضل بشكل ملحوظ إجمالاً. على سبيل المثال، في البيانات أحادية البعد، قللت NMINE الخطأ بنسبة 74% تقرياً مقارنة بـ KSG. وحتى في اختبار الـ 8 أبعاد الصعب، نجحت في تقليل الخطأ بنسبة تقارب 47%. وقد أكد اختبار إحصائي أن هذا التحسن لم يكن مجرد حظ، بل كان فرقاً حقيقياً وهاماً.

كما أجروا اختباراً سريعاً على بيانات تشبه توزيع "Student-t" (الذي يتميز بذيول أثقل، مما يعني أن القيم المتطرفة أكثر شيوعاً). ورغم عدم امتلاكهم إجابة "حقيقية" مثالية للمقارنة بها، إلا أن الطريقة العصبية لا تزال تظهر استجابة سلسة ومنطقية مع زيادة قوة الروابط، مما يشير إلى أنها قد تعمل جيداً حتى على البيانات الحقيقية الفوضوية وغير المنتظمة.

لماذا يهم هذا (وما الخطوة التالية)

تخلص الورقة إلى أن استبدال أدوات "عد الجيران" القديمة والجامدة بشبكات عصبية مرنة وقابلة للتدريب هو استراتيجية رابحة لقياس الاتصالات في البيانات المعقدة متعددة الأبعاد. وهذا أمر بالغ الأهمية في مجالات مثل الديناميكا الجزيئية (دراسة كيفية تحرك الجزيئات) وتعلم الآلة القابل للتفسير (فهم سبب اتخاذ الذكاء الاصطناي لقرارات معينة)، حيث يعد فهم التبعيات الدقيقة وغير الخطية أمراً حاسماً.

ومع ذلك، فإن المؤلفين حذرون من تسمية هذا "مشكلة محلولة". فقد أشاروا إلى أن طريقتهم تتطلب تدريب عدة شبكات عصبية، مما يستغرق وقتاً وقدرة حوسبية أكبر من الطرق القديمة. كما أشاروا إلى أن إعدادهم الحالي يدرب الشبكات بشكل منفصل، وأن العمل المستقبلي قد يحاول تدريبها جميعاً معاً لجعلها أفضل. بالإضافة إلى ذلك، بينما تعمل الطريقة بشكل جيد على البيانات التي اختبروها، إلا أنهم يعترفون بأن هناك حاجة لمزيد من العمل لمعرفة كيفية تعاملها مع مجموعات البيانات الحقيقية "الجامحة" وغير الغاوسية.

باختصار، تقدم NMINE طريقة واعدة لقياس الخيوط غير المرئية التي تربط بياناتنا، وتثبت أنه في بعض الأحيان، لإيجاد الحقيقة في عالم معقد، تحتاج إلى شبكة عصبية بدلاً من مجرد مسطرة.