تُقيّم المقارنة الثنائية عنصرين في كل مرة لتحديد التفضيلات أو الترتيبات النسبية، بينما تُقيّم المقارنة متعددة الفئات فئات متعددة في آنٍ واحد لتصنيفها أو ترتيبها في خطوة واحدة. يخدم كلا النهجين أغراضًا متميزة في التعلم الآلي، واتخاذ القرارات، والتحليل الإحصائي.
طريقة لمقارنة عنصرين في كل مرة لاستخلاص التصنيفات أو التفضيلات أو الدرجات النسبية.
نهج تصنيف أو تقييم يتعامل مع ثلاث فئات أو أكثر في وقت واحد في نموذج واحد.
| الميزة | المقارنة الثنائية | مقارنة متعددة الفئات |
|---|---|---|
| عدد العناصر التي تمت مقارنتها | عنصران بالضبط في كل مرة | ثلاثة فصول دراسية أو أكثر في وقت واحد |
| تنسيق الإخراج | درجة التفضيل أو الاحتمالية أو الترتيب | تصنيف الفئة أو توزيع الاحتمالات عبر الفئات |
| التعقيد الحسابي | O(n²) مقارنة لـ n عنصرًا | تنبؤ O(1) لكل حالة بعد التدريب |
| حالة الاستخدام الأساسية | الترتيب، واستنباط التفضيلات، واختبار A/B | التصنيف، والوسم، والتقسيم إلى فئات |
| التعامل مع الروابط | قد ينتج عنه دورات غير متعدية (أ>ب، ب>ج، ج>أ) | قد تحدث حالات تعادل في درجات الاحتمالية؛ وغالبًا ما يتم حلها باستخدام argmax |
| قابلية التوسع | تصبح التكلفة باهظة مع قيم n الكبيرة بسبب النمو التربيعي | يمكن توسيع نطاقها لتشمل العديد من الفئات باستخدام خوارزميات فعالة. |
| مثال على الخوارزمية | نموذج برادلي تيري، تصنيف إيلو، RankNet | سوفتماكس، الغابة العشوائية، آلة المتجهات الداعمة مع OvR/OvO |
تُبسّط المقارنة الثنائية القرارات المعقدة إلى مواجهات مباشرة أبسط. غالبًا ما تُسفر هذه الاستراتيجية التبسيطية عن أحكام بشرية أكثر موثوقية، إذ يجد الناس سهولة أكبر في مقارنة عنصرين بدلًا من ترتيب قائمة طويلة. في المقابل، تُراعي المقارنة متعددة الفئات التعقيد الكامل للمشكلة مُسبقًا، حيث تُدرّب النماذج على التمييز بين جميع الفئات في خطوة واحدة. تُمكّن هذه النظرة الشاملة من رصد الأنماط الدقيقة التي قد تغفلها عمليات التفكيك الثنائية.
في مجال تعلم الآلة، تُنشئ طرق المقارنة الثنائية أمثلة تدريبية من أزواج من العناصر، مما يُضخّم حجم مجموعة البيانات بشكل فعّال، ولكنه يُدخل أيضًا ارتباطًا بين الأمثلة المُستخلصة. أما طرق التصنيف المتعدد فتُدرّب على البيانات الأصلية المُصنّفة مباشرةً، مع إمكانية تقسيمها داخليًا؛ فمثلاً، تُدرّب طريقة "واحد مقابل الباقي" k مُصنّفًا ثنائيًا لـ k فئة، بينما تُدرّب طريقة "واحد مقابل واحد" k(k-1)/2 مُصنّفًا. ويؤثر هذا الاختيار على كلٍّ من وقت التدريب ومدى ثقة النموذج في تعميمه على بيانات غير مرئية.
تُقيّم المقارنات الثنائية باستخدام معامل تاو لكيندال، أو معامل ارتباط سبيرمان، أو دقة المقارنة الثنائية، والتي تقيس مدى تطابق الترتيب المتوقع مع الترتيب الحقيقي. يعتمد التصنيف متعدد الفئات على الدقة، والضبط، والاستدعاء، ومتوسطاتها الكلية أو الجزئية عبر الفئات. تعكس هذه الاختلافات في المقاييس انقسامات فلسفية أعمق: فالمقارنة الثنائية تهتم بالترتيب النسبي، بينما يعطي التصنيف متعدد الفئات الأولوية للتصنيف المطلق الصحيح.
عندما تكبر مجموعات العناصر، يتضاعف حجم المقارنات الثنائية بشكل هائل - فألف عنصر تتطلب ما يقارب نصف مليون مقارنة. يمكن لتقنيات أخذ العينات الذكية أو التعلم النشط التخفيف من هذه المشكلة، لكن يبقى التحدي الأساسي قائماً. تتعامل المقارنة متعددة الفئات مع العديد من التصنيفات بكفاءة أكبر عند التنبؤ، مع أن عدم توازن الفئات قد يؤثر سلباً على الأداء. عملياً، غالباً ما تظهر مناهج هجينة: التعلم الثنائي لترتيب البيانات يُغذي أطر عمل متعددة الفئات في محركات البحث وأنظمة التوصية.
لا تُستخدم المقارنة الثنائية إلا في استطلاعات تفضيلات البشر وليس لها مكان في التعلم الآلي الحديث.
يُعدّ التعلّم الثنائي أساسًا لأنظمة التصنيف المتطورة، بدءًا من خوارزميات بحث جوجل وصولًا إلى التعلّم المعزز من خلال التغذية الراجعة البشرية (RLHF) في نماذج اللغة الضخمة. ولا يزال هذا النهج ذا أهمية بالغة لتدريب الذكاء الاصطناعي على التوافق مع القيم والتفضيلات البشرية.
يتطلب التصنيف متعدد الفئات دائمًا بيانات أكثر من الأساليب الثنائية.
تعتمد متطلبات البيانات بشكل كبير على بنية المشكلة. يمكن لأساليب المقارنة الثنائية توليد المزيد من أمثلة التدريب من خلال إنشاء أزواج من بيانات محدودة، على الرغم من أن هذه الأمثلة المشتقة ليست مستقلة. قد تحتاج أساليب التصنيف المتعدد إلى بيانات إجمالية أقل إذا كانت الفئات منفصلة ومتوازنة بشكل جيد.
استراتيجية المقارنة بين فئات متعددة (واحد ضد واحد) هي نفسها استراتيجية المقارنة الثنائية.
على الرغم من أن كلا الأسلوبين يتضمنان مقارنة أزواج من التصنيفات، إلا أن أسلوب المقارنة الثنائية يُدرّب مصنفات ثنائية منفصلة لكل زوج من التصنيفات، ثم يجمع الأصوات، لينتج تصنيفًا واحدًا. أما المقارنة الثنائية الحقيقية فتهدف إلى إنتاج ترتيب أو هيكل تفضيلات كامل، وليس مجرد نتيجة تصنيف.
تُنتج طرق المقارنة الثنائية دائمًا تصنيفات متسقة ومتعدية.
يمكن أن تنتهك التفضيلات البشرية وحتى تنبؤات النماذج خاصية التعدي، مما يخلق دورات حيث يفضل A على B، وB على C، وC على A. ويتطلب التعامل مع هذه التناقضات تقنيات متخصصة مثل الترتيب الطيفي أو إرضاء القيود.
لا تستطيع النماذج متعددة الفئات إخراج تصنيفات، بل فقط تصنيفات منفصلة.
تُخرج معظم المصنفات متعددة الفئات درجات احتمالية عبر جميع الفئات، والتي يمكن ترتيبها بسهولة. ويكمن الفرق في هدف التدريب؛ إذ يُحسّن التصنيف متعدد الفئات التصنيف الصحيح، بينما يُحسّن الترتيب الثنائي الترتيب النسبي الصحيح.
اختر المقارنة الثنائية عندما تحتاج إلى تصنيفات تفضيلية دقيقة، خاصةً من قِبل مُقيّمين بشريين أو عندما تفتقر العناصر إلى تصنيفات فئوية واضحة. اختر المقارنة متعددة الفئات عندما تنقسم مشكلتك بشكل طبيعي إلى فئات متميزة وتحتاج إلى تنبؤات فعّالة وقابلة للتوسع. تجمع العديد من الأنظمة الواقعية، من محركات البحث إلى أنظمة التوصية بالمنتجات، بين كلا النهجين للاستفادة من نقاط قوتهما المُكمّلة.
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.
