Routing by Hurst: Matching Decomposed Modes to Inductive Biases for Time-Series Learning

تخيل أنك تحاول فهم شارع مدينة فوضوي؛ إنه مزيج من كل شيء: الهدير البطيء والمستمر لمترو الأنفاق تحت الأرض، والمسيرة الإيقاعية لعرض عسكري، والصرير المفاجئ لحافلة تضغط على المكابح، والدردشة العشوائية لآلاف المحادثات. إذا حاولت الاستماع إلى هذه الفوضى بأكملها باستخدام زوج واحد من الأذنين مضبوطتين على مستوى صوت واحد، فمن المرجح أن تفقد التفاصيل الدقيقة. قد تسمع المسيرة ولكن تفوتك الحافلة، أو يغمرك ضجيج الدردشة فتفقد صوت المترو. هذا هو التحدي الذي يواجهه العلماء في التعامل مع البيانات السلاسل الزمنية (time-series data)—وهي تدفقات من الأرقام المسجلة بمرور الوقت، مثل أسعار الأسهم، أو أنماط الطقس، أو نبضات القلب. هذه الإشارات نادراً ما تكون بسيطة؛ فهي عبارة عن تراكب من الاتجاهات البطيئة طويلة الأمد والنبضات السريعة العابرة.

ولفهم هذا الأمر، غالباً ما يستخدم الباحثون أداة تسمى التفكيك (decomposition)، وهي تشبه المنخل السحري الذي يفصل الإشارة الفوضوية إلى طبقاتها أو "أنماطها" الفردية. وبمجرد فصلها، يحتاجون إلى تحليل كل طبقة. ولكن هنا يكمن الجزء الصعب: الطبقات المختلفة تتصرف بشكل مختلف. فبعضها عنيد ومستمر (مثل اتجاه يستمر في المضي قدماً)، بينما البعض الآخر متقلب وقصير الأمد. لعقود من الزمن، حاولت معظم النماذج الحاسوبية تحليل كل هذه الطبقات بنفس "الدماغ" تماماً، مما أجبر الاتجاه البطيء والنبضة السريعة على اتباع نفس القواعد. تسأل هذه الورقة البحثية سؤالاً بسيطاً وعبقرياً: ماذا لو منحنا الأجزاء البطيئة دماغاً مختلفاً عن الأجزاء السريعة؟

يقترح مؤلف هذه الورقة، ييوي شي وزملائه، نظاماً جديداً يسمى HRMN (شبكة نمط هيرست الموجهة - Hurst-Routed Mode Network). فكر في HRMN كمركز تحكم مروري عالي الكفاءة للبيانات. بدلاً من إجبار كل سيارة (نقطة بيانات) على السير في نفس الطريق السريع، يقوم HRMN أولاً بفرز حركة المرور. فهو يستخدم مسطرة رياضية خاصة تسمى أس هيرست (Hurst exponent) لقياس مدى "عناد" أو "استمرارية" قطعة معينة من البيانات. إذا كانت قطعة البيانات بطيئة ومستمرة (مثل اتجاه طويل الأمد)، يتم توجيهها إلى فرع المحول (Transformer)—وهو نوع من الذكاء الاصطناعي المشهور بفهم الروابط بعيدة المدى والسياق. أما إذا كانت قطعة البيانات سريعة وعابرة (مثل نبضة ضوضاء مفاجئة)، فيتم توجيهها إلى فرع TCN—وهو دماغ ذكاء اصطنا-ي آخر مُحسَّن لرصد الأنماط المحلية السريعة.

يأتي الإلهام لهذا من الدماغ البشري نفسه. فتماماً كما تعالج أعيننا الومضات السريعة للضوء بشكل مختلف عن كيفية معالجة مراكز الدماغ العليا للسياقات المتغيرة البطيئة، يحاكي HRMN هذا التنظيم "ثنائي المسارات". اختبر الباحثون هذه الفكرة على 12 مجموعة بيانات مختلفة من العالم الحقيقي، تتراوح من اكتشاف عدم انتظام ضربات القلب إلى التنبؤ بحجم حركة المرور ورصد أعطال الخوادم. ووجدوا أنه من خلال مطابقة "الدماغ" المناسب مع النوع المناسب من البيانات، تفوق نظامهم باستمرار على أحدث النماذج الموجودة حالياً.

على وجه التحديد، تقترح الورقة أن HRMN أكثر دقة في تصنيف الأنشطة، وأفضل في التنبؤ بالقيم المستقبلية في مهام الانحدار، وأكثر حدة في رصد الشذوذ مقارنة بالنماذج السابقة مثل TimesNet. على سبيل المثال، في مهام التصنيف، حسّن النموذج الدقة بنسبة تتراوح بين 2.5 إلى 5.6 نقطة مئوية، وفي مهام الانحدار، قلل الأخطاء بنسبة تتراوح بين 8.0% إلى 10.2%. والأهم من ذلك، يوضح المؤلف أن هذه المكاسب ليست ناتجة فقط عن كون نموذجهم أكبر أو أكثر تعقيداً؛ بل في الواقع، يستخدم نموذجهم معاملات أقل (0.95 مليون) من بعض العمالقة الذين هزمهم (والذين استخدموا أكثر من مليوني معامل).

كما استبعدت الورقة البحثية بعناية فكرة أن مجرد تقسيم البيانات كافٍ. فقد اختبروا ما يحدث إذا قاموا بتقسيم البيانات ولكن أرسلوا كل شيء إلى نفس الدماغ، أو إذا قاموا بتوجيه البيانات عشوائياً. في كلتا الحالتين، انخفض الأداء بشكل كبير. وهذا يشير إلى أن السحر لا يكمن فقط في فصل الإشارة، بل في عملية التوجيه المحددة للأجزاء المستمرة إلى دماغ الذاكرة الطويلة وللأجزاء العابرة إلى دماغ الذاكرة القصيرة. وبينما يشير المؤلف إلى أن طريقتهم تعتمد على عتبة محددة (0.6) وتعمل بشكل أفضل مع الإشارات ذات الهياكل الواضحة متعددة المقاييس، إلا أن النتائج تشير بقوة إلى أن التعامل مع بيانات السلاسل الزمنية بمنهج "مقاس واحد يناسب الجميع" قد يحرمنا من الكثير من الأداء الممكن. فمن خلال الاستماع إلى "الأصوات" المختلفة في البيانات بالآذان المناسبة، يستطيع HRMN سماع القصة بوضوح أكبر بكثير.