When GNNs Fail: Quantifying and Overcoming Temporal Correlation Volatility in Time Series
تقدم هذه الورقة تقلب الارتباط الزمني (TCV) لقياس كيفية تسبب تطور الارتباطات الثنائية في تدهور أداء الشبكات العصبية الرسومية في التنبؤ بالسلاسل الزمنية، وتقترح GLIDE، وهي بنية مبتكرة تعتمد على تمرير الرسائل القائم على المسار وفصل الانتشار الاستاتيكي-الديناميكي، والتي تتفوق بشكل كبير على النماذج الحالية في كل من الإعدادات الاستاتيكية والديناميكية للغاية.
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 التنبؤ بالطقس، أو بسوق الأسهم، أو بمقدار الكهرباء التي ستحتاجها مدينة ما غداً. للقيام بذلك، غالباً ما ينظر العلماء إلى مجموعة من تدفقات البيانات المختلفة في وقت واحد — مثل درجة الحرارة، وسرعة الرياح، والرطوبة، أو أسعار مئات الأسهم المختلفة. إنهم يعاملون تدفقات البيانات هذه كأنها مجموعة من الأصدقاء في حفلة؛ فبعض الأصدقاء يتحدثون مع بعضهم البعض باستمرار (روابط قوية)، بينما يكاد البعض الآخر لا ينبس ببنت شفة (روابط ضعيفة). في عالم علم البيانات، تُسمى هذه المجموعة من الأصدقاء "رسمًا بيانيًا" (Graph)، حيث يمثل كل شخص "عقدة" (Node)، وتمثل محادثاتهم "حوافًا" (Edges).
لفترة طويلة، كانت الحواسيب بارعة حقاً في فهم هذه الصداقات واستخدامها لإجراء التنبؤات. فهي تستخدم أدوات خاصة تسمى الشبكات العصبية الرسومية (GNNs) للاستماع إلى الدردشة بين الأصدقاء وتخمين ما سيحدث لاحقاً. والافتراض الأساسي وراء هذه الأدوات هو أن الصداقات مستقرة في الغالب. فإذا كان الصديق (أ) صديقاً مقرباً جداً من الصديق (ب) اليوم، يفترض الكمبيوتر أنهما سيكونان صديقين مقربين غداً، وفي الأسبوع القادم، وفي العام المقبل. إنه يشبه افتراض أن دائرتك الاجتماعية لا تتغير أبداً، بغض النظر عما يحدث في العالم. لكن الأمور في الواقع فوضوية؛ فالصداقات يمكن أن تتغير لحظياً عند وقوع أزمة، أو انفجار اتجاه جديد، أو عندما تسري موجة صدمة عبر نظام ما. وعندما تتغير هذه الروابط بشكل جامح وسريع، تبدأ أدوات الكمبيوتر القديمة في الارتباك، مما يؤدي إلى تخمينات سيئة.
وهنا يأتي دور دراسة جديدة لإصلاح هذه الفوضى. فقد اكتشف الباحثون، بقيادة "تشن شاو" وزملائه، أن العديد من نماذج الذكاء الاصطناعي الشهيرة، بما في ذلك بعض النماذج المتطورة للغاية القائمة على تقنية "المحولات" (Transformers)، تفشل فشلاً ذريعاً عندما تصبح العلاقات بين نقاط البيانات متقلبة للغاية. وأدركوا أن محاولة التنبؤ بالمستقبل باستخدام خريطة صداقات تتغير كل ثانية تشبه محاولة التنقل في مدينة تعيد فيها الشوارع ترتيب نفسها باستمرار. ولإثبات ذلك، ابتكروا طريقة جديدة لقياس مدى "اضطراب" هذه الروابط، أطلقوا عليها اسم "تقلب الارتباط الزمني" (TCV). فكر في (TCV) كأنه "مقياس للفوضى" في العلاقات؛ فعندما يكون المقياس منخفضاً، تكون الصداقات مستقرة وتعمل الأدوات القديمة بشكل جيد، ولكن عندما يرتفع المقياس، تتعطل الأدوات القديمة وتنهار، وغالباً ما يكون أداؤها أسوأ من مجرد تخمين بسيط يتجاهل الصداقات تماماً.
ولحل هذه المشكلة، بنى الفريق طبقة جديدة وأكثر ذكاءً لنماذج الذكاء الاصطناعي هذه تسمى GLIDE (طبقة الرسم البياني للاستدلال في البيئات الديناميكية). وبدلاً من افتراض أن الصداقات ثابتة، تمتلك GLIDE حيلة خاصة: فهي تقسم الروابط إلى نوعين. أولاً، تبحث عن الصداقات "المستقرة" التي نادراً ما تتغير، مثل مجموعة الأصدقاء الأساسية التي كنت تمتلكها منذ الطفولة. ثانياً، لديها كاشف منفصل فائق السرعة للصداقات "العابرة" التي تظهر وتختفي في لمح البصر، مثل التحالف المفاجئ الذي يتشكل أثناء أزمة ما. ومن خلال إبقاء هذين النوعين من الروابط منفصلين، لا يرتبك النموذج عندما تتحول الروابط الديناميكية.
النتائج مبهرة. ففي الاختبارات باستخدام بيانات مصطنعة ومجموعات بيانات من العالم الحقيقي (مثل شبكات الكهرباء في ألمانيا وفرنسا، حيث يمكن أن تتغير العلاقات بسبب الحروب أو أزمات الطاقة)، أظهرت GLIDE قدرة على التعامل مع الفوضى بشكل أفضل بكثير من المنافسين. وفي أكثر السيناريوهات فوضوية، حيث انخفضت دقة النماذج القديمة بنسبة تقارب 37%، ظلت GLIDE قوية. في الواقع، في بعض الاختبارات الصعبة من العالم الحقيقي، حسنت GLIDE دقة التنبؤ بنسبة تصل إلى 85.7% مقارم بالمنهج الثاني الأفضل. ويشير المؤلفون إلى أنه من خلال الإقرار بأن العلاقات يمكن أن تكون مستقرة ومتقلبة بجنون في آن واحد، يمكننا بناء ذكاء اصطناعي لا يكتفي بالتخمين فح، بل يفهم حقاً تقلبات عالمنا المعقد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.