Consistency-Driven Co-Evolution for Self-Supervised Cross-Representation Learning
تقدم هذه الورقة CoCoEvolve، وهو إطار عمل للتعلم الذاتي غير الخاضع للإشراف يعزز الفهم المتبادل بين التمثيلات المختلفة للمخططات والجداول والأكواد من خلال تحديد توافقات صريحة بنسبة واحد لواحد وتحسين الاتساق عبر عملية تطور مشترك أثناء التدريب والاستدلال على حد سواء، مما يلغي الحاجة إلى التوسيمات المكلفة مع تحسين الأداء عبر معايير قياس متعددة.
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 تحاول تعليم روبوت فهم العالم، ولكنك لا تعطيه سوى ثلاث لغات مختلفة لوصف الشيء نفسه: صورة لرسم بياني، وجدول بيانات من الأرقام، والبرمجية الحاسوبية (الكود) المستخدمة لرسم ذلك الرسم البياني. هذا هو تحدي "التعلم عبر التمثيلات المتعددة" (cross-representation learning). في العالم الحقيقي، لا تكون البيانات مجرد شيء واحد؛ بل هي مخطط تراه، وجدول تقرأه، وتعليمات يتبعها الحاسوب لصنعها. المشكلة تكمن في أن هذه الأشياء الثلاثة لا تتطابق دائمًا بشكل مثالي. فقد يتم رسم صورة واحدة من جداول بيانات مختلفة تمامًا، ويمكن لجدول بيانات واحد أن يتحول إلى العديد من الأكواد البرمجية المختلفة. الأمر يشبه محاولة ترجمة قصيدة إلى أغنية ولوحة، ولكن ليس لديك قاموس، والمترجم يستمر في التخمين.
لفترة طويلة، حاول العلماء إصلاح ذلك عبر توظيف بشر لكتابة "الترجمة المثالية" لكل مثال على حدة. لكن هذا أمر مكلف، وبطيء، وغالبًا ما يكون مستحيلاً لأنه لا يوجد إجابة واحدة صحيحة. كان السؤال الكبير هو: هل يمكننا تعليم الحواسيب تعلم هذه الروابط دون الحاجة إلى معلم بشري لكل خطوة؟ هل يمكننا جعل الحاسوب يتحقق من عمله بنفسه من خلال رؤية ما إذا كانت الصورة والأرقام والكود يروون جميعًا القصة ذاتها؟
هنا تأتي فكرة جديدة تسمى CoCoEval (أو CoCoEvolve). فكر فيها كلعبة "الهاتف المكسور" التي يلعبها ثلاثة أصدقاء يحاولون وصف نفس الشيء السري. في هذه اللعبة، يقوم أحد الأصدقاء برسم الشيء، وآخر يدون قياساته، والثالث يكتب التعليمات لبنائه. عادةً، إذا ارتكب أحدهم خطأً، تنهار القصة. لكن CoCoEvolve يغير القواعد. فبدلاً من انتظار المعلم ليقول "عمل جيد" أو "حاول مرة أخرى"، يقوم الأصدقاء الثلاثة بالتحقق من بعضهم البعض باستمرار. إذا لم يتطابق الرسم مع القياسات، أو إذا لم تبنِ التعليمات الرسم الصحيح، فإنهم يعرفون أن هناك خطأ ما. إنهم يستخدمون هذا "عدم التطابق" كإشارة للتحسن، دون الحاجة أبدًا إلى بشر ليخبرهم بالإجابة.
تقدم الورقة البحثية نظامًا يعمل فيه نموذجان من الذكاء الاصطناعي كأنهما هذان الصديقان. يحاول أحد النموذجين تحويل صورة المخطط إلى جدول وكود برمجي، بينما يحاول النموذج الآخر تحويل ذلك الجدول مرة أخرى إلى كود. إنهما يعملان في دورة، ويتطوران معًا باستمرار. إذا استطاع الكود الذي أنتجه النموذج أن يعمل بالفعل ويرسم مخططًا يشبه الصورة الأصلية، فإنهما يحصلان على "مكافأة". وإذا فشل الكود أو بدا المخطط غريبًا، فإنهما يتعلمان من هذا الفشل. وقد وجد الباحثون أنه من خلال إجبار الذكاء الاصطناعي على الحفاظ على التوافق التام بين الصورة والأرقام والكود، أصبح النماذج أفضل بكثير في فهم البيانات.
اختبر الفريق نظامهم على أربعة معايير اختبارية مختلفة (مجموعات من الأسئلة الاختبارية) ووجدوا أن CoCoEvolve حسن أداء الذكاء الاصطناعي بشكل ملحوظ. في بعض الحالات، تحسنت قدرة النماذج بنسبة تصل إلى 37.91% في ترجمة المخططات إلى كود على بيانات جديدة غير مرئية سابقًا، وما يصل إلى 46.88% في سيناريوهات معقدة أخرى. والأكثر إثارة للإعجاب هو أن النظام عمل دون الحاجة إلى أي تسميات توضيحية بشرية إضافية لتعليمه؛ فقد استخدم ببساطة الاتساق بين الأشكال المختلفة للبيانات كمعلم له.
كما تجادل الورقة البحثية ضد الطريقة القديمة في العمل، والتي افترضت أن كل مخطط له بالضبط جدول واحد مثالي وكود واحد مثالي. لقد أظهر الباحثون أن افتراض "واحد لواحد" هذا هو في الواقع فخ؛ لأنه يمكن وصف مخطط واحد بطرق عديدة صالحة، وإجبار الذكاء الاصطناعي على اختيار إجابة واحدة "صحيحة" غالبًا ما يربكه ويجعله يؤدي بشكل أسوأ. ومن خلال تبني فكرة أن هناك طرقًا عديدة صالحة لوصف البيانات، ولكن يجب أن تتفق جميع الطرق الصالحة مع بعضها البعض، يتجنب CoCoEvolve هذه الفخاخ.
باخت-صار، تشير الورقة البحثية إلى أنه بدلاً من توظيف جيش من المعلمين لتصحيح كل واجب منزلي، يمكننا تعليم الذكاء الاصطناعي أن يكون معلمه الخاص من خلال التأكد من أن "لغاته" المختلفة (الصور، الجداول، والكود) تروي قصة متسقة. وتشير النتائج إلى أن هذه الطريقة هي وسيلة قوية، وأقل تكلفة، وأكثر مرونة لمساعدة الذكاء الاصطناعي على فهم العالم المعقد والمتعدد الأوجه للبيانات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.