← أحدث الأبحاث
💻 computer science

A Relative Probabilistic Density Weighted Granular-Ball Twin Support Vector Machine for Robust Classification

تقترح هذه الورقة البحثية طريقة RPDLDGBTWSVM، وهي طريقة تصنيف قوية تعمل على تعزيز آلات المتجهات الداعمة التوأم من خلال توليد كرات حبيبية من عينات حقيقية عالية الكثافة وتطبيق وزن كثافة احتمالية نسبي قائم على KLIEP عند مستوى مركز الكرة الحبيبية لتحسين الدقة والكفاءة في مجموعات البيانات المعقدة.

المؤلفون الأصليون: Yuxin Qiu, Peiai Zhang, Duxin Deng, Xiaowei Cheng, Zhisheng Li

نُشر 2026-10-01
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yuxin Qiu, Peiai Zhang, Duxin Deng, Xiaowei Cheng, Zhisheng Li

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 تعلم الآلة، غالباً ما يُطلب من الحواسيب تصنيف الأشياء إلى فئات، مثل التمييز بين الأنسجة السليمة والأنسجة المصابة في الفحص الطبي أو الفصل بين المعاملات المصرفية المشروعة وتلك الاحتيالية. ومن أكثر الأدوات موثوقية لهذه المهمة طريقة تُسمى "آلة ناقلات الدعم" (Support Vector Machine). تخيل حاسوباً يحاول رسم خط يفصل بين مجموعتين من النقاط المتناثرة على ورقة؛ النهج التقليدي يرسم خطاً واحداً يبقي المجموعتين متباعدتين قدر الإمكان. ومع ذلك، فإن هناك نوعاً أكثر حداثة يُعرف باسم "آلة ناقلات الدعم المزدوجة" (Twin Support Vector Machine)، وهي ترسم خطين منفصلين؛ حيث يلتصق أحد الخطين بالمجموعة الأولى من النقاط، بينما يلتصق الآخر بالمجموعة الثانية، تاركاً فجوة واسعة بينهما. هذا النهج غالباً ما يكون أسرع وأكثر مرونة، لكنه لا يزال يواجه عقبة كبيرة عند التعامل مع البيانات الواقعية الفوضوية.

نادراً ما تكون البيانات الواقعية مثالية؛ فهي تحتوي على أخطاء، وقيم متطرفة، وعينات تقع تماماً على الحدود بين الفئات، مما يجعل من الصعب على الحاسوب تقرير مكان رسم الخطوط. وللتعامل مع هذا، يحاول الباحثون غالباً تبسيط البيانات عن طريق تجميع النقاط القريبة معاً، ومعاملة كل مجموعة كوحدة واحدة بدلاً من آلاف النقاط الفردية. هذه التقنية، المعروفة باسم "حوسبة الكرات الحبيبية" (granular-ball computing)، تشبه النظر إلى غابة من مسافة بعيدة: فبدلاً من عد كل ورقة شجر على حدة، ترى شكل الأشجار. وبينما تسرع هذه العملية، إلا أن الطرق السابقة لتجميع هذه النقاط غالباً ما خلقت مراكز اصطناعية لا تمثل البيانات الأصلية حقاً، خاصة عندما كانت البيانات معقدة أو متفرقة. علاوة على ذلك، فإن الطريقة التي تُوزن بها هذه المجموعات للتعامل مع الضجيج اعتمدت على قياسات مسافة بسيطة يمكن أن تفشل في المساحات عالية الأبعاد.

لقد طور فريق من الباحثين في جامعة جينان نهجاً جديداً لحل هذه المشكلات المحددة، مبتكرين نظاماً أطلقوا عليه اسم RPDLDGBTWSVM. يعمل منهجهم على تحسين التقنيات الموجودة من خلال تغيير كيفية تشكيل مجموعات البيانات وكيفية تقييم قيمتها أثناء عملية التعلم. فبدلاً من حساب المتوسط الرياضي لإيجاد مركز المجموعة، وهو ما قد يؤدي إلى نقطة افتراضية لا توجد فعلياً في البيانات، يقوم نظامهم باختيار عينات حقيقية تمتلك تركيزاً عالياً من الجيران. تصبح هذه النقاط الحقيقية والكثيفة هي "المرتكزات" للمجموعات. وبمجرد تشكيل هذه المجموعات، يقيم النظام مدى اتساق كل مجموعة مع فئتها الخاصة مقابل الفئة المقابلة. فالمجموعات التي تقع بوضوح ضمن فئتها الخاصة تُمنح أهمية أكبر، بينما تُمنح المجموعات الغامضة أو تلك التي تقع بالقرب من حدود الفئة الأخرى وزناً أقل. يضمن هذا تركيز الحاسوب على المعلومات الأكثر موثوقية وتجاهل الضجيج المربك.

اختبر الباحثون هذا النظام الجديد على تسعة عشر مجموعة بيانات مختلفة، تتراوح من تصنيف الائتمان والبيانات الجزيئية إلى تحليل الصور الطبية. وأظهرت النتائج أن منهجهم حقق أعلى دقة أو أعلى دقة مشتركة في ثمانية عشر مجموعة من البيانات، بمتوسط دقة بلغ 90.39%. وفي حالات محددة، مثل مجموعة بيانات تتعلق بتشخيص مرض باركنسون، حسّن المنهج الجديد الدقة بأكثر من ثلاث نقاط مئوية مقارنة بأفضل بديل تالٍ له. وبعيداً عن الدقة، أثبت النظام كفاءة عالية؛ ففي مجموعة بيانات كبيرة تتعلق بكشف الرسائل المزعجة (Spam)، أكمل المنهج الجديد المهمة في أقل من ثانية، بينما استغرقت الأساليب القديمة عدة ثوانٍ أو حتى دقائق. تأتي هذه الميزة في السرعة من حقيقة أن النظام يقلل من عدد العناصر التي يحتاج الحاسوب لمعالجتها دون فقدان التفاصيل الجوهرية للبيانات.

ومع ذلك، حددت الدراسة أيضاً حدود هذا النهج. فعندما تعرضت البيانات لضجيج شديد، مثل الحالات التي تعرضت فيها سمات البيانات لتشويه كبير، تضاءلت قدرة النظام على ضغط البيانات. وفي حالة معينة تتعلق ببيانات مرض باركنسون ذات مستويات عالية من الضجيج، لم يعد بإمكان النظام تجميع البيانات بفعالية واضطر للتعامل مع كل عينة بشكل فردي، مما أدى إلى إبطائه وتقليل دقته. يشير هذا إلى أنه على الرغم من أن المنهج قوي ضد الأخطاء العادية، إلا أنه يعتمد على بقاء الهيكل الأساسي للبيانات سليماً إلى حد ما. كما لاحظ الباحثون أنه بالنسبة لمجموعات البيانات الصغيرة جداً أو البسيطة، كانت فوائد التجميع أقل وضوحاً، لأن البيانات كانت سهلة التصنيف بالفعل.

تؤكد الأسس النظرية لهذا العمل أن المنهج الجديد سليم رياضياً. فقد أثبت الباحثون أن خطأ التقريب الناتج عن تجميع البيانات يتم التحكم فيه من خلال حجم المجموعات؛ حيث تؤدي المجموعات الأصغر والأكثر تماسكاً إلى نتائج تكاد تكون مطابقة لتحليل كل نقطة على حدة. كما أثبتوا أن مشكلات الأمثلة (optimization problems) التي أنشأها منهجهم تظل قابلة للحل ومستقرة، مما يعني أن الحاسوب لن يتوقف أو ينتج نتائج متذبذبة. ومن خلال الجمع بين اختيار نقاط البيانات الحقيقية والكثيفة وطريقة متطورة لوزن أهميتها، يقدم هذا النموذج الجديد طريقة أكثر موثوقية وكفاءة لتعلم الآلات من المعلومات المعقدة والمشوشة. إنه يمثل خطوة للأمام في جعل أدوات تعلم الآلة أكثر عملية للتطبيقات الواقعية حيث نادراً ما تكون البيانات نظيفة ومثالية.

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 →