CoCoNet: : Convex Conformal Network for Multi-Dimensional Uncertainty Regions

في عالم علم البيانات، غالبًا ما يكون التنبؤ برقم واحد أمرًا مباشرًا، لكن التنبؤ بمجموعة من النتائج المترابطة يمثل تحديًا مختلفًا تمامًا. فعندما يتنبأ نموذج ما بالمستقبل، فإنه نادرًا ما يقدم نقطة واحدة مثالية؛ بل يجب عليه تقديم نطاق من النتائج المحتملة لمراعاة عدم اليقين. وبالنسبة للتنبؤات البسيطة، قد يكون هذا النطاق عبارة عن فاصل زمني واحد. ومع ذلك، عندما نتنبأ بأشياء متعددة في آن واحد — مثل الموقع المستقبلي لسيارة في ثلاثة أبعاد، أو درجة الحرارة والرطوبة وسرعة الرياح في محطة أرصاد جوية — فإن عدم اليقين يشكل شكلًا معقدًا متعدد الأبعاد. والهدف هو رسم حدود حول هذه الاحتمالات تكون ضيقة بما يكفي لتكون مفيدة لاتخاذ القرار، وواسعة بما يكفي لتكون موثوقة. فإذا كانت الحدود فضفاضة للغاية، فإنها لا تقدم توجيهًا عمليًا؛ وإذا كانت ضيقة للغاية، فإنها تخاطر بفقدان النتيجة الفعلية. ويكمن التحدي في تشكيل هذا الحد بحيث يتناسب مع الهندسة الحقيقية وغير المنتظمة لعدم اليقين، بدلاً من حشره في شكل محدد مسبقًا وصلب مثل صندوق أو كرة.

لقد طور فريق من الباحثين في معهد جورجيا للتكنولوجيا طريقة جديدة تسمى CoCoNet لحل هذه المشكلة. ويركز عملهم على إنشاء مناطق تنبؤ ليست فقط مضمونة رياضيًا بأنها صحيحة بنسبة مئوية معينة من الوقت، بل هي أيضًا أصغر حجمًا وأكثر كفاءة قدر الإمكان. تعتمد الطرق التقليدية غالبًا على قوالب هندسية ثابتة، مثل تمديد شكل بيضاوي أو مستطيل ليتناسب مع البيانات. ورغم أن هذه الأشكال سهلة التعامل، إلا أنها تفشل عندما يكون عدم اليقين الحقيقي مائلًا، أو غير متماثل، أو له شكل معقد وغير منتظم. وقد وجد الباحثون أنه من خلال تعليم الكمبيوتر تعلم شكل عدم اليقين مباشرة من البيانات، مع فرض قاعدة صارمة تقضي بأن يكون الشكل محدبًا (Convex) — أي أنه لا يحتوي على انبعاجات للداخل أو ثقوب — استطاعوا إنشاء مناطق تنبؤ تتكيف تمامًا مع بنية البيانات.

يتضمن جوهر نهجهم عملية مكونة من خطوتين. أولاً، يتعلم النظام دالة تسجيل (Scoring Function) تقيس مدى "المفاجأة" التي تمثلها نتيجة محتملة مقارنة بتنبؤ قياسي. ومن الأهمية بمكان أن تكون دالة التسجيل هذه محدبة، مما يضمن أن منطقة النتائج المحتملة الناتجة هي شكل واحد صلب بدون فجوات. اختبر الباحثون نسختين من هذا النظام: إحداهما تبني الأشكال باستخدام سلسلة من المستويات المسطحة المتصلة، بشكل يشبه ورقة مطوية، والأخرى تستخدم بنية شبكة عصبية عالية المرونة قادرة على تشكيل الشكل بأي طريقة تقريبًا. ثم قاموا بمعايرة هذه الأشكال المتعلمة باستخدام مجموعة منفصلة من البيانات لضمان وفائها بضمان التغطية المطلوب. وهذا يعني أنه إذا تم ضبط النظام ليكون واثقًا بنسبة 90%، فإن النتيجة الفعلية ستقع داخل المنطقة المتوقعة 90% من الوقت، بغض النظر عن توزيع البيانات الأساسي.

ولاختبار طريقتهم، طبق الباحثون هذا النهج على ثلاثين مشكلة مختلفة من العالم الحقيقي، تتراوح من التنبؤ بحركة المركبات ذاتية القيادة إلى تقدير استهلاك الطاقة في المباني وتحليل الخصائص الكيميائية للجزيئات. تضمنت هذه المهام التنبؤ بما يصل إلى ستة عشر نتيجة مختلفة في وقت واحد. وقارنوا طريقتهم الجديدة بالعديد من التقنيات الموجودة، بما في ذلك تلك التي تنتج مستطيلات أو أشكال بيضاوية بسيطة أو أشكالًا معيارية أخرى. وكانت النتائج مذهلة؛ حيث أنتجت النسخة الأكثر مرونة من نظامهم، والتي تستخدم الشبكة العصبية لتعلم الشكل، مناطق تنبؤ أكثر كفاءة في اثنين وعشرين مهمة من أصل ثلاثين. وفي كثير من الحالات، كانت المناطق التي أنشأتها أصغر بكثير من المناطق التي أنتجتها أفضل الطرق الموجودة، مما يعني أنها يمكن أن توفر حدودًا أكثر إحكامًا وفائدة على عدم اليقين دون التضحية بالموثوقية.

كما استكشفت الدراسة ما يحدث عندما لا يتناسب عدم اليقين الأساسي مع نمط منظم. ففي الاختبارات الاصطناعية حيث اتخذ عدم اليقين الحقيقي شكل مثلث أو شبه منحرف، عانت الطرق القياسية، وغالبًا ما أنتجت مناطق كبيرة وغير فعالة تستهلك مساحة كبيرة لتغطية المنطقة الصحيحة. في المقابل، تعلمت الط പുതിയ الجديدة الهندسة الدقيقة لهذه الأشكال، مما خلق مناطق تنبؤ تلتصق بالبيانات عن قرب. وحتى في الحالات التي كان فيها عدم اليقين بيضاويًا تقريبًا، كان أداء الطريقة الجديدة مساويًا أو أفضل من الطرق المصممة خصيصًا للأشكال البيضاوية، مما يثبت تعدد استخداماتها. وقد أظهر الباحثون أنه من خلال السماح بتعلم الشكل من البيانات بدلاً من فرضه من الخارج، يمكن للنظام التقاط التباينات الدقيقة والارتباطات بين النتائج المختلفة التي فاتتها الطرق الأخرى.

هذا العمل مهم لأن جودة منطقة التنبؤ تؤثر بشكل مباشر على القرارات المتخذة بناءً عليها. ففي مجالات مثل الروبوتات، أو التمويل، أو نمذجة المناخ، تتيح معرفة الحدود الدقيقة لعدم اليقين تخطيطًا أكثر أمانًا وفعالية. فمنطقة التنبؤ التي تكون كبيرة بلا داعٍ تجبر صناع القرار على الاستعداد لسيناريوهات الأسوأ التي قد لا تحدث، مما يؤدي إلى استخدام غير فعال للموارد. وعلى العكس من ذلك، فإن المنطقة التي تكون صغيرة جدًا قد تفقد النتيجة الفعلية، مما يؤدي إلى إخفاقات كارثية. ومن خلال توفير طريقة لإنشاء مناطق تنبؤ سليمة رياضيًا وفعالة هندسيًا، تقدم هذه الطريقة الجديدة أداة أكثر موثوقية للتنقل عبر عدم اليقين في البيئات المعقدة متعددة الأبعاد. لقد أتاح الباحثون الكود والبيانات الخاصة بهم، مما يسمح للآخرين بتطبيق هذا النهج على مشكلاتهم الخاصة، مما يسد الفجوة بين الضمانات النظرية والأداء العملي العالي في تحديد كمية عدم اليقين.