HyperANFIS: Enhancing Rule Representation and Interpretability in Adaptive Neuro-Fuzzy Systems via Hyperbolic Geometry
تقترح هذه الورقة نظام HyperANFIS، وهو نظام استنتاج ضبابي عصبي تكيفي مبتكر يسخر الهندسة الزائدية لتعزيز تمثيل القواعد، والتعاون بين القواعد، ودقة التنبؤ، مع الحفاظ على قابلية التفسير لنماذج ANFIS التقليدية.
المؤلفون الأصليون:Haoran Pei, Zhao Su, Zetao Lin, Haoran Li, Jun Shen, Qi Zhu, Lan Guo, Qingguo Zhou, Binbin Yong
تخيل أنك تحاول تنظيم مكتبة ضخمة من المعرفة. في عالم علوم الحاسوب، هناك نوع خاص من الأنظمة الذكية يسمى "النظام العصبي الضبابي" (Neuro-Fuzzy System). فكر فيه كأنه روبوت يتعلم من البيانات مثل الطالب، ولكن بدلاً من مجرد إعطائك إجابة من "صندوق أسود" غامض، فإنه يشرح طريقة تفكيره باستخدام قواعد بسيطة من نوع "إذا... فإن..."، تماماً مثل معلم بشري يقول: "إذا كانت السماء مظلمة والرياح قوية، فمن المحتمل أن تمطر". وهذا ما يجعل الروبوت موثوقاً وسهل الفهم، وهو أمر بالغ الأهمية للوظائف الهامة مثل تشخيص الأمراض أو رصد الاحتيال المالي.
ومع ذلك، هناك عقبة. فالروبوتات التقليدية تبني معرفتها باستخدام "الفضاء الإقليدي"، وهو يشبه خريطة مسطحة ومنظمة على شكل شبكة. على الخريطة المسطحة، إذا حاولت تنظيم شجرة عائلة ضخمة ومتفرعة أو تسلسل هرمي معقد، فسيتم ضغط كل شيء معاً. وكلما أضفت المزيد من الفروع، أصبح المخطط أكثر ازدحاماً وفوضوية، ويبدأ الروبوت في الارتباك أو ارتكاب الأخطاء. وقد اشتبه العلماء لفترة طويلة في أنه لو استطعنا بناء هذه الروبوتات على نوع مختلف من الخرائط — خريطة تنحني وتتوسع مثل القمع أو الشعاب المرجانية — فقد تتمكن من استيعاب معلومات أكثر تعقيداً دون أن تصبح مزدحمة. تسأل هذه الورقة البحثية: ماذا لو استطعنا تعليم روبوتاتنا الضبابية التفكير داخل هذا الفضاء المنحني؟
قرر الباحثون وراء هذه الدراسة، بقيادة هاوران بي وزملائه، تجربة ذلك بالضبط. لقد بنوا نموذجاً جديداً يسمى HyperANIF (النظام الاستدلالي العصبي الضبابي الزائدي). وبدلاً من استخدام خريطة مسطحة، علموا النظام التفكير والتعلم داخل "الفضاء الزائدي". يمكنك تخيل الفضاء الزائدي كأنه ملعب لانهائي وسحري يصبح أوسع وأوسع كلما اتجهت نحو الخارج. في هذا الملعب، يمكن للروبوت ترتيب قواعده من نوع "إذا... فإن..." على طول هيكل شجري متفرع دون أن تصطدم القواعد ببعضها البعض أو تتعرض للضغط.
تشير الورقة البحثية إلى أنه من خلال نقل عقل الروبوت إلى هذا الهندسة المنحنية، يمكنه التعامل مع البيانات المعقدة والمتسلسلة هرمياً بشكل أفضل من ذي قبل. اختبر الفريق نموذج HyperANIF الجديد مقابل النسخة القديمة القياسية وعدة متغيرات شائعة أخرى عبر خمس مجموعات بيانات من العالم الحقيقي، تتراوح من اكتشاف رسائل البريد الإلكتروني المزعجة إلى تشخيص سرطان الثدي. كانت النتائج واعدة: تفوق HyperANIF باستمرار على الآخرين. فعلى سبيل المثال، في مجموعة بيانات سرطان الثدي، حسّن النموذج الدقة بنحو 7 نقاط مئوية ودرجة F1 (وهي مقياس لمدى جودة توازنه في إيجاد جميع الحالات الصحيحة) بنحو 8 نقاط مئوية تقريباً. وفي مجموعة بيانات تصنيف الحيوانات، كان قفزة الدقة أكثر دراماتيكية، حيث وصلت إلى أكثر من 11 نقطة مئوية.
لكن السحر الحقيقي ليس فقط في الحصول على درجات أعلى؛ بل في كيفية تفكير الروبوت. وجد الباحثون أن نماذج الفضاء المسطح القديمة غالباً ما كانت تعتمد على قاعدة واحدة أو اثنتين فقط لاتخاذ القرار، متجاهلة بقية الأدلة. كان الأمر يشبه طالباً ينظر إلى دليل واحد فقط ويتجاهل بقية اللغز. في المقابل، استخدم نموذج HyperANIF الجديد فريقاً من القواعد التي تعمل معاً. في تجاربهم، استخدم النموذج القديم فعلياً حوالي 1.14 قاعدة فقط لكل قرار، بينما وظف النموذج الجديد متوسط 6.67 قاعدة. وهذا يعني أن النظام الجديد يبني صورة أغنى وأكثر تعاوناً للمشكلة، مما يؤدي إلى قرارات ليست أكثر دقة فحسب، بل أيضاً أكثر موثوقية وسهولة في التدقيق من قبل البشر.
ويرى المؤلفون أن هذا النهج يحل مشكلة محددة حيث تكون للبيانات بنية طبيعية "تشبه الشجرة"، والتي تكافح الخرائط المسطحة لتمثيلها. ومن خلال استخدام الخصائص الفريدة للهندسة الزائدية — حيث يتوسع الفضاء بشكل أسي لاستيعاب المزيد من الفروع — يحافظ نموذجهم على وضوح قواعد "إذا... فإن..." مع تعزيز قدرة الروبوت على تعلم الأنماط المعقدة. وبينما لا تدعي الورقة البحثية أنها حلت كل المشكلات في الذكاء الاصطناعي، إلا أنها تشير إلى أن منح هذه الأنظمة القابلة للتفسير ملعباً منحنياً ومتوسعاً هو وسيلة قوية لجعلها أكثر ذكاءً وموثوقية دون التضحية بقدرتها على شرح نفسها.
ملخص تقني: HyperANFIS
بيان المشكلة يُعد نظام الاستدلال العصبي الضبابي التكيفي (ANFIS) إطار عمل واسع الاستخدام يتميز بالقابلية للتفسير، حيث يجمع بين تعلم الشبكات العصبية والاستدلال الضبابي من نوع (IF-THEN). ومع ذلك، تعمل بنيات ANFIS التقليدية ضمن الفضاء الإقليدي، حيث يتم بناء مقدمات القواعد عن طريق دمج دوال العضوية أحادية المتغير بشكل مستقل. تواجه هذه الصيغة الإقليدية قيوداً جوهرية:
القدرة التمثيلية: مع زيادة عدد متغيرات المدخلات، تصبح مساحة الميزات مزدحمة ومقيدة، مما يؤدي إلى انفجار توافقي في عدد القواعد المطلوبة لتغطية البيانات.
التحيز الهيكلي: يوفر الهندسي الإقليدي تحيزاً استقرائياً ضعيفاً للبيانات التي تظهر هياكل هرمية أو شجرية أو غير منتظمة للغاية. فهو يفشل طبيعياً في استيعاب القدرة التمثيلية المتوسعة المطلوبة للفروع الهرمية الدقيقة، والتي تشيع في المجالات الواقعية مثل الرعاية الصحية والأنظمة الصناعية.
جودة القواعد: يمكن لهذه القيود الهندسية أن تؤدي إلى تدهور أداء النموذج وتحد من مصداقية وتميز القواعد الضبابية المتولدة.
المنهجية لمعالجة هذه القيود، يقترح المؤلفون HyperANFIS، وهو نموذج عصبي-ضبابي يعيد صياغة بنية ANFIS داخل متشعب زائدي (Hyperbolic Manifold). يحافظ النموذج على دلالات القيم القياسية وهيكل (IF-THEN) الجوهري لـ ANFIS مع إجراء جميع خطوات الاستدلال الحرجة في الفضاء الزائدي. تتكون البنية من خمس طبقات وظيفية:
الرسم الخرائطي الزائدي (Hyperbolic Mapping): يتم رسم المدخلات المعيارية ومراكز القواعد القابلة للتدريب (المراكز المماسية) من فضاء مماس مشترك إلى تمثيل زائدي (باستخدام نماذج لورنتز أو بوانكاريه) عبر خرائط أسية. يسمح هذا بتمثيل نماذج القواعد كنقاط جيوديسية عالمية.
الضبابية الجيوديسية (Geodesic Fuzzification): بدلاً من العضويات المستقلة لكل إحداثي، تُعرف مقدمات القواعد كمناطق جيوديسية حول النماذج الأولية العالمية للقواعد. ويُشتق قوة تنشيط القاعدة من المسافة الجيوديسية الجوهرية بين العينة ونموذج القاعدة الأولي، مع تطبيعها بواسطة مقياس جوهري قابل للتعلم.
التطبيع (Normalization): far يتم تطبيع العضويات اللوغاريتمية عبر القواعد لتحديد قوة الاشتعال، مما يضمن وجود قاعدة ضبابية جيوديسية عالمية بدلاً من كونها نتاج أبعاد مستقلة.
بناء التوابع الجوهري (Intrinsic Consequent Construction): يتم بناء توابع القواعد باستخدام الإحداثيات المحلية الجوهرية للعينة بالنسبة لنموذذج القاعدة الأولي، ثم تُنقل هذه التوابع مرة أخرى إلى ماني فولد المخرجات.
تجميع متوسط فريشيه (Fréchet Mean Aggregation): يتم حساب المخرج النهائي عن طريق تجميع التوابع ذات القيم الماني فولد باستخدام متوسط فريشيه الموزون بقوة الاشتعال (وهو تعميم للمتوسط في الفضاءات المنحنية). بالنسبة للتصنيف، تُشتق لوجيتات الفئات (class logits) من المسافة الجيوديسية المربعة إلى نماذج الفئات؛ وبالنسبة للانحدار، يتم فك تشفير المخرج في مخطط المماس الأصلي.
المساهمات الرئيسية
نموذج HyperANFIS: اقتراح نموذج عصبي-ضبابي مدرك للهندسة يتعلم قواعد (IF-THEN) عالمية على متشعب زائدي، مما يتيح تنبؤات دقيقة بناءً على هذه القواعد.
إطار عمل زائدي موحد: توحيد عملية مطابقة القواعد، وبناء التوابع المحلية، وتجميع التوابع بالكامل داخل الفضاء الزائدي، مما يقدم منظوراً جديداً للتخفيف من القيود الهندسية لـ ANFIS الإقليدي.
التحقق التجريبي: إثبات من خلال تجارب على مجموعات بيانات متعددة من العالم الحقيقي أن HyperAN_FIS يتفوق على ANFIS القياسي والعديد من المتغيرات المختلفة مع توليد قواعد ضبابية ذات جودة ومصداقية أعلى.
النتائج التجريبية قام المؤلفون بتقييم HyperANFIS مقابل ANFIS التقليدي وأربعة متغيرات ممثلة (FSRE-AdaTSK، وFCM-ANFIS، وIT2-ANFIS، وPSO-ANFIS) عبر خمس مجموعات بيانات: Spambase، وCar، وZoo، وWDBC (تشخيص سرطان الثدي في ويسكونسن)، وNSL-KDD.
الأداء: حقق HyperANFIS باستمرار أفضل أداء عبر جميع مجموعات البيانات والمقاييس (الدقة، وMacro-F1، والاستدعاء). وفي المتوسط، حقق تحسناً في الدقة بمقدار 0.0473، وفي Macro-F1 بمقدار 0.0706، وفي الاستدعاء بمقدار 0.0638 مقارنة بخط الأساس لـ ANFIS القياسي.
تفاصيل مجموعات البيانات: كانت التحسينات ملحوظة بشكل خاص في مجموعة بيانات Zoo (البنية التصنيفية الهرمية) وWDBC (العلاقات التشخيصية المعقدة وغير المنتظمة)، مع مكاسب في الدقة بلغت 11.11% و7.02% على التوالي.
تحليل القابلية للتفسير (دراسة حالة WDBC):
توزيع القواعد: على عكس ANFIS التقليدي، الذي أظهر نمط "الفائز يستحوذ على الكل" حيث تهيمن قاعدة واحدة (42.98% من العينات)، قام HyperANFIS بتوزيع التغطية المهيمنة عبر خمس قواعد رئيسية، مما عزز المشاركة متعددة القواعد.
تمثيل الفئات: تعلم ANFIS التقليدي مجموعة غير متوازنة للغاية من النماذج الأولية (11 حميد مقابل 1 خبيث)، بينما تعلم HyperANFIS توزيعاً أكثر تماسكاً (7 حميد مقابل 5 خبيث).
تعاون القواعد: زاد متوسط تشابه جيب التمام خارج القطر لمتجهات تنشيط القواعد من 0.006 (التقليدي) إلى 0.432 (HyperANFIS)، مما يشير إلى أن قواعد HyperANFIS تنشئ علاقات مترابطة ولكن متميزة، بما يتوافق بشكل أفضل مع مبادئ الاستدلال الضبابي.
عدد القواعد الفعال: زاد متوسط العدد الفعال للقواعد النشطة المشتق من الإنتروبيا من 1.14 إلى 6.67، مما يدل على التحول من هيمنة القاعدة الواحدة إلى عملية استدلال تعاونية.
الأهمية يزعم البحث أن HyperANFIS يثبت أن إعادة بناء ANFIS في الفضاء الزائدي هي عملية ممكنة منهجياً وفعالة. ومن خلال الاستفيد من النمو الحجمي الأسي للهندسة الزائدية، يمكن للنموذج تنظيم العلاقات الهرمية وغير المنتظمة للقواعد بشكل أكثر فعالية من النظراء الإقليديين. تتجاوز أهمية هذا العمل مجرد مكاسب الأداء؛ فهي تقدم منظوراً هندسياً جديداً لتحسين بنية ANFIS والنماذج الأخرى القابلة للتفسير جوهرياً، مما يشير إلى أن البدائل الهندسية للفضاء الإقليدي يمكن أن تعزز كلاً من دقة التنبؤ ومصداقية أنظمة القواعد القابلة للتفسير.