Unimodality-Promoting Regularized Learning for Ordinal Regression

تخيل أنك محقق يحاول تخمين عمر مشتبه به بناءً على صورة ضبابية. أنت تعلم أن المشتبه به بالغ، لذا استبعدت فئتي "رضيع" أو "مسن"، ولكن عليك التخمين بين "العشرينيات"، أو "الثلاثينيات"، أو "الأربعينيات". هذا ليس مجرد تخمين عشوائي؛ فهذه الفئات لها ترتيب طبيعي. في عالم علوم الحاسوب، يسمى هذا الانحدار الرتبي (Ordinal Regression). إنه فن تعليم الآلات فهم الأشياء التي لها رتبة أو تسلسل، مثل تقييم فيلم من "مكروه" إلى "محبوب"، أو تصنيف الأمراض من "خفيفة" إلى "شديدة".

السؤال الكبير الذي يسأله الباحثون هو: كيف نعلم الحاسوب القيام بهذه التخمينات بدقة عندما لا نملك مليون صورة لدراستها؟ عادةً، عندما تكون البيانات شحيحة، تصبح الحواسيب مضطربة وتطلق تخمينات جامحة وغير متسقة. ولإصلاح ذلك، حاول العلماء إعطاء الحاسوب "قاعدة ذهبية": يفترضون أن احتمال وقوع شخص ما في فئة عمرية معينة (أو تقييم معين) يشكل تلاً جميلاً ومنفرداً. إذا كان من المرجح أن يكون الشخص في الثلاثينيات، فمن المرجح أيضاً أن يكون في التاسعة والعشرين أو الحادية والثلاثين، لكن من غير المرجح جداً أن يكون في العاشرة أو الستين. هذا الشكل يسمى أحادية المنوال (Unimodal). ومن خلال إجبار الحاسوب على احترام شكل "التل المنفرد" هذا، يصبح أكثر استقراراً وأقل عرضة للذعر عندما تكون البيانات محدودة.

ولكن إليك المفاجأة: تشير دراسة جديدة إلى أنه بينما كانت القواعد القديمة مفيدة، إلا أنها كانت مفرطة في التشدد. وجد الباحثون أن الطرق السابقة لم تكتفِ فقط بتنعيم "الاضطراب"، بل أجبرت الحاسوب أيضاً على أن يكون حذراً للغاية، مما جعل تخميناته غامضة ومشتتة للغاية، مثل محقق يقول: "يمكن أن يكون أي شخص بين العشرين والخمسين!". تقدم هذه الورقة البحثية أداة أكثر حدة ودقة تحافظ على الاستقرار دون إجبار الحاسوب على أن يكون غير متأكد من نفسه.

---

معضلة المحقق: هل النعومة الزائدة مشكلة؟

في عالم الانحدار الرتبي، غالباً ما نعتمد على مفهوم يسمى التعلم المنظم المعزز لأحادية المنوال (UPRL). فكر في هذا كمدرب تدريب للحاسوب. يخبر المدرب الحاسوب: "مهلاً، يجب أن تبدو تخميناتك مثل جبل واحد جميل، وليس كفوضى من القمم المتعددة". يساعد هذا الحاسوب على البقاء هادئاً ومتسقاً، خاصة عندما لا يرى سوى أمثلة قليلة (بيانات تدريب صغيرة).

لفترة من الوقت، كان هذا النهج يعمل بشكل جيد. ولكن مؤلف هذه الورقة، ريويا ياماساكي، قرر إلقاء نظرة فاحصة على كيفية قيام المدرب بعمله. واكتشف شيئاً مفاجئاً: كانت طرق التدريب القديمة تقوم بشيئين في آن واحد:

1. نجحت في جعل التخمينات تبدو مثل جبل واحد (أحادية المنوال).
2. لكنها أيضاً جعلت الجبل عريضاً ومسطحاً للغاية.

تخيل أنك تحاول تخمين درجة الحرارة. قد يكون تخمين جيد هو "من المرجح أن تكون 75 درجة فهرنهايت". الطريقة القديمة كانت تشبه مدرباً يقول: "تأكد من أن تخمينك عبارة عن قمة واحدة، ولكن تأكد أيضاً من أن تكون القمة عريضة جداً، حتى لا تكون واثقاً جداً من نفسك". والنتيجة؟ أصبح الحاسوب "أقل ثقة" أو "أكثر نعومة" مما ينبغي. بدأ يخمن: "يمكن أن تكون في أي مكان بين 60 و90 درجة فهرنهايت". وبينما يبدو هذا آمناً، إلا أنه في الواقع يقدم نوعاً جديداً من الخطأ يسمى التحيز المرتبط بالمقياس (Scale-related bias). الحاسوب خائف جداً من أن يكون مخطئاً لدرجة أنه يتوقف عن كونه دقيقاً.

الأداة الجديدة الأكثر حدة

تقترح ورقة ياماساكي البحثية طريقة جديدة تطلق عليها اسم Strict UPRL (التعلم المنظم المعزز لأحادية المنوال الصارم). إذا كانت الطريقة القديمة هي مدرب يخبر الحاسوب: "كن ناعماً وآمناً"، فإن المدرب الجديد يقول: "كن جبلاً واحداً، ولكن لا تجعل القمة مسطحة لمجرد التسطيح".

بنى الباحث "منظماً" رياضياً جديداً (قاعدة تُضاف إلى عملية التعلم) يعاقب بصرامة التخمينات المتعرجة والمتعددة القمم، ولكنه لا يعاقب القمة الحادة والواثقة.

• الطريقة القديمة: إذا خمن الحاسوب قمة حادة، فقد تقول القاعدة القديمة: "لا، اجعلها أعرض!".
• الطريقة الجديدة: إذا خمن الحاسوب قمة واحدة حادة تتوافق مع البيانات، فإن القاعدة الجديدة تقول: "ممتاز، هذا هو المطلوب تماماً. لا توجد عقوبة".

ما أظهرته التجارب

لاختبار ذلك، أجرى الفريق عمليات محاكاة باستخدام 21 مجموعة بيانات من العالم الحقيقي، تتراوح من أسعار السيارات إلى مراحل المرض. تلاعبوا بكميات مختلفة من بيانات التدريب، من مجموعات صغيرة جداً (25 مثالاً) إلى مجموعات أكبر (800 مثال).

إليكم ما وجدوه:

• نقطة القوة في الطريقة القديمة: عندما كانت بيانات التدريب صغيرة جداً (مثل 25 مثالاً)، حققت الطريقة القديمة أداءً جيداً بالفعل، خاصة بالنسبة للبيانات التي تكون "منتشرة" بطبيعتها (مقياس كبير). فميلها إلى أن تكون مفرطة في النعومة ساعد في استقرار التخمينات الجامحة الناتجة عن نقص البيانات.
• نقطة القوة في الطريقة الجديدة: مع نمو بيانات التدريب (400 أو 800 مثال)، بدأت الطريقة القديمة في التعثر. أصبح عادتها في "الإفراط في النعومة" عبئاً، مما جعلها أقل دقة مما يمكن أن تكون عليه. ومع ذلك، تألقت طريقة Strict UPRL الجديدة هنا. فقد تجنبت فخ "الإفراط في النعومة" وقدمت تنبؤات أكثر دقة، لا سيما للبيانات التي تكون "ضيقة" أو ذات "مقياس صغير" بطبيعتها.
• الحكم النهائي: تشير الدراسة إلى أن نجاح الطرق القديمة لم يكن فقط بسبب فرضها لقاعدة "الجبل الواحد"؛ بل كان جزئياً لأنها فرضت بالخطأ "الغموض". وتثبت الطريقة الجديدة أنه يمكنك الحصول على استقرار قاعدة "الجبل الواحد" دون تحمل ضريبة الغموض.

لماذا هذا مهم؟

هذا ليس مجرد رياضيات؛ بل يتعلق بمعرفة متى تثق في أدواتك. توضح الورقة أن فكرة "أحادية المنوال" هي أداة قوية للعديد من مشكلات العالم الحقيقي. ومع ذلك، نحتاج إلى استخدامها بحذر. إذا كان لديك كمية ضئيلة من البيانات، فقد يساعد القليل من "النعومة الغامضة". ولكن إذا كان لديك المزيد من البيانات، أو إذا كانت البيانات نفسها دقيقة، فأنت بحاجة إلى طريقة تحترم شكل "الجبل الواحد" دون إجبار الحاسوب على عدم التأكد.

يعترف المؤلف بأن طريقته الجديدة أبطأ قليلاً في الحوسبة (تتطلب قوة حاسوبية أكبر للتشغيل)، لكنه يجادل بأن الحصول على الرياضيات الصحيحة أكثر أهمية من السرعة في الوقت الحالي. ويقترح أنه في المستقبل، قد نتمكن من مزج الطرق القديمة والجديدة، وضبط التوازن بين "كونك آمناً" و"كونك دقيقاً" اعتماداً على المشكلة المحددة.

باختصار، تعلمنا هذه الورقة أن كونك "ناعماً" ليس دائماً هو نفسه كونك "على صواب". من خلال صقل قواعد اللعبة، يمكننا مساعدة الحواسيب على تقديم تخمينات مستقرة وحادة في آن واحد، مما يؤدي إلى تنبؤات أفضل في كل شيء من تقييم الأفلام إلى تشخيص الأمراض.