ملخص تقني: VTO – تنسيق الأدوات البصرية للكشف عن الشذوذ في الفيديو

1. تعريف المشكلة

يعد الكشف عن الشذوذ في الفيديو (VAD) مهمة بالغة الأهمية للتطبيقات التي تتراوح من السلامة العامة إلى المراقبة الحضرية. ومع ذلك، فإن حالات الشذوذ في العالم الحقيقي نادراً ما تكون معزولة؛ فهي معقدة، ومتنوعة، وتعتمد على سياقات فيزيائية محددة (على سبيل المثال، تحول مشاجرة محلية إلى اعتداء باستخدام سلاح). تتعامل النهج التقليدية للتعلم العميق مع VAD كمهمة تصنيف أو تسجيل نقاط مغلقة المجموعة، مما يؤدي إلى ضعف التعميم في سيناريوهات العالم المفتوح.

أدت المحاولات الأخيرة للاستفرد بنماذج اللغات الكبيرة (LLMs) ونماذج الرؤية واللغة (VLMs) من أجل توفير تفسير لعمليات VAD إلى تقديم وكلاء متعددين الوسائط. ومع ذلك، تواجه هذه الأنظمة عائقين رئيسيين:

1. التنسيق الاستاتيكي (الثابت): الأنظمة التي تعتمد على الضبط الدقيق الخاضع للإشراف (SFT) أو محاكاة السلوك الاستدلالي تعامل الأدوات ككبسولات معزولة. وهي تكافح لتنسيق النماذج البصرية الخبيرة المتميزة ديناميكياً لفك تشفير التبعيات السببية المعقدة.
2. الإنهاء المبكر: غالباً ما تؤدي نهج التعلم التعزيزي (RL) القياسية، التي تعتمد على مكافآت خشنة قائمة على النتائج، إلى جعل الوكلاء يوقفون التنفيذ فور اكتشاف شذوذ أولي. وبدون إشراف دقيق، يفشل الوكلاء في إكمال السلاسل السببية متعددة الخطوات اللازمة لتحديد المخاطر الثانوية المتتالية.

2. المنهجية: إطار عمل VTO

يقترح المؤلفون VTO (تنسيق الأدوات البصرية)، وهو إطار عمل للتعلم التعزيزي الخاضع للإشراف على العمليات، مصمم لتحويل VAD إلى مشكلة تنسيق أدوات معرفية معقدة ومتعددة الخطوات.

2.1 معيار VAD-Tool

لدعم إطار العمل، أنشأ المؤلفون VAD-Tool، وهو مجموعة أدوات بصرية ومعيار هرمي يتكون من:

• 12 أداة بصرية متخصصة: منظمة في ثلاث فئات وظيفية:
  • هوية الكيان والتتبع: إعادة تحديد هوية الأشخاص (Person Re-ID)، التعرف على المشية (Gait Recognition)، التعرف على لوحات الأرقام، وإعادة تحديد هوية السيارات.
  • فهم السلوك والمشهد: تقدير الوضعية (Pose Estimation)، كشف سقوط الإنسان، عد الحشود، والتعرف على المشهد.
  • أحداث الأمن والمخاطر: كشف العنف، كشف الأسلحة، كشف الحريق/الدخان، وخبير عام لكشف الشذوذ.
• مجموعة بيانات: مجموعة بيانات تدريب واسعة النطاق (~15.48 مليون توكن) ومجموعة اختبار صارمة (1,841 عينة) تتميز باستعلامات شذوذ مترابطة (مثل كشف العنف القائم على الوضعية) والتي تتطلب استدلالاً متعدد الخطوات. تم تنسيق البيانات عبر مسار بشري في الحلقة (human-in-the-loop) باستخدام نماذج VLM قوية (Qwen2.5-VL) لتوليد المسارات الأولية ومراجعة الخبراء لضمان الصحة المنطقية.

2.2 مسار التدريب

يعمل إطار عمل VTO في مرحلتين متميزتين:

المرحلة 1: الضبط الدقيق الخاضع للإشراف (SFT)
يتم ضبط النموذج الأساسي بدقة على مجموعة بيانات VAD-Tool لترسيخ القدرات الأساسية:

• استدعاء الأدوات النحوي: الالتزام بتنسيق ReAct الصحيح (الفكرة، الإجراء، مدخل الإجراء، الملاحظة).
• نمذجة أحداث الشذوذ: تكييف التمثيلات الداخلية للأحداث الأمنية عالية الخطورة.
• تكامل الملاحظات: تعلم سياق مخرجات محددة من الخبراء البصريين (مثل معرفات التتبع، والإحداثيات المكانية).

المرحلة 2: المحاذاة المعرفية الخاضعة للإشراف على العمليات
للتغلب على قيود محاكاة السلوك الاستاتيكية والتعلم التعزيزي القائم على النتائج، قدم المؤلفون حلقة تعلم ديناميكية يتم تحسينها عبر تحسين السياسة النسبي للمجموعات (GRPO). تستخدم هذه المرحلة نظام مكافأة مزدوج لتوفيد إشراف كثيف خطوة بخوة:

1. مكافآت الأهداف القائمة على القواعد ($R_{rule}$):
   • إكمال المهمة ($R_{comp}$): درجات إيجابية لإتمام المهمة بنجاح، وعقوبات سلبية للأخطاء.
   • مطابقة الأداة/المعلمات ($R_{tool}, R_{param}$): فرض المطابقة التامة لأسماء الأدوات والمعلمات.
   • عقوبة الكفاءة ($R_{eff}$): تثبيط استدعاءات الأدوات غير الضرورية.
2. مكافآت LLM كحكم ($R_{LLM}$):
   • استخدام نموذج بـ 72 مليار معلمة (Qwen2.5-VL) كخبير تقييم لتسجيل المسارات بناءً على:
     • المنطقية ($R_{logic}$): الاستدلال السببي خطوة بخطوة.
     • الصلة ($R_{rel}$): مواءمة الإجراءات مع استعلام المستخدم.
     • الاكتمال ($R_{complete}$): ضمان تغطية جميع الخطوات المنطقية الضرورية، مع معاقبة الإنهاء المبكر صراحةً.

يقوم الوكيل بتحسين سياسته من خلال تعظيم الميزة النسبية للمجموعة، مما يتعلم فعلياً بناء سلاسل سببية مدفوعة بالأهداف دون إنهاء مبكر.

3. المساهمات الرئيسية

1. إطار عمل VTO: إطار عمل وكيل متعدد الوسائط ديناميكي مدعوم بالتعلم التعزيزي الخاضع للإشراف على العمليات. يعالج صراحةً مشكلة الإنهاء المبكر في VAD من خلال الانتقال من المكافآت القائمة على النتائج إلى المحاذاة المعرفية الدقيقة خطوة بخطوة.
2. معيار VAD-Tool: منصة تقييم شاملة تدمج 12 نموذج رؤية متخصصاً. وهي مصممة خصيصاً لاختبار الاستدلال في الشذوذ المترابط أحادي الخطوة ومتعدد الخطوات، مما يسد الفجوة في مجموعات البيانات الحالية التي تركز أساساً على المقاييس المدفوعة بالنتائج.
3. طفرة في الأداء: يثبت إطار العمل أن تحسين السياسة الديناميكي يمكن أن يتفوق بشكل كبير على نماذج SFT الاستاتيكية، بل ويتجاوز أداء النماذج الضخمة ذات الـ 72 مليار معلمة في مهام تنسيق الأدوات المعقدة.

4. النتائج التجريبية

أجريت تجارب مكثفة على معيار VAD-Tool باستخدام نماذج أساسية متنوعة (Vicuna-7B, Llama-3-8B, Qwen3-VL-8B) وخط أساس قوي بقدر 72 مليار معلمة (Qwen2.5-VL-72B).

• قيود خط الأساس: أظهرت نماذج Zero-shot وFew-shot، وكذلك نماذج SFT فقط، تدهوراً كارثياً في مهام "الأدوات المترابطة". على سبيل المثال، انخفضت دقة Vicuna-7B إلى 0% في مهام الاستجابة الكاملة المترابطة، بينما استقر Qwen2.5-VL-72B عند حوالي 67.40%.
• أداء VTO: تفوق VTO بشكل كبير على جميع خطوط الأساس.
  • على هيكل Qwen3-VL-8B، حقق VTO دقة بنسبة 95.14% في مقياس "الكل" (Whole) للأدوات المترابطة، مقارنة بـ 89.74% لنموذج SFT الأساسي.
  • على هيكل Llama-3-8B، حسن VTO الأداء المترابط من 65.93% (نموذج SFT الأساسي) إلى 72.16%.
  • حقق VTO درجات كاملة (100%) في مقاييس القرار (Decis) واختيار الأداة (Tool) لنسخة Qwen3-VL-8B.
• دراسات الاستئصال (Ablation Studies): أدى إزالة مكونات الإشراف على العمليات (تحديداً مكافأة إكمال المهمة أو مكافأة حكم LLM) إلى انخفاض كبير في الأداء، مما يؤكد ضرورة كل من المرتكزات الحتمية القائمة على القواعد والإشراف النوعي المنطقي لمنع الإنهاء المبكر والهلوسة.

5. الأهمية والادعاءات

يزعم البحث أن VTO يعيد تعريف الكشف عن الشذوذ في الفيديو كمسألة تنسيق أدوات معرفية متعددة الخطوات ومعقدة بدلاً من كونها مهمة تصنيف استاتيكية. ومن خلال تقديم المحاذاة المعرفية الخاضعة للإشراف على العمليات، يوضح المؤلفون أن الوكلاء يمكن تدريبهم على استكشاف البيئات ديناميكياً، وبناء سلاسل سببية مرئية متعددة الخطوات، والالتزام الصارم بقيود السلامة دون التوقف المبكر.

يعمل هذا العمل على جسر الفجوة بين التعلم بالتقليد الاستاتيكي والتعلم التعزيزي الديناميكي في مجالات الأمن الفيزيائي. فهو يوفر بنية تحتية صارمة (VAD-Tool) وإطار عمل قابلاً للتوسع (VTO) يمكّن الوكلاء من التعامل مع المخاطر المتتالية غير المتوقعة، متجاوزين بذلك قيود النماذج المعتمدة على التدريب أو الخالية منه. ويؤكد المؤلفون أن نهجهم يسمح للنماذج الأصغر (8 مليار معلمة) بتحقيق مستويات أداء تضاهي أو حتى تتفوق على النماذج الأكبر بكثير (72 مليار معلمة) في مهام الاستدلال المعقدة المحددة.