Diversity-Based Active Learning: An Evaluation of Metric Spaces for Active Learning Selection
تقيم هذه الورقة أداء استراتيجية اختيار التعلم النشط "Greedy K-center"، حيث تُظهر أن تعيين المثيلات إلى فضاء احتمالي مشتق من النموذج وموزون بالاعتلاج (entropy) يحقق نتائج متفوقة مقارنة بفضاءات الميزات الخام أو فضاءات تحليل التمايز الخطي (LDA) عند استخدام مصنفات الغابة العشوائية (Random Forest).
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، تتمتع الحواسيب بقدرة فائقة على التعلم من الأمثلة، لكن لديها شرط عنيد: فهي تحتاج إلى كميات هائلة من البيانات التي تم فرزها وتصنيفها مسبقاً بواسطة البشر. تخيل محاولة تعليم طفل التعرف على الحيوانات عبر إظهار آلاف الصور له، ولكن يجب أولاً تحديد كل صورة ووسمها من قبل معلم. في العديد من المجالات، مثل التصوير الطبي أو التمويل المتخصص، يكون العثٌور على خبير بشري للقيام بعملية الوسم هذه مكلفاً للغاية أو مستهلكاً للوقت بشكل لا يصدق. وهذا يخلق عنق زجاجة حيث يكون الكمبيوتر مستعداً للتعلم، لكن الخبراء البشر مشغولون جداً لتوفيد الوقود الذي يحتاجه. ولحل هذه المشكلة، طور الباحثون استراتيجية تسمى "التعلم النشط" (Active Learning). فبدلاً من مطالبة الإنسان بتصنيف كومة ضخمة وعشوائية من البيانات، يتصرف الكمبيوتر كطالب فضولي؛ حيث ينظر إلى البيانات غير المصنفة، ويحدد أي الأمثلة المحددة ستعلمه أكثر، ثم يطلب من الإنسان تصنيف تلك الأمثلة فقط. والهدف هو الوصول إلى مستوى عالٍ من الذكاء مع بذل أقل قدر ممكن من الوقت والمال في عملية التصنيف.
يكمن التحدي في تقرير أي الأمثلة هي الأكثر قيمة. أحد الأساليب الشائعة هو البحث عن التنوع، لضمان قيام الكمبيوتر بأخذ عينات من جميع جوانب المعلومات المتاحة بدلاً من التركيز فقط على منطقة واحدة مزدحمة. وهناك طريقة محددة للقيام بذلك، تُعرف باسم نهج "K-center الجشع" (greedy K-center)، والتي تعمل عبر اختيار أمثلة جديدة تكون بعيدة قدر الإمكان عن الأمثلة التي تم اختيارها بالفعل. ومع ذلك، فإن نجاح هذه الطريقة يعتمد كلياً على كيفية قياس الكمبيوتر لـ "المسافة". فإذا قاس الكمبيوتر المسافة بناءً على الأرقام الخام في البيانات، فقد يصاب بالارتباك بسبب التفاصيل غير ذات الصلة أو الضجيج، تماماً مثل محاولة التنقل في مدينة باستخدام خريطة تتضمن كل شجرة وسياج بدلاً من الطرق فقط. وقد سعى الباحثون في جامعة كاليفورنيا، بيركلي، لاختبار ما إذا كان تغيير الطريقة التي يرى بها الكمبيوتر البيانات — وتحديداً، من خلال النظر إلى البيانات من خلال عدسة تنبؤات الكمبيوتر الخاصة بدلاً من مجرد أرقامها الخام — يمكن أن يجعل عملية الاختيار هذه أكثر ذكاءً.
اختبر الفريق طرقاً مختلفة لقياس المسافة بين نقاط البيانات. بدأوا بالطريقة الأكثر أساسية، وهي استخدام السمات الخام للبيانات، مثل قيم البكسل في صورة أو الأرقام في سجل مالي. كما جربوا تقنية تسمى "التحليل التمييزي الخطي" (linear discriminant analysis)، وهي أداة رياضية تحاول ضغط البيانات في شكل أبسط يفصل الفئات المختلفة عن بعضها البعض بأوضح صورة ممكنة. وأخيراً، اختبروا نهجاً أكثر تطوراً حيث يقوم الكمبيوتر أولاً بوضع تخمين حول كل عنصر غير مصنف، مما ينشئ "فضاء احتمالية". في هذا الفضاء، لا تعتمد المسافة بين عنصرين على أرقامهما الخام، بل على مدى اختلاف ما يتنبأ به الكمبيوتر بشأن تصنيفهما. ولجعل هذا الأمر أكثر دقة، أضافوا طبقة من عدم اليقين، حيث يتم وزن الاختيار بناءً على مدى عدم تأكد الكمبيوتر من تخمينه. وقد استخدموا نوعاً قوياً وسريعاً من النماذج الحاسوبية يسمى "الغابة العشوائية" (random forest) لتوليد هذه التنبؤات وتقييم النتائج، وأجروا تجاربهم على كل من البيانات الاصطناعية التي صنعوها ومجموعات بيانات حقيقية تتراوح من 150 إلى أكثر من 6,000 عنصر.
كانت النتائج واضحة ومتسقة عبر معظم اختباراتهم. فالطريقة التي اعتمدت على الأرقام الخام للبيانات غالباً ما واجهت صعوبات، وفي بعض الأحيان لم تكن أفضل من مجرد اختيار أمثلة عشوائية. حدث هذا لأن الأرقام الخام في البيانات المعقدة وذات الأبعاد العالية يمكن أن تكون مضللة، مما يتسبب في تركيز الكمبيوتر على الضجيج غير ذي الصلة بدلاً من الأنماط الفعلية التي تحدد الفئات. وفي المقابل، تفوق النهج الذي استخدم احتمالات تنبؤ الكمبيوتر باستمرار على غيره. فمن خلال قياس المسافة بناءً على كيفية رؤية الكمبيوتر للعالم، تمكن النظام من تجاهل التشويش والتركيز على الحدود ذات المعنى بين المجموعات المختلفة. وكانت الاستراتيجية الأكثر فعالية على الإطلاق هي النهج الهجين، الذي جمع بين هذه الرؤية القائمة على الاحتمالات وبين مقياس عدم اليقين. لقد أخبر هذا النهج الكمبيوتر بأن يبحث عن أمثلة ليست مختلفة عما رآه بالفعل فحسب، بل وأيضاً أمثلة يكون الكمبيوتر فيها غير متأكد حقاً من الإجابة. سمح هذا التوازن للنظام بالتعلم بشكل أسرع وأكثر دقة، والوصم بمستويات أعلى من الأداء مع عدد أقل من الأمثلة المصنفة.
ومع ذلك، كانت هناك حالات محددة لم يتألق فيها هذا النهج المتقدم. ففي حالة واحدة تتعلق بمجموعة بيانات تحتوي على سمات فيزيائية قليلة جداً، عمل نهج البيانات الخام البسيط بشكل جيد تماماً مثل منهج الاحتمالات المعقد، مما يشير إلى أنه عندما تكون البيانات بسيطة وكثيفة، فإن الخطوات الإضافية ليست ضرورية. وفي حالة أخرى مع مجموعة بيانات اصطناعية شديدة التعقيد والضجيج، كان أداء منهج الاحتمالات أسوأ من غيره. وقد وجد الباحثون أن هذا حدث لأن نموذج الكمبيوتر نفسه كان مرتبكاً بالضجيج؛ فعندما لا يفهم النموذج البيانات، تكون تنبؤاته مجرد تخمينات، وبناء استراتيجية اختيار بناءً على تلك التخمينات يؤدي فقط إلى تضخيم الارتباك. وهذا يسلط الضوء على نتيجة حاسمة: منهج الاحتمالات قوي، ولكنه يتطلب أن يمتلك النموذج الأساسي حداً أدنى من الفهم للبيانات ليعمل بفعالية.
في النهاية، تثبت الدراسة أن الطريقة التي نقيس بها المسافة بين نقاط البيانات لا تقل أهمية عن الخوارزمية المستخدمة لاختيارها. فمن خلال نقل التركيز من السمات الخام، التي غالباً ما تكون فوضوية، إلى فهم النموذج للفئات، يمكن للباحثين تحسين كفاءة التعلم النشط بشكل كبير. جاءت أفضل النتائج من استراتيجية طلبت من الكمبيوتر البحث عن أمثلة كانت متنوعة في ذهنه، وغير مؤكدة في حكمه أيضاً. يسمح هذا النهج للآلات بالتعلم بشكل أكثر ذكاءً، مما يقلل العبء على الخبراء البشر ويجعل من الممكن نشر ذكاء اصطناعي قوي في المجالات التي تشكل فيها عملية تصنيف البيانات عقبة رئيسية. ويؤكد هذا العمل أنه بينما تعتبر الأدوات الرياضية لاختيار البيانات مهمة، فإن الفضاء الذي تعمل فيه تلك الأدوات هو ما يحدد نجاحها أو فشلها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.