Deep Generalised Mixed Models: a Novel Neural Network Structure for Analysing Hierarchical Data
تقترح هذه الورقة بنية نموذج مختلط معمّم عميق مبتكرة تدمج التأثيرات المختلطة في التعلم العميق لمعالجة انحياز الاختيار الناتج عن البيانات المفقودة عشوائياً في الدراسات الطولية عالية الأبعاد، مثل مجموعة بيانات GrowIt! لمشاعر المراهقين، رغم أن هذا النهج يواجه حالياً تحديات تتعلق بعدم استقرار النموذج.
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 فهم كيف يشعر مجموعة من الأصدقاء في كل يوم من أيام الأسبوع. تطلب منهم التحقق من حالتهم المزاجية، ومستويات التوتر، والملل عدة مرات في اليوم لأسابيع. يُسمى هذا "أخذ عينات الخبرة" (Experience Sampling)، وهو يشبه التقاط ألف صورة صغيرة للحظات حياة الشخص بدلاً من مجرد صورة واحدة كبيرة في نهاية العام. المشكلة هي أن الحياة تصبح فوضوية؛ فأحياناً ينسى أصدقاؤك تسجيل دخولهم، أو يتوقفون تماماً عن التسجيل لأنهم يمرون بيوم سيء حقاً. وفي عالم علم البيانات، يُسمى هذا "البيانات المفقودة" (Missing Data).
لفترة طويلة، استخدم الإحصائيون أداة تسمى "النماذج المختلطة" (Mixed Models). فكر في هذه النماذج كمدرب ذكي يعرف القواعد العامة للعبة (كيف يشعر معظم الناس) ولكنه يحتفظ أيضاً بدفتر ملاحظات خاص لكل لاعب ليتذكر سماته الفريدة. ومع ذلك، فإن هؤلاء المدربين من الطراز القديم يصابون بالإرهاق عندما تصبح البيانات ضخمة جداً أو معقدة للغاية. ومن ناحية أخرى، فإن مدربي "تعلم الآلة" (Machine Learning) العصريين سريعين جداً ويمكنهم التعامل مع كميات هائلة من البيانات، لكن من السهل خداعهم. إذا توقف لاعب عن اللعب لأنه يشعر بالحزن، فقد يتجاهل مدرب تعلم الآلة القياسي هذه الحقيقة ويفترض أن اللاعب بخير، مما يؤدي إلى توقعات خاطئة. السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا بناء مدرب يكون سريعاً بما يكفي للتعامل مع البيانات الضخمة، وذكياً بما يكفي لفهم سبب انسحاب الناس، حتى لا نحصل على إجابة خاطئة؟
تقدم هذه الورقة البحثية مدرباً تجريبياً جديداً يسمى "النموذج المختلط العميق المعمم" (Deep Generalised Mixed Model - DGMM). أراد المؤلفون، وهم فريق من الباحثين من هولندا، معرفة ما إذا كان بإمكانهم دمج أفضل أجزاء المدربين الإحصائيين القدامى ومدربي تعلم الآلة الجدد في هيكل واحد خارق. لقد بنوا هذا النموذج الجديد باستخدام نوع من الذكاء الاصطناعي يسمى "الشبكة العصبية"، وهي تشبه دماغاً رقمياً مكوناً من طبقات من العقد المتصلة. وتحديداً، استخدموا حيلة ذكية تسمى "المشفّر التلقائي التبايني" (Variational Auto-Encoder). يمكنك التفكير في هذا كآلة ذات جزأين: جزء (المشفّر/Encoder) يحاول ضغط مذكرات الشخص الفوضوية وغير المكتملة إلى ملخص بسيط لـ "حالة مزاجه الخفية"، والجزء الآخر (المفكك/Decoder) يحاول توسيع هذا الملخص مرة أخرى للتنبؤ بما ستكون عليه أيامه المستقبلية.
اختبر الباحثون هذا النموذج الجديد على بيانات حقيقية من تطبيق يسمى "!GrowIt"، والذي كان يستخدمه المراهقون خلال الجائحة لتتبع عواطفهم. كما أجروا مئات المحاكاة الحاسوبية لمعرفة كيف سيتصرف النموذج تحت ظروف مختلفة، بما في ذلك الحالات التي كانت فيها البيانات مفقودة لأن الناس كانوا يشعرون بسلبية خاصة.
كانت النتائج مزيجاً من الوعود وواقعية الصدمات. فحتى عندما كانت البيانات مثالية ومكتملة، لم يصل نموذج DGMM الجديد تماماً إلى مستوى الأداء التنبئي لنماذج تعلم الآلة القياسية؛ بل أظهر دقة أقل قليلاً من "الشبكة العصبية المتكررة" (RNN) القياسية. ومع ذلك، عندما كانت البيانات فوضوية ومفقودة (وهو ما يحدث بالضبط في الحياة الواقعية)، أصبح الموقف أكثر تعقيداً. في الاختبار الواقعي مع المراهقين، أظهر DGMM ملاءمة عامة أقل للبيانات مقارنة بـ RNN. ومع ذلك، وُصفت RNN بأنها "غير مستقرة للغاية"، حيث كانت تنتج توقعات تتأرجح بشكل جامح. في المقابل، بالنسبة لبعض الأفراد، كان DGMM في الواقع يتبع الاتجاهات الحقيقية بشكل أفضل من RNN، التي كانت تتوقع أحياناً انخفاضات كبيرة وغير دقيقة في الحالة المزاجية.
يشير المؤلفون إلى أن عدم الاستقرار هذا قد يكون ناتجاً عن حساسية النموذج الشديدة لكيفية إعداده، وأنه واجه صعوبة في الطريقة المحددة التي فُقدت بها بيانات المراهقين. ومع ذلك، في محاكاتهم الحاسوبية، عندما عمل النموذج بشكل صحيح، كان في الواقع أفضل في التنبؤ بالمستقبل للأشخاص الذين انسحبوا من الدراسة مقارنة بالنماذج القياسية. لقد نجح في مراعاة حقيقة أن الأشخاص الذين توقفوا عن تسجيل الدخول كانوا على الأرجح يمرون بوقت عصيب، بينما فات هذا الدليل النماذج القياسية.
في النهاية، تخلص الورقة البحثية إلى أنه بينما يعد "النموذج المختلط العميق المعمم" فكرة جديدة رائعة يمكن أن تكون أداة قوية لفهم السلوكيات البشرية المعقدة، إلا أنها ليست جاهزة تماماً لتحل محل الأدوات القديمة بعد. الأمر يشبه سيارة نموذجية أولية تمتلك محركاً مذهلاً ولكن عجلة قيادة تترنح. وجد الباحثون أنه في الوقت الحالي، يجب على الأطباء وعلماء النفس التمسك بالنظر إلى البيانات التي لديهم بالفعل، بدلاً من الاعتماد على توقعات النموذج لما "قد" يكون قد حدث. لكنهم يجادلون بأنه مع بعض الضبط وتقنيات الاستقرار الأفضل، يمكن لهذا الهيكل المعماري أن يصبح يوماً ما المعيار الذهبي لتحليل كيف نشعر، ونفكر، ونتغير بمرور الوقت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.