On the Hyper-Parameters and the Scoring Functions of PCTABU and PCHC Bayesian Network Algorithms

في المشهد الشاسع للبيانات، حيث تتفاعل آلاف المتغيرات بطرق غالباً ما تكون مخفية عن الأنظ most، سعى العلماء طويلاً لإيجاد طريقة لرسم الخرائط للخيوط غير المرئية للسبب والنتيجة. تخيل أنك تحاول فهم آلة معقدة من خلال النظر فقط إلى المنتج النهائي؛ قد ترى أن تدوير أحد المقابض يجعل ضوءاً يومض، لكنك لن تعرف ما إذا كان هذا المقبض قد تسبب في إضاءة المصباح مباشرة، أم أنه أطلق سلسلة من التفاعلات عبر أجزاء أخرى. ولحل هذه المعضلة، يستخدم الباحثون أداة تسمى "الشبكة البايزية" (Bayesian network). فكر فيها كخريطة لمدينة ليست شوارعها مجرد طرق، بل هي خطوط تأثير مباشرة. في هذه الخريطة، تمثل كل نقطة متغيراً، مثل قراءة درجة الحرارة أو سعر سهم، وتوضح الأسهم التي تربط بينها أي المتغيرات تؤثر مباشرة في غيرها. هذه الخرائط ليست مجرد رسومات ثابتة؛ بل هي محركات قوية للتنبؤ والفهم، تُستخدم في مجالات تتراوح من التمويل إلى الطب للكشف عن البنية الحقيقية لكيفية عمل العالم. ومع ذلك، فإن بناء خريطة دقيقة من البيانات الخام يعد لغزاً صعباً. فالبيانات وحدها لا تخبرك أي الاتصالات حقيقية وأيها مجرد مصادفات، لذا يجب على الباحثين الاعتماد على قواعد رياضية لتقرير أي الأسهم يتم رسمها وأيها يتم مسحه.

لقد شرع باحثان، فولكان سيفينتش وميخائيل تساجريس، في تحسين عملية رسم هذه الخرائط. فقد ركزا على نوع محدد من الخوارزميات، وهي مجموعة من التعليمات التي تتبعها الحواسيب لتعلم بنية الشبكة من البيانات. وبينما أظهرت الطرق السابقة بالفعل نتائج واعدة، تساءل الباحثان عما إذا كان يمكن تحسين الأدوات المحددة المستخدمة في التنقل عبر البحث عن أفضل خريطة. فقد قدما طريقة جديدة تسمى PCTABU، والتي تجمع بين طريقة قياسية لرسم المخطط الأولي للشبكة وتقنية بحث أكثر تطوراً تسمى "البحث التابو" (Tabu search). ثم وضعا هذه الطة الجديدة في مواجهة مباشرة مع طريقة قائمة ومعترف بها تسمى PCHC، والتي تستخدم تقنية بحث أبسط وأكثر مباشرة تُعرف باسم "تسلق التل" (hill-climbing). ولضمان اختبار عادل، لم يعتمدا على النظرية فحسب؛ بل أخضعا كلتا الطريقتين لاختبار صارم باستخدام كمية هائلة من البيانات. لقد اختبرتاهما على ثماني شبكات من العالم الحقيقي كانت تُستخدم كمعايير مرجعية من قبل المجتمع العلمي لسنوات، بالإضافة إلى آلاف الشبكات المحاكات التي تم إنشاؤها لمحاكاة مستويات مختلفة من التعقيد. وفي كل اختبار، قاما أيضاً بتغيير القواعد الرياضية المستخدمة للحكم على جودة الخريطة، حيث قارنا ثلاثة أنظمة مختلفة للتنقيط (scoring systems) لمعرفة أي منها يساعد الخوارزميات في العثور على الحقيقة.

كشفت نتائج هذه المقارنة الواسعة عن نمط واضح يعتمد بشكل كبير على طبيعة الشبكة قيد الدراسة. فعندما اختبر الباحثون الخوارزميات على شبكات كثيفة، بمعنى أن المتغيرات مترابطة بشدة مع وجود العديد من الأسهم التي تشير في جميع الاتجاهات، أدت طريقة PCTABU الجديدة وطريقة PCHC القديمة أداءً متطابقاً تقريباً؛ حيث كان كلاهما جيداً بنفس القدر في العثور على البنية الصحيحة. ومع ذلك، تغيرت القصة عندما نظروا إلى الشبكات المتفرقة (sparse)، حيث تمتلك المتغيرات اتصالات أقل وتكون الخريطة أكثر انفتاحاً. في هذه الشبكات الأقل ازدحاماً، تفوقت خوارزمية PCTABU الجديدة باستمرار على الخوارزمية الأقدم. ووجد الباحثون أن هذا التفوق كان أكثر وضوحاً في الشبكات التي كان فيها متوسط عدد الاتصالات لكل متغير منخفضاً. ويكمن سبب هذا النجاح في كيفية سلوك تقنيتي البحث. فأسلوب "تسلق التل" القديم يشبه متنزهاً لا يتخذ خطوة إلا إذا كانت تؤدي مباشرة إلى مكان أعلى في الجبل؛ فإذا استوى المسار أو أدى إلى قمة صغيرة تبدو وكأنها القمة، يتوقف المتنزه. في المقابل، فإن طريقة "التابو" الجديدة تشبه متنزهاً يحتفظ بملاحظة ذهنية عن المسارات التي سلكها للتو ويرفض السير فيها مرة أخرى فوراً. وهذا يسمح للطريقة الجديدة بالتحرك جانبياً أو حتى النزول قليلاً للأسفل للهروب من قمة صغيرة والعثور على قمة جبل أعلى بكثير فاتته الطريقة الأبسط. وقد ثبت أن القدرة على الاستكشاف على نطاق أوسع كانت حاسمة في فك تشابك الشبكات الأبسط والأكثر تفرقاً.

وعلاوة على اختيار طريقة البحث، حسمت الدراسة نقاشاً حول القواعد المستخدمة للحكم على جودة الخرائط. فقد اختبر الباحثون ثلاث وظائف تنقيط مختلفة، وهي الصيغ الرياضية التي تخبر الحاسوب ما إذا كانت الشبكة المقترحة جيدة أم سيئة. وقد أظهرت إحدى هذه الوظائف، والمعروفة باسم "درجة الاحتمال الأقصى" (log-likelihood score)، أسوأ النتائج باستمرار. وأوضح الباحثون أن هذه الطريقة متحمسة جداً لإرضاء البيانات؛ فهي تكافئ إضافة المزيد والمزيد من الأسهم إلى الخريطة لأن الخريطة الأكثر كثافة يمكنها دائماً ملاءمة نقاط البيانات الموجودة بشكل مثالي. وهذا يؤدي إلى "الفرط في التخصيص" (overfitting)، حيث تصبح الخريطة مزدحمة جداً باتصالات غير ضرورية مما يجعلها تفشل في التنبؤ بأي شيء جديد. وفي المق المقابل، تضمنت الطريقتان الأخريان، وهما "بايز ديليتريك المكافئ" (Bayesian Dirichlet equivalent) و"معيار المعلومات البايزي" (Bayesian information criterion)، عقوبة على إضافة الكثير من الاتصالات. وقد عملت هاتان الطريقتان كمرشح (فلتر)، مما يمنع الخوارزميات من رسم أسهم ليست ضرورية حقاً. ووجدت الدراسة أن هاتين الطريقتين كانتا تعملان بكفاءة متساوية تقريباً وكانت أفضل بكثير من درجة الاحتمال الأقصى. وهذا يشير إلى أنه لأي شخص يحاول تعلم بنية شبكة من البيانات، فمن الأفضل استخدام نظام تنقيط يقدر البساطة ويعاقب على التعقيد غير الضروري.

كما نظر الباحثون في الوقت الذي تستغرقه هذه الطرق للتشغيل، ووجدوا أن خوارزمية PCTABU الجديدة لم تتطلب وقتاً أكثر بشكل ملحوظ من طريقة PCHC القديمة، على الرغم من أنها تقوم بعملية بحث أكثر تعقيداً. وهذا يعني أن التحسن في الدقة في الشبكات المتفرقة يأتي دون تكلفة باهظة في قدرة الحوسبة. وبينما لم تظهر الطريقة الجديدة ميزة واضحة في الاختبارات المحاكات، التي استخدمت شبكات تم إنشاؤها عشوائياً، إلا أن اختبارات العالم الحقيقي كانت حاسمة. فالشبكات الواقعية، التي غالباً ما تمتلك هياكل غير منتظمة وفريدة، وفرت البيئة التي جعلت قدرة الطريقة الجديدة على الهروب من الفخاخ المحلية تصنع الفارق. وتخلص الدراسة إلى أنه بينما تظل الطريقة القديمة خياراً قوياً للشبكات الكثيفة جداً، فإن خوارزمية PCTABU الجديدة تقدم ميزة متميزة للعديد من مشكلات العالم الحقيقي حيث لا تكون المتغيرات متراصة بإحكام. ومن خلال الجمع بين رسم تخطيطي أولي قوي واستراتيجية بحث أكثر مغامرة، وباستخدام نظام تنقيط يتجنب فخ الإفراط في التعقيد، يمكن للباحثين الآن بناء خرائط أكثر دقة للعلاقات السببية التي تحكم عالمنا.