← أحدث الأبحاث
💻 computer science

H2^2EDL: Hyper Evidential Deep Learning for Hierarchical Classification

تقدم الورقة البحثية H2^2EDL، وهو إطار عمل للتعلم العميق فوق-الأدلي (hyper-evidential) مبتكر يستفيد من تصنيف التسميات كعائلة بؤرية لنمذجة عدم اليقين الهرمي بكفاءة وتحسين المعايرة في مهام التصنيف دقيق التفاصيل.

المؤلفون الأصليون: Yuanye Liu, Xiahai Zhuang

نُشر 2026-08-20
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Yuanye Liu, Xiahai Zhuang

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

في عالم الذكاء الاصطناعي، غالبًا ما يُعامل تعليم الكمبيوتر التعرف على الأشياء كأنه مجرد لعبة مطابقة بسيطة: اعرض على الآلة صورة، واطلب منها اختيار الاسم الصحيح من قائمة. لكن العالم الحقيقي نادرًا ما يكون بهذا التسطيح. فالطائر ليس مجرد "طائر"؛ بل هو نوع محدد من طيور "الواربلر"، والذي ينتمي إلى فصيلة، والتي تنتمي بدورها إلى رتبة. عندما ينظر الذكاء الاصطناعي إلى صورة، قد يكون متأكدًا تمامًا من أنه ينظر إلى طائر واربلر، لكنه غير متأكد تمامًا مما إذا كان واربلر أبيض وأسود أم واربلر أصفر المنقار. هذه مشكلة تتعلق بالتسلسل الهرمي. تعاني نماذج الذكاء الاصطناعي التقليدية هنا لأنها تميل إلى معاملة كل إجابة محتملة كخيار منفصل وغير مرتبط، أو أنها تفرض رقمًا واحدًا لتمثيل مدى تأكدها من القائمة بأكملة. هذا النهج يغفل عن التفاصيل الدقيقة لمكان وجود عدم اليقين؛ فهو يفشل في استيع্বاب الفرق بين عدم التأكد من التفاصيل الدقيقة وعدم التأكد من الفئة العامة نفسها.

لقد طور باحثون في جامعة فودان نهجًا جديدًا يسمى H2EDL لحل هذه المشكلة المحددة. فبدلاً من إجبار الذكاء الاصطناعي على تقديم تخمين واحد ضخم لقائمة معقدة من الخيارات، بنوا نظامًا يحاكي هيكل المعرفة نفسها. تخيل شجرة عائلة حيث تمثل الفروع العلوية فئات عريضة مثل "طائرات" أو "حالات جلدية"، وتتفرع الفروع السفلية إلى أنواع أكثر تحديدًا مثل "بوينج 737" أو "ميلانوما". يضع النموذج الجديد وحدة صغيرة لاتخاذ القرار عند كل تقاطع في هذه الشجرة. وبينما ينظر الذكاء الاصطناعي إلى صورة، فإنه ينتقل عبر الشجرة، متخذًا سلسلة من القرارات المحلية. في الأعلى، قد يقول بثقة: "هذه طائرة بوينج". ومع انتقاله للأسفل نحو الطراز المحدد، قد يقول: "أنا متأكد إلى حد ما أنها 737، لكني لست متأكدًا ما إذا كانت نسخة -800 أم -900". ومن خلال تقسيم المشكلة إلى هذه الخطوات الأصغر، يمكن للنموذج أن يحدد بدقة أين يتوقف يقينه وأين يبدأ عدم اليقين لديه، بدلاً من تقديم تخمين واحد غامض للصورة بأكملها.

يكمن الابتكار الجوهري في كيفية تعامل النموذج مع "عدم اليقين". غالبًا ما تخصص الأساليب القديمة درجة واحدة لتمثيل مدى "عدم معرفة" النموذج بمجموعة الاحتمالات بأكملها؛ فإذا كان النموذج مرتبكًا، ترتفع هذه الدرجة لكل شيء. أما الطريقة الجديدة، فتسمح للنموذج بأن يكون له رأي واضح بشأن الفئة العريضة مع الاعتراف بالارتباك بشأن التفاصيل المحددة. يفعل ذلك من خلال معاملة هيكل الشجرة ليس فقط كقائمة تسميات، بل كخريطة للأدلة. فعندما يصل النموذج إلى نقطة تكون فيها الأدلة قوية بما يكفي لتأكيد فئة عريضة ولكنها ليست قوية بما يكفي لاختيار ورقة (نوع) محددة، فإنه يتوقف عند ذلك الحد. إنه يقول فعليًا: "أنا أعلم أن هذه طائرة بوينج، لكن ليس لدي معلومات كافية لتحديد أي طراز من طرازات 737 هي". وهذا يخلق تقريرًا أكثر صدقًا وفائدة لما يعرفه الذكاء الاصطناعي وما لا يعرفه.

لاختبار هذه الفكرة، درب الباحثون النموذج على نوعين مختلفين تمامًا من البيانات: مجموعة من صور الطائرات دقيقة التفاصيل، وقاعدة بيانات للحالات الجلدية. وفي كلتا الحالتين، قارنوا نظامهم الجديد بالنماذج القياسية للذكاء الاصطناعي التي لا تستخدم هذا النهج القائم على الشجرة. وأظهرت النتةائج أنه بينما لم يصبح النموذج الجديد بالضرورة أفضل في اختيار الورقة (النوع) الصحيحة في كل حالة، إلا أنه أصبح أفضل بكثير في فهم هيكل أخطائه. فعندما يخطئ النموذج في تحديد النوع المحدد، فإنه يكون أكثر عرضة لأن يكون قد أصاب في تحديد الفئة العريضة. على سبيل المثال، في مجموعة بيانات الحالات الجلدية، حافظ النموذج الجديد على الفئة العريضة الصحيحة بنسبة 19 بالمائة أكثر من النماذج القياسية عندما ارتكب خطأً محددًا. وهذا يعني أنه حتى عندما يكون الذكاء الاصطناعي غير متأكد، فإنه أقل عرضة للضياع في جزء غير مرتبط تمامًا من الشجرة، مثل الخلط بين حالة جلدية ونوع آخر من الأمراض تمامًا.

كما كشفت الدراسة أن النموذج الجديد أفضل بكثير في معرفة متى يكون في حالة تخمين. ففي التجارب، غالبًا ما كانت النماذج القياسية تبالغ في الثقة، حيث تمنح درجات يقين عالية حتى عندما تكون مخطئة. في المقابل، حافظ النظام الجديد على مستويات ثقته تحت السيطرة، خاصة مع انتقاله إلى أعماق التفاصيل المحددة في الشجرة. وعندما ضاعف الباحثون كمية بيانات التدريب، أصبحت النماذج القياسية أكثر مبالغة في الثقة دون أن تصبح أكثر دقة، بينما حافظ النموذج الجديد على مستوى ثابت وموثوق من عدم اليقين. يشير هذا إلى أن النهج الجديد ليس مجرد طريقة لمجموعة بيانات محددة، بل هو وسيلة أكثر قوة للتعامل مع المعلومات المعقدة والمتعددة الطبقات. فهو يسمح للذكاء الاصطناعي بأن يكون مفيدًا حتى عندما لا يكون مثاليًا، حيث يقدم إشارة واضحة حول أين تنتهي معرفته وحيث قد يلزم تدخل بشري لسد الفجوة.

في النهاية، يوضح هذا العمل أن الطريقة التي نهيكل بها المعرفة داخل الذكاء الاصطناعي لا تقل أهمية عن البيانات التي نغذيها به. فمن خلال احترام التسلسل الهرمي الطبيعي للعالم — حيث تحتوي المفاهيم العريضة على تفاصيل محددة — يتعلم النموذج التفكير بطريقة تشبه البشر. فهو لا يخرج مجرد تسمية، بل يخرج قصة لكيفية وصوله إلى تلك التسمية، كاملة بنقاط تردده. هذا النوع من الشفافية أمر بالغ الأهمية للتطبيقات التي يمكن أن تكون فيها الأخطاء مكلفة، مثل التشخيص الطبي أو سلامة الطيران. وجد الباحثون أن طريقتهم قللت من الخطأ في كيفية إبلاغ النموذج عن ثقته بنحو النصف مقارنة بالتقنيات السابقة. والأهم من ذلك، أنها ضمنت أنه عندما يخطئ النموذج، فإنه يخطئ بطريقة تظل قريبة من الحقيقة، مع الحفاظ على السياق العام سليمًا حتى لو فُقدت التفاصيل الدقيقة. وهذه خطوة نحو بناء أنظمة ذكاء اصطناعي ليست ذكية فحسب، بل واعية أيضًا بحدود قدراتها.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →