ملخص تقني: بحث حول توليد عينات التضليل على مستوى الكلمة للغة التبتية بناءً على الارتباط المورفوسنتاكسي (الصرفي-النحوي)

بيان المشكلة

بينما تقدمت معالجة المعلومات الذكية للغة التبتية بشكل كبير مع ظهور النماذج اللغوية الكبيرة (مثل DEEPZANG وYangGuang QingYan)، إلا أن أمن ومتانة هذه النماذج ضد هجمات التضليل (Adversarial Attacks) لا يزال غير مدروس كفاية مقارنة باللغتين الإنجليزية والصينية. تعتمد طرق التضليل الحالية للغة التبتية بشكل أساسي على الاضطرابات على مستوى الحرف أو المقطع الصوتي (مثل استبدال المقطع، أو الإدراج، أو الحذف). ويتمثل القصور الحرج في هذه النهج في إهمالها للقواعد النحوية للغة التبتية، وتحديداً القواعد التي تحكم الكلمات الوظيفية (الأدوات التي تشير إلى الحالة الإعرابية، الملكية، الموقع، إلخ).

عندما تقوم الطرق الحالية باستبدال الكلمات على مستوى الكلمة دون الالتزام بالارتباط المورفوسنتاكسي، فإن عينات التضليل الناتجة غالباً ما تعاني من انكسار المنطق الجملي وقواعد نحوية غير صالحة. فعلى سبيل المثال، غالباً ما يستلزم استبدال كلمة محتوى في اللغة التبتية تغييراً مقابلاً في الكلمة الوظيفية اللاحقة (مثل أدوات المضاف إليه، أو الفاعل، أو الظرفية) للحفاظ على السلامة النحوية. إن الفشل في تحديث هذه الكلمات الوظيفية يجعل عينة التضليل غير صالحة لغوياً، مما يقلل من فعاليتها وجودتها.

المنهجية: TWLAS-BMSL

تقترح الورقة البحثية منهجية TWLAS-BMSL (توليد عينات التضليل للغة التبتية على مستوى الكلمة بناءً على الارتباط المورفوسنتاكسي)، وهي طريقة مصممة لتوليد أمثلة تضليل عالية الجودة وصحيحة نحوياً. يعمل الإطار ضمن نموذج هجوم الصندوق الأبيض (White-box attack paradigm) ويتكون من أربع خطوات أساسية:

1. اضطراب الكلمة العشوائي:

   • باستخدام قاعدة معرفة السيميم (Sememe) للغة التبتية التي تم إنشاؤها (تحتوي على 32,745 مدخلاً)، تحدد الطريقة كلمات المحتوى في النص الأصلي.
   • تقوم بمطابقة هذه الكلمات عشوائياً مع بدائل مشابهة دلالياً من قاعدة المعرفة.
   • يتم إجراء استبدال لكلمة واحدة لإنشاء نص مضطرب يحافظ على المعنى الدلالي الأصلي قدر الإمكان.

2. كشف وتصحيح الكلمة الوظيفية:

   • إدراكاً بأن العلاقات الدلالية العميقة في اللغة التبتية منظمة عبر الكلمات الوظيفية، تستخدم الطريقة خوارزمية لكشف وتصحيح إلحاق الكلمات الوظيفية.
   • عند استبدال الكلمة المفتاحية، تقوم الخوارزمية بتحليل الفئة النحوية للكلمة الجديدة ديناميكياً (على سبيل المثال، ما إذا كانت تعمل كفاعل عامل أو تتطلب علامة حالة معينة).
   • تقوم تلقائياً بتحديث الكلمات الوظيفية اللاحقة (المضاف إليه، الفاعل، الظرفية، ولواحق الأسماء الشخصية) لتتماشى مع قواعد اللغة التبتية (تحديداً قواعد "الآيات الثلاثين" المتعلقة بحروف اللواحق).

3. إعادة البناء:

   • يقوم النظام بإعادة بناء الجملة من خلال دمج الكلمة المفتاحية المشابهة دلالياً مع الكلمات الوظيفية المصححة نحوياً.

4. تنفيذ الهجوم:

   • يتم إدخال عينة التضليل النهائية المعاد بناؤها في النموذج المستهدف لإحداث خطأ في التصنيف.

المساهمات الرئيسية

يسلط المؤلفون الضوء على ثلاث مساهمات رئيسية:

• منهج الارتباط المورفوسنتاكسي: اقتراح طريقة لتوليد التضليل على مستوى الكلمة تدمج صراحةً الارتباط المورفوسنتاكسي، مما يضمن تكيف الكلمات الوظيفية تلقائياً لتتطابق مع كلمات المحتوى المستبدلة. وهذا يعزز متانة نماذج اللغة التبتية ضد هجمات اضطراب الصندوق الأبيض.
• خوارزميات التكيف التلقائي: وضع معايير وخوارزميات للتكيف والتحديث التلقائي للكلمات الوظيفية التبتية أثناء الاضطراب، مما يعالج الفجوة في استراتيجيات الهجوم الحالية التي تركز على الصينية والإنجليزية.
• قاعدة معرفة السيميم للغة التبتية: إنشاء قاعدة معرفة سيميم متخصصة للغة التبتية تحتوي على 32,745 مدخلاً، مصممة خصيصاً لتسهيل تجارب التضليل على مستوى الكلمة في النصوص التبتية.

النتائج التجريبية

قيمت الدراسة منهجية TWLAS-BMSL على أربع مجموعات بيانات (TNCC, TU_SA, QHNUTSA, MZUCTSA) تغطي مهام تصنيف النصوص وتحليل المشاعر. شملت النماذج المستهدفة TiBERT و CINO-base-v2 و CINO-large.

• فعالية الهجوم:

  • تسببت الطريقة في متوسط انخفاض في الدقة (ADV) قدره 2.69% عبر النماذج.
  • بلغ متوسط معدل نجاح الهجوم (ASR) نسبة 28.83%.
  • كان متوسط مسافة ليفنشتاين (LD) هو 6.80%، مما يشير إلى أن الهجمات تطلبت اضطرابات صغيرة نسبياً لتكون فعالة.
  • أظهر نموذج CINO-base-v2 أعلى حساسية للهجوم، بينما أظهر CINO-large أقوى متانة.

• أداء التصحيح النحوي:

  • في مهمة التكيف التلقائي وتصحيح الأخطاء للكلمات الوظيفية، حققت الطមានسبة 100% في ثلاثة مقاييس رئيسية:
    • معدل كشف خطأ الكلمة الوظيفية.
    • الدقة الإجمالية.
    • معدل نجاح تصحيح الجملة كاملة الخطأ.

• التحليل النوعي:

  • بدون الارتباط المورفوسنتاكسي، غالباً ما احتوت العينات المولدة على أخطاء نحوية تكسر منطق الجملة. ومع الطريقة المقترحة، حافظت عينات التضليل على الصرامة النحوية مع النجاح في تضليل النماذج المستهدفة.

الأهمية والادعاءات

تدعي الورقة أن منهجية TWLAS-BMSL المقترحة تعالج بفعالية مشكلة "عدم دقة المنطق النحوي" في هجمات التضليل التبتية الحالية. ومن خلال ضمان تحديث الكلمات الوظيفية بالتزامن مع استبدالات كلمات المحتوى، تضمن الطريقة الصرامة المنطقية النحوية للعينات المولدة.

يؤكد المؤلفون أن هذا النهج لا ينجح فقط في تضليل النماذج لاتخاذ قرارات تصنيف خاطئة، بل يضمن أيضاً جودة النص لعينات التضليل، مما يجعلها غير قابلة للتمييز عن النصوص الطبيعية من حيث الصحة النحوية. ويُقدم هذا كخطوة حاسمة نحو تحسين أمن ومتانة النماذج اللغوية الكبيرة للغة التبتية.

تختتم الورقة بتواضع، معترفة بالقيود مثل الحجم المحدود لقاعدة معرفة السيميم المنشأة (32,745 مدخلاً) وندرة النماذج الكبيرة الخاصة باللغة التبتية للاختبار. ويُقترح العمل المستقبلي لتطبيق هذه الطريقة على النماذج اللغوية الكبيرة للتبتية لتعزيز قدراتها على مكافحة التداخل بشكل أكبر.