تؤدي دوال تكلفة المطابقة ودوال خسارة التصنيف أدوارًا متميزة في التعلم الآلي. تقيس تكاليف المطابقة مدى التشابه بين التطابقات المتوقعة والحقيقية، بينما تعمل خسائر التصنيف على تحسين النماذج لتصنيف المدخلات إلى فئات منفصلة. يساعد فهم الاختلافات بينهما الممارسين على اختيار الهدف المناسب لكل مهمة.
المقاييس الرياضية التي تحدد التشابه أو الاختلاف بين التطابقات المتوقعة والهدفية في مهام مثل تتبع الكائنات ومطابقة الميزات.
دوال الهدف التي تدرب النماذج على تصنيف المدخلات بشكل صحيح إلى فئات منفصلة محددة مسبقًا عن طريق معاقبة التنبؤات غير الصحيحة.
| الميزة | مطابقة دوال التكلفة | دوال خسارة التصنيف |
|---|---|---|
| الغرض الأساسي | قم بقياس مدى التشابه بين التطابقات المتوقعة والتطابقات الحقيقية. | تحسين النماذج لتخصيص المدخلات للفئات المنفصلة الصحيحة |
| نوع الإخراج | درجات التشابه أو المسافة المستمرة | توزيعات الاحتمالات على الفئات |
| أمثلة شائعة | مجموع الفروق المطلقة، مجموع الفروق المربعة، الارتباط المتقاطع المعياري | الانتروبيا المتقاطعة، فقدان المفصلة، فقدان البؤرة، تباعد كولباك-لايبير |
| التطبيقات النموذجية | تتبع الأجسام، التدفق البصري، المطابقة المجسمة، مطابقة الميزات | تصنيف الصور، تصنيف النصوص، التشخيص الطبي، تحليل المشاعر |
| الطبيعة الرياضية | مقاييس تعتمد على المسافة لمقارنة المتجهات الخام أو متجهات الميزات | مقاييس احتمالية تقارن التوزيعات المتوقعة بالتصنيفات أحادية الترميز أو التصنيفات المرنة |
| الدور في خط الأنابيب | غالباً ما تُستخدم هذه البيانات في حلول المهام مثل الخوارزمية الهنغارية | يقوم بتدريب المصنفات مباشرةً عبر خوارزمية التدرج الهبوطي على البيانات المصنفة |
| سلوك التدرج | تعتمد التدرجات على أخطاء التنبؤ الأولية، والتي غالبًا ما تكون خطية أو تربيعية. | تعتمد التدرجات على مدى ثقة التنبؤ، حيث تكون الإشارات أكثر وضوحًا للتنبؤات الخاطئة الواثقة. |
| تنسيق الملصق | القيم المستهدفة المستمرة أو الأزواج المتطابقة | مؤشرات الفئات المنفصلة أو المتجهات المشفرة بنظام الترميز الأحادي الساخن |
تُستخدم دوال تكلفة المطابقة للإجابة على سؤال بسيط: ما مدى قرب هذا التوقع من الإجابة الصحيحة؟ تُنتج هذه الدوال قيمة عددية تعكس جودة التطابق، والتي تستخدمها الخوارزميات اللاحقة لتحديد التصنيفات. في المقابل، تهدف دوال خسارة التصنيف إلى تعليم النموذج حدود الفئات. فهي تُوجّه الاحتمالات المتوقعة نحو الفئة الصحيحة مع كبح الاحتمالات الخاطئة، مما يُشكّل سطح قرار النموذج عبر العديد من أمثلة التدريب.
تعتمد تكاليف المطابقة غالبًا على مقاييس المسافة الهندسية أو الإحصائية. يجمع مقياس SAD الفروق المطلقة بين البكسلات، بينما يربع مقياس SSD هذه الفروق لزيادة العقوبة على الأخطاء الكبيرة، ويقوم مقياس NCC بتطبيع تغيرات السطوع. أما خسائر التصنيف فتستند إلى نظرية المعلومات. على سبيل المثال، يقيس الانتروبيا المتقاطعة عدد البتات اللازمة لترميز تنبؤ معين بناءً على التوزيع الحقيقي، مما يجعله مناسبًا تمامًا للمصنفات الاحتمالية.
عند بناء نظام تتبع متعدد الأجسام، يعتمد المهندسون على تكاليف المطابقة لربط عمليات الكشف عبر الإطارات، وغالبًا ما يجمعون بين مسافات تقاطع الاتحاد (IoU) وتضمينات المظهر. في مصنف التصوير الطبي لتشخيص الأورام، يوجه فقدان الإنتروبيا المتقاطعة النموذج للتمييز بين الحالات الخبيثة والحميدة. نادرًا ما تتداخل مجموعتا الوظائف بشكل مباشر، على الرغم من أن الأنظمة الهجينة تستخدم أحيانًا خسائر التصنيف لتعلم التضمينات التي تقارنها تكاليف المطابقة لاحقًا.
تُنتج تكاليف المطابقة عادةً تدرجات تتناسب مع حجم خطأ التنبؤ، مما قد يُسبب عدم استقرار عند وجود أخطاء كبيرة. أما خسائر التصنيف، مثل الإنتروبيا المتقاطعة، فتتصرف بشكل مختلف: إذ تُنتج تدرجات قوية عندما يكون النموذج خاطئًا بشكل قاطع، ولكنها تُنتج تدرجات أصغر كلما اقتربت التنبؤات من الصحة. تُساعد هذه الخاصية المصنفات على التقارب بسلاسة، بينما قد تتطلب تكاليف المطابقة ضبطًا دقيقًا لمعدل التعلم أو تطبيعًا.
نادرًا ما تُستخدم تكاليف المطابقة بشكل منفرد. تُغذّي نتائجها خوارزميات حلٍّ توافقية، مثل الخوارزمية الهنغارية أو طريقة جونكر-فولجينانت، لإنتاج تعيينات مثالية من نوع واحد إلى واحد. تتكامل خسائر التصنيف مباشرةً مع مُحسِّنات قائمة على التدرج، مثل آدم أو التدرج العشوائي، لتحديث أوزان النموذج في تمريرة عكسية واحدة. يختلف تعقيد مسار المعالجة اختلافًا كبيرًا بين الطريقتين.
اختر دالة تكلفة المطابقة عندما تتضمن مهمتك ربط التنبؤات بالأهداف، مثل ربط عمليات الكشف أو مواءمة الميزات. اختر دالة خسارة التصنيف عندما يكون هدفك هو تعليم النموذج كيفية التعرف على الفئة التي ينتمي إليها المدخل. في بعض الأنظمة المتقدمة، يظهر كلا النوعين معًا: دالة خسارة التصنيف تُدرّب شبكة تضمين، ودالة تكلفة المطابقة تُقارن هذه التضمينات أثناء الاستدلال.
يمكن استخدام دوال تكلفة المطابقة وخسائر التصنيف بشكل متبادل.
يخدم كل منهما غرضًا مختلفًا تمامًا. تقيّم تكاليف المطابقة التشابه بين الأزواج، بينما تدرب خسائر التصنيف النماذج على التنبؤ بفئات منفصلة. وعادةً ما يؤدي استبدال أحدهما بالآخر إلى نتائج ضعيفة.
يُعدّ فقدان الإنتروبيا المتقاطعة دائمًا أفضل من أنواع فقدان التصنيف الأخرى.
يعتبر الانتروبيا المتقاطعة خيارًا افتراضيًا قويًا، لكن الخسارة البؤرية غالبًا ما تتفوق عليها في مجموعات البيانات غير المتوازنة، وتبقى خسارة المفصلة منافسة لآلات المتجهات الداعمة وبعض المصنفات القائمة على الهامش.
لا تنطبق تكاليف المطابقة إلا على مهام رؤية الكمبيوتر.
على الرغم من شيوعها في مجال الرؤية، إلا أن تكاليف المطابقة تظهر أيضًا في معالجة اللغة الطبيعية لمحاذاة الكيانات، وفي المعلوماتية الحيوية لمطابقة التسلسلات، وفي أنظمة التوصية لربط المستخدم بالعنصر.
انخفاض تكلفة المطابقة يعني دائماً نموذجاً أفضل.
تقيس تكاليف المطابقة مدى التشابه بين الأزواج، وليس جودة النموذج الإجمالية. قد ينتج عن النموذج مطابقة منخفضة التكلفة ولكنها خاطئة بشكل منهجي إذا فشلت دالة التكلفة في استيعاب السمات ذات الصلة.
لا يمكن استخدام خسائر التصنيف في مسائل الانحدار.
بالمعنى الدقيق للكلمة، تتطلب خسائر التصنيف تصنيفات منفصلة. ومع ذلك، فإن الانحدار الترتيبي وبعض مهام الترتيب تُكيّف أهداف أسلوب التصنيف مع مخرجات متصلة مرتبة.
تُعالج دوال تكلفة المطابقة ودوال خسارة التصنيف مشاكل مختلفة تمامًا، لذا يعتمد الاختيار كليًا على المهمة المطلوبة. استخدم دوال تكلفة المطابقة عندما تحتاج إلى تقييم مدى تطابق التنبؤات مع الأهداف في مشاكل التتبع أو المحاذاة. اختر دوال خسارة التصنيف عندما تُدرّب نموذجًا لتصنيف المدخلات إلى فئات منفصلة، وهو ما يشمل معظم تطبيقات التعلم الخاضع للإشراف.
يُحسّن كلٌّ من RAG ونماذج LLM المُحسّنة جودة مخرجات الذكاء الاصطناعي، لكنهما يعملان بطرق مختلفة تمامًا. يستخلص RAG المعلومات الخارجية عند الاستعلام، بينما يُدمج التحسين المعرفة الجديدة مباشرةً في أوزان النموذج. ويعتمد الاختيار بينهما على مدى تكرار تغيّر البيانات ومستوى الدقة المطلوب.
تُعد آليات الانتباه الذاتي ونماذج فضاء الحالة من المناهج الأساسية لنمذجة التسلسلات في الذكاء الاصطناعي الحديث. يتفوق الانتباه الذاتي في التقاط العلاقات الغنية بين الرموز، ولكنه يصبح مكلفًا مع التسلسلات الطويلة، بينما تعالج نماذج فضاء الحالة التسلسلات بكفاءة أكبر مع التوسع الخطي، مما يجعلها جذابة للتطبيقات ذات السياق الطويل والتطبيقات الآنية.
تُعدّ آليات الانتباه أساسية في الذكاء الاصطناعي الحديث، سواءً في مجال رؤية الحاسوب أو معالجة اللغة الطبيعية، إلا أنها تخدم أغراضًا مختلفة وتطورت عبر مسارات متباينة. يساعد الانتباه في مجال الرؤية النماذج على التركيز على مناطق الصورة ذات الصلة، بينما يُمكّن الانتباه في معالجة اللغة الطبيعية من فهم العلاقات بين الكلمات في النصوص.
تجمع أساليب الممثل-الناقد بين تدرجات السياسة ودالة القيمة المُتعلمة لتقليل التباين وتسريع عملية التعلم، بينما تعتمد أساليب تدرج السياسة البحتة كليًا على السياسة وعوائد مونت كارلو. ويعتمد الاختيار بينهما على ما إذا كنت بحاجة إلى الاستقرار وكفاءة العينة أم إلى البساطة والتقديرات غير المتحيزة.
تُفصّل هذه المقارنة الاختلافات الهيكلية الأساسية، وحالات الاستخدام العملية، والمفاضلات في الأداء بين تعلّم الرسم البياني الزمني ونمذجة التسلسل التقليدية. فبينما تُجسّد نمذجة التسلسل التطورات الخطية كالنصوص أو بيانات السلاسل الزمنية، يُعالج تعلّم الرسم البياني الزمني تفاعلات الشبكة والعلاقات المتغيرة مع الزمن في آنٍ واحد، مما يُوفر لك مخططًا شاملاً لاختيار البنية المناسبة.
