Ghost Features and Spooky Transfer Learning for Hypercomplex-Valued Neural Networks

تخيل أنك تحاول تعليم روبوت التعرف على الأشياء، مثل قطة أو سيارة. عادةً، نقوم بتعليم هذه الروبوتات باستخدام "الأعداد الحقيقية"، وهي تشبه القياسات البسيطة ذات المسار المستقيم: ما مدى كبر حجمه؟ ما مدى احمراره؟ ولكن ماذا لو لم يكن العالم مجرد خط مستقيم؟ ماذا لو كانت للأشياء زوايا خفية، أو دورات، أو علاقات لا يمكن لرقم بسيط أن يستوعبها؟ هنا يأتي دور الأعداد فوق المركبة (Hypercomplex numbers). فكر فيها كنسخة "فائقة الشحن" من الأعداد العادية التي تحمل "أعباءً تخيلية" إضافية. بينما الأعداد العادية تشبه طريقًا ذا مسار واحد، فإن الأعداد فوق المركبة تشبه طريقًا سريعًا متعدد المسارات حيث تتواصل كل المسارات مع بعضها البعض بطريقة خاصة. هذا الهيكل يساعد الحواسيب على فهم الأنماط المعقدة، مثل كيفية اختلاط الألوان أو دوران الأشكال ثلاثية الأبعاد، بشكل أفضل بكثير من الأرقام البسيطة.

الآن، تخيل أن لديك روبوتًا ذكيًا للغاية قد تعلم بالفعل التعرف على آلاف الأشياء باستخدام تلك الأرقام البسيطة ذات المسار الواحد. أنت تريد ترقية الروبوت إلى الطريق السريع متعدد المسارات دون التخلي عن كل العمل الشاق الذي أنجزته بالفعل. هذا هو التحدي الذي يعالجه هذا البحث. يتساءل الباحثون: هل يمكننا أخذ روبوت خبير بالفعل في العالم "الحقيقي" ومنحه سرًا "قوة خارقة" لرؤية التفاصيل "التخيلية" الخفية دون إعادة تدريبه من الصفر؟ إنهم يسمون هذه الحيلة الجديدة "تعلم النقل الشبحي" (Spooky transfer learning)، ويعتقدون أنها قد تكون المفتاح لجعل الذكاء الاصطناي أكثر ذكاءً وكفاءة.

---

الشبح في الآلة

في هذا البحث، يقدم المؤلفون طريقة ذكية لترقية نماذج الذكاء الاصطناي الحالية. يبدأون بشبكة عصبية قياسية — وهي نوع من "الأدمغة الحاسوبية" المدربة على الأعداد الحقيقية — ويقومون بخدعة سحرية صغيرة. يأخذون طبقة من هذه الشبكة (وهي خطوة محددة حيث تعالج الحاسوب المعلومات) و"يدمجونها" داخل طبقة فوق مركبة.

إليك السر: عندما يفعلون ذلك، لا يزال الحاسوب ينتج نفس المخرجات تمامًا كما كان يفعل من قبل بالنسبة للجزء "الحقيقي" من البيانات. ولكن، بسبب القواعد الرياضية الخاصة للأعداد فوق المركبة، يقوم الحاسوب أيضًا تلقائيًا بتوليد مخرات إضافية تسمى "الميزات الشبحية" (Ghost features).

فكر في الأمر بهذه الطريقة: تخيل أنك تستمع إلى أغنية عبر مكبر صوت "مونو" (قناة واحدة). تبدو رائعة. الآن، تخيل أنك قمت بتوصيل نفس مكبر الصوت "المونو" بنظام صوت محيطي فاخر. الصوت الأصلي لا يزال موجودًا، واضحًا تمامًا. ولكن فجأة، يبدأ النظام في تشغيل أصوات "شبحية" — أصداء، وتناغمات، وتفاصيل مكانية كانت مخفية داخل الأغنية الأصلية ولكنها لم تكن مسموعة من قبل. لم تكن بحاجة لتسجيل أغنية جديدة؛ لقد استخدم النظام الصوت الموجود بالفعل ليكشف عن طبقات مخفية من المعلومات. في عالم هذا البحث، هذه "الميزات الشبحية" هي قطع إضافية من المعلومات يمكن للذكاء الاصطناعي استخدامها لفهم البيانات بشكل أفضل، على الرغم من أنه لم يتم برمجته صراحةً للبحث عنها.

النقل "الشبحي"

الابتكار الحقيقي هنا هو كيفية استخدامهم لهذه الأشباح. عادةً، إذا كنت تريد استخدام نوع جديد من الرياضيات (مثل الأعداد فوق المركبة)، يجب عليك تدريب نموذج كامل من الصفر، وهو أمر يستغرق الكثير من الوقت والبيانات. لكن المؤلفين يقترحون طريقة يسمونها "تعلم النقل الشبحي".

هذا النوع من التعلم "شبحي" لأنه يبدو وكأن المعلومات تنتقل عبر الأبعاد دون جسر مباشر. إليكم كيف يعمل:

1. يأخذون نموذجًا تم تدريبه بالفعل وهو "مجمد" (أي أنه لم يعد يتعلم).
2. يستبدلون طبقات الأعداد الحقيقية فيه بطبقات فوق مركبة.
3. يبدأ النموذج فورًا في إنتاج تلك "الميزات الشبحية" جنبًا إلى جنب مع البيانات الأصلية.
4. وللتأكد من أن بقية "الدماغ الحاسوبي" يمكنه التعامل مع هذا التدفق الجديد والأوسع من البيانات، يضيفون "مرشحًا" (Filter) صغيرًا وقابلًا للتدريب في النهاية. هذا المرشح صغير وغير مكلف؛ فهو يتعلم فقط كيفية مزج الميزات الأصلية مع الميزات الشبحية الجديدة لتقديم أفضل قرار.

النتيجة هي نموذج يحتفظ بكل معرفة الخبير الأصلي، ويكتسب في الوقت نفسه مجموعة جديدة من "العيون" لرؤية الأنماط الخفية، وكل ذلك دون الحاجة إلى إعادة تدريب النموذج بالكامل من البداية.

ما وجدوه

لاختبار ما إذا كان هذا يعمل بالفعل، جرب الباحثون ذلك على مجموعة صور طبية تسمى BloodMNIST، والتي تحتوي على أكثر من 17,000 صورة مجهرية لخلايا الدم مصنفة إلى 8 فئات مختلفة. استخدموا نموذجًا شائعًا للذكاء الاصطناي يسمى EfficientNetV2 (B0) كنقطة انطلاق.

وقارنوا بين ثلاث نسخ:

1. النموذج الأصلي باستخدام تعلم النقل القياسي.
2. نسخة تستخدم طريقتهم "الشبحية" مع تقليل الميزات الشبحية باستخدام مرشح أعداد حقيقية قياسي.
3. نسخة تستخدم طريقتهم "الشبحية" مع تقليل الميزات باستخدام مرشح فوق مركب.

كانت النتائج واعدة. حقق النموذج الأصلي دقة بلغت 95.92 ± 0.07%. أما نسخ تعلم النقل الشبحي فقد تفوقت عليه:

• النسخة ذات المرشح الحقيقي وصلت إلى 98.21 ± 0.19%.
• النسخة ذات المرشح فوق المركب وصلت إلى 97.49 ± 0.51%.

والأهم من ذلك، أن هذه التحسينات جاءت بتكلفة إضافية ضئيلة جدًا. فقد أضافت طبقات "المرشح" الجديدة 4,128 معلمة (Parameter) قابلة للتدريب فقط للنسخة الحقيقية، و 1,056 للنسخة فوق المركبة. وهذا يشير إلى أن الميزات الشبحية توفر معلومات غنية ومفيدة تساعد الذكاء الاصطناي على اتخاذ تخمينات أفضل، على الرغم من أن جوهر النموذج لم يتم إعادة تدريبه.

الخلاصة

يخلص البحث إلى أن هذه "الميزات الشبحية" ليست مجرد حشو رياضي؛ فهي تحتوي على معلومات زائدة ولكنها قيمة للغاية تساعد الذكاء الاصطناي على التمييز بين أنواع خلايا الدم المختلفة بدقة أكبر. يشير المؤلفون إلى أن هذا النهج يقدم مسارًا عمليًا لبناء نماذج ذكاء اصطناي أكثر قوة من خلال الاستفادة من الإمكانات الخفية للبنى الجبرية. وبينما لم يحلوا كل المشكلات في مجال الذكاء الاصطناي، فقد أظهروا أنه يمكنك "إسكان" نموذج قياسي بذكاء إضافي، مما يجعله أكثر ذكاءً وكفاءة دون الحاجة إلى البدء من الصفر. الخطوة التالية، كما يلمحون، هي معرفة ماهية هذه "الأشباح" بالضبط وكيفية استخدامها لبناء نماذج حتى أخف وأسرع.