← أحدث الأبحاث
💻 computer science

Dynamic ensemble approach for multi-class classification based on neighborhood rough sets and sequential three-way decisions

تقترح هذه الورقة إطار عمل EM-S3WD، وهو إطار عمل تجميعي ديناميكي يدمج المجموعات التقريبية للجوار مع القرارات الثلاثية المتتالية واستراتيجية تكامل ديناميكية شرطية للتغلب على قيود الرموز المرجعية الثابتة والقيود الثنائية في نموذج Xu وآخرون الأصلي، مما يحقق أداءً تنافسيًا وتكيفيًا في التصنيف متعدد الفئات.

المؤلفون الأصليون: Wenyan Xu, Qiang Chen, Yangyang Guo

نُشر 2026-09-10
📖 5 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Wenyan Xu, Qiang Chen, Yangyang Guo

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 علوم الحاسوب، هناك صراع مستمر لتعليم الآلات كيفية اتخاذ القرارات عندما تكون المعلومات التي تتلقاها غير كاملة أو مشوشة. تخيل محاولة تحديد نوع فاكهة في سلة حيث تكون بعض الثمار بها كدمات، وبعضها مخفي جزئيًا، والإضاءة ضعيفة. إن الإجابة البسيطة بـ "نعم" أو "لا" غالبًا ما تفشل لأن البيانات تكون غير مؤكدة للغاية. وللتعامل مع هذا، طور الباحثون طريقة تسمى "القرار ثلاثي المسارات" (three-way decision). وبدلاً من فرض خيار ثنائي، يسمح هذا النهج للنظام بقول "نعم"، أو "لا"، أو "انتظر وانظر". وخيار "الانتظار" أمر بالغ الأهمية؛ فهو يقر بأن الأدلة الحالية ليست قوية بما يكفي لاتخاذ قرار نهائي، مما يمنع الآلة من التخمين العشوائي. وقد تم صقل هذا المفهوم بشكل أكبر ليصبح عملية متسلسلة، حيث ينظر النظام إلى البيانات من خلال سلسلة من العدسات، كل واحدة منها مختلفة قليلاً، لتضييق الاحتمالات تدريجيًا حتى يمكن اتخاذ قرار واثق.

بناءً على هذا الأساس، عالج فريق من الباحثين في جامعة شيديان في الصين قيدًا محددًا في كيفية تعامل هذه الأنظمة مع الفئات المتعددة في آن واحد. وبينما كانت الطرق الموجودة تعمل جيدًا للتمييز بين خيارين، إلا أنها واجهت صعوبة عندما طُلب منها الاختيار من بين فئات عديدة، مثل تحديد أنواع مختلفة من البذور أو الحالات الطبية. اعتمد النهج القديم على قواعد صارمة تعامل نقاط البيانات إما كمتطابقة تمامًا أو مختلفة تمامًا، وهو ما فشل غالبًا في التقاط الاختلافات الدقيقة الموجودة في الأرقام الواقعية. علاوة على ذلك، عندما كان النظام يحاول تخمين الفئة الصحيحة من بين فئات عديدة، كان يصطدم أحيانًا بحالة من الجمود حيث تظهر فئتان أو أكثر كخيارات متساوية الاحتمال، مما يترك الحاسوب عالقًا. اقترح الباحثون إطار عمل جديدًا، أطلقوا عليه اسم EM-S3WD، صُمم لجعل هذه القرارات أكثر مرونة وحل حالات الجمود هذه دون فقدان وضوح الطريقة الأصلية.

يكمن جوهر إطار العمل الجديد هذا في كيفية بناء نقاط مرجعية. في الأنظمة القديمة، كان الحاسوب ينشئ قائمة ثابتة من الأمثلة "المثالية" من بيانات التدريب، وبمجرد إنشاء هذه القائمة، لم تكن تتغير أبدًا، بغضًا عن كيفية توزيع البيانات أو مدى ضجيج البيئة المحيطة. ويستبدل النهج الجديد هذه الصلابة بالقدرة على التكيف. فبدلاً من استخدام المساواść الصارم، يستخدم النظام مفهومًا يسمى "المجموعات التقريبية للجوار" (neighborhood rough sets)، والذي يسمح له بتجميع نقاط البيانات بناءً على مدى قربها من بعضها البعض، وليس بناءً على كونها متطابقة تمامًا. فكر في الأمر كتعريف حي أو منطقة ليس بسياج صلب، بل بمدى المسافة التي يمكنك المشي فيها من نقطة مركزية قبل أن تتغير طبيعة المنطقة. ومن خلال ضبط حجم هذا "الجوار"، يمكن للنظام اختيار أمثلة مرجعية تناسب البيانات المحددة التي ينظر إليها، مما يجعل النموذج أكثر قوة في مواجهة الضجيج والتباين.

بمجرد أن يمتلك النظام هذه النقاط المرجعية المرنة، يواجه تحدي فرز البيانات إلى فئات عديدة. استخدم الباحثون استراتيجية تُعرف باسم "واحد مقابل الكل" (one-versus-all)، حيث يبني الحاسوب صانع قرار منفصل لكل فئة، متسائلًا: "هل هذا العنصر جزء من هذه المجموعة، أم أنه شيء آخر؟". ويقوم كل صانع قرار من هؤلاء بإخراج درجة ثقة. ومع ذلك، تبرز مشكلة عندما تعطي فئتان أو أكثر نفس أعلى درجة بالضبط. في الماضي، كان الحاسوب قد يختار واحدة منهما عشوائيًا، وهو أمر غير موثوق به. يقدم إطار العمل الجديد آلية إنقاذ شرطية ذكية؛ فهي لا تفعل المساعدين الإضافيين — وهم مصنفات ثانوية أبسط — إلا عندما يكتشف النظام وجود حالة تعادل. إذا كانت الدرجات واضحة، يلتزم النظام بقراره الأساسي الأصلي، ولكن إذا حدث تعارض، فإنه يستعين بالمساعدين لتقديم رأي ثانٍ، مع وزن مدخلاتهم بناءً على مدى اتفاقهم مع النظام الأساسي ومدى دقة أدائهم في الماضي. وهذا يضمن أن النظام لا يضيف التعقيد إلا عند الضرورة القصوى.

اختبر الباحثون هذا النهج على تسعة مجموعات بيانات عامة مختلفة، تتراوح من تحديد أنواع البذور والحيوانات إلى تشخيص أمراض الجلد وتحليل الأوراق النقدية. ووجدوا أن الطريقة الجديدة نجحت في حل مشكلات كسر التعادل التي كانت تعاني منها الأنظمة القديمة. وفي الحالات التي كان فيها النظام الأساسي عالقًا بين إجابتين متساويتين في الاحتمالية، تمكنت استراتيجية التكامل الديناميكي الشرطي من استخدام الأدلة الإضافية لاختيار الفئة الصحيحة بشكل أكثر دقة بكثير من التخمين العشوائي أو طرق الوزن الثابت. على سبيل المثال، في مجموعة بيانات تتعلق بالفاصوليا الجافة، حددت الطोध الجديدة الصراع بشكل صحيح واستخدمت المعلومات المساعدة لتحسين الدقة النهائية. كما أظهرت الدراسة أنه من خلال جعل النقاط المرجعية تكيفية، أصبح النظام أفضل في التعامل مع البيانات التي تعرضت للفساد بسبب الضجيج، محافظًا على أدائه حتى عندما كانت البيانات المدخلة غير مثالية.

وعلى الرغم من هذه النجاحات، فإن المؤلفين حذرون من الادعاء بأن طريقتهم هي حل عالمي يتفوق على كل التقنيات الأخرى الموجودة. ففي المقارنات المباشرة مع خوارزميات تعلم آلي أخرى معروفة، كان إطار العمل الجديد تنافسيًا، وغالبًا ما تصدر في مقاييس محددة مثل الدقة والاتساق، لكنه لم يهيمن إحصائيًا على جميع الطرق الأخرى عبر جميع مجموعات البيانات. وأشار الباحثون إلى أن فوائد نهجهم تظهر بوضوح عندما تكون البيانات معقدة أو عندما يواجه النظام حالات كسر التعادل الصعبة تلك بشكل متكرر. كما أن التكلفة الحسابية هي عامل مهم، حيث يتطلب النظام قدرة معالجة أكبر لحساب علاقات الجوار وإدارة عمليات التحقق الشرطية. وفي النهاية، يوضح هذا العمل أنه من خلال جعل النقاط المرجعية مرنة وبالاستعانة بالموارد الإضافية فقط عند حدوث تعارض، من الممكن بناء مصنف متعدد الفئات يكون أكثر قدرة على التكيف وأكثر موثوقية في المواقف غير المؤكدة.

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 →