Symbolic Regression Using Synergistic Basis Functions
تقدم هذه الورقة البحثية "انحدار الدوال الأساسية التآزرية" (SBFR)، وهو أسلوب انحدار رمزي غير تطوري يقوم بتوليد واختيار دوال أساسية تآزرية ديناميكيًا لتحقيق أداء تنبؤي تنافسي مع تمثيلات ميزات مدمجة، مما يتفوق بشكل كبير على النماذج المرجعية في الدقة مع القضاء على الحاجة إلى البحث التطوري المكلف حاسوبيًا.
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 علم البيانات، يحاول الباحثون باستمرار العثور على القواعد الخفية التي تربط مجموعة من الأرقام بمجموعة أخرى. تخيل أن لديك قائمة من المدخلات، مثل مكونات الكعكة، وقائمة من النتائج، مثل الارتفاع الذي تصل إليه الكعكة. الهدف هو كتابة الوصفة الرياضية الدقيقة التي تحول المكونات إلى النتيجة. يُسمى هذا بـ "الانحدار" (regression). بالنسبة للمشكلات البسيطة، قد يفي خط مستقيم بالغرض، لكن العالم الحقيقي نادراً ما يكون بهذه البساطة؛ فغالباً ما تكون العلاقة ملتوية ومتشابكة، مما يتطلب صيغاً معقدة لوصفها بدقة.
لعقود من الزمن، استخدم العلماء طريقة تسمى "الانحدار الرمزي" (symbolic regression) لحل هذه المشكلة. فبدلاً من مجرد تخمين صيغة ما، تقوم هذه البرامج الحاسوبية بالبحث عبر مكتبة ضخمة من التعبيرات الرياضية الممكنة للعثور على التعبير الذي يناسب البيانات بشكل أفضل. الميزة الكبرى لهذا النهج هي أن الإجابة النهائية عبارة عن معادلة مكتوبة واضحة يمكن للإنسان قراءتها وفهمها. ومع ذلك، فإن العثور على تلك المعادلة المثالية يشبه البحث عن إبرة محددة في كومة قش تستمر في النمو. تتضمن الطريقة التقليدية للقيام بذلك عملية تشبه التطور، حيث تتنافس آلاف الصيغ المرشحة، وتتحور، وتتكاثر عبر العديد من الأجيال. وبينما يمكن أن ينجح هذا، إلا أنه بطيء للغاية ومكلف حاسوبياً، وغالباً ما يتطلب قدرات حاسوبية هائلة لمجرد العثور على حل قد يكون معقداً دون داعٍ.
قام فريق من الباحثين في جامعة أمير كبير للتكنولوجيا في إيران باقتراح طريقة مختلفة لمعالجة هذه المشكلة. فقد قدموا طريقة جديدة تسمى "انحدار الدوال الأساسية التآزرية" (Synergistic Basis Functions Regression أو SBFR)، والتي تتخطى البحث التطوري البطيء بالكامل. فبدلاً من ترك آلاف الصيغ تتصارع فيما بينها، يقوم هذا النهج الجديد ببناء الحل قطعة قطعة، مثل حرفي يختار ويضبط أدوات فردية بعناية. الفكرة الجوهرية هي توليد قطع رياضية مرشحة، تسمى "الدوال الأساسية" (basis functions)، ثم اختبار مدى نجاح عملها معاً. أدرك الباحثون أن قطعة رياضية واحدة قد لا تبدو مفيدة جداً بمفردها، ولكن عندما تقترن بالشريك المناسب، يمكن أن تصبح قوية للغاية. يُعرف هذا المفهوم بـ "التآزر" (synergy): حيث يكون الكل أكبر من مجموع أجزائه.
صمم الباحثون نظامهم ليعمل كمحرر ديناميكي. يبدأ بمجموعة فارغة من الأدوات ويبدأ في توليد تعبيرات رياضية جديدة باستخدام طريقة قياسية تنشئ هياكل متنوعة. ومع كل تعبير جديد ينشئه النظام، يطرح سؤالين: أولاً، هل تحسن هذه القطعة الجديدة النموذج إذا أضفناها ببساطة إلى مجموعتنا الحالية؟ ثانياً، هل يمكن لهذه القطعة الجديدة أن تؤدي وظيفة أفضل إذا استبدلناها بإحدى القطع التي نمتلكها بالفعل؟ يقيس النظام التحسن في دقة التنبؤ لكلتا الحالتين. إذا كانت إضافة القطعة الجديدة تساعد، فسيتم الاحتفاظ بها. وإذا كان استبدالها بقطعة موجودة سيجعل النموذج أفضل، فسيتم التخلص من القطعة القديمة واستبدالها. تتكرر هذه العملية، مما يؤدي إلى صقل مجموعة الأدوات الرياضية باستمرار حتى يصبح النموذج دقيقاً وموجزاً قدر الإمكان.
لاختبار مدى فعالية هذه الطريقة الجديدة، طبقها الباحثون على تسع مجموعات بيانات مختلفة، تتراوح من المشكلات الاصطناعية المصممة لاختبار المهارات الرياضية إلى البيانات الواقعية التي تتعلق بأشياء مثل قوة الخرسانة وأسعار العقارات. وقارنوا نظامهم الجديد بـ ثلاثة عشر أسلوباً آخر، بما في ذلك الأساليب التطورية التقليدية ونماذج تعلم الآلة القياسية. أظهرت النتائج أن الطريقة الجديدة كانت فعالة للغاية؛ ففي المتوسط، خفضت النماذج المبنية بهذا النهج الجديد أخطاء التنبؤ بنحو أربعين بالمائة مقارنة بالطرق القياسية. كما حسنت القدرة على تفسير البيانات بنسبة تزيد عن عشرين بالمائة. والأهم من ذلك، حققت الطريقة الجديدة هذا دون الحاجة إلى التكلفة الحسابية الثقيلة للبحث التطوري.
ربما كانت النتيجة الأكثر إثارة للإعجاب هي مدى كفاءة النظام الجديد في الحفاظ على بساطة النماذج. فبينما أنتجت بعض الطرق التقلية نماذج تحتوي على مئات أو حتى آلاف الحدود الرياضية، مما يجعل تفسيرها صعباً على البشر، اختار النهج الجديد عادةً ما بين أربع إلى اثنتي عشرة قطعة فقط لبناء نموذج فعال. أدى هذا إلى جعل المعادلة النهائية ليست دقيقة فحسب، بل أيضاً قصيرة بما يكفي لتكون سهلة الفهم والفحص. وجد الباحثون أن أفضل توازن بين الدقة والبساطة تم تحقيقه عندما اقترن النهج الجديد بنوع معين من خوارزميات تعلم الآلة يُعرف باسم "الغابة العشوائية" (Random Forest)، والتي عملت كصانع القرار النهائي باستخدام القطع الرياضية المختارة.
كما سلطت الدراسة الضوء على أن نجاح الطريقة اعتمد على مدى عمل القطع الرياضية معاً. فالقطعة التي قد تبدو ضعيفة في عزلتها يمكن أن تصبح لاعباً نجماً عند اقترانها بجيران مناسبين. ومن خلال التركيز على هذه العلاقات التعاونية بدلاً من مجرد قوة القطع الفردية، تجنب النظام ازدحام الصيغ الزائدة أو عديمة الفائدة. أثبت هذا النهج أنه بديل قابل للتطبيق للطرق التطورية التقليدية القائمة على القوة الغاشمة، مما يوفر وسيلة لاكتشاف قواعد رياضية واضحة من بيانات معقدة دون الحاجة إلى الأعباء الحسابية الهائلة. ويشير العمل إلى أنه من خلال التفكير في كيفية تفاعل ميزات البيانات ودعم بعضها البعض، يمكننا بناء نماذج أكثر ذكاءً ونقاءً وفهماً للمستقبل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.