ما هو التعلم المتعاون؟

واحدة من أكثر تقنيات التعلم الآلي قوة هي التعلم المتعاون. التعلم المتعاون هو استخدام عدة نماذج للتعلم الآلي لتحسين موثوقية ودقة التنبؤات. ومع ذلك ، كيف يؤدي استخدام عدة نماذج للتعلم الآلي إلى تحسين دقة التنبؤات؟ ما هي التقنيات المستخدمة لإنشاء نماذج التعلم المتعاون؟ سنستكشف الإجابة على هذه الأسئلة ، مع النظر في العقلية وراء استخدام نماذج التعلم المتعاون والطرق الأساسية لإنشاء نماذج التعلم المتعاون.

ما هو التعلم المتعاون؟

ببساطة ، التعلم المتعاون هو عملية تدريب عدة نماذج للتعلم الآلي ودمج مخرجاتها معًا. النماذج المختلفة تستخدم كقاعدة لإنشاء نموذج تنبؤي مثالي. يمكن أن ي cải thiện استقرار النموذج العام من خلال دمج مجموعة متنوعة من النماذج الفردية للتعلم الآلي ، مما يؤدي إلى تحسين دقة التنبؤات. غالباً ما تكون نماذج التعلم المتعاون أكثر موثوقية من النماذج الفردية ، ونتيجة لذلك ، غالباً ما تحتل المرتبة الأولى في العديد من مسابقات التعلم الآلي.

هناك تقنيات مختلفة يمكن لمهندس استخدامها لإنشاء نموذج تعلم متعاون. تشمل تقنيات التعلم المتعاون البسيطة أشياء مثل تحويل متوسط مخرجات مختلفة من النماذج ، في حين أن هناك طرقًا أكثر تعقيدًا ومطورًا خصيصًا لدمج تنبؤات العديد من النماذج الأساسية معًا.

لماذا نستخدم طرق التدريب المتعاون؟

يمكن أن تختلف نماذج التعلم الآلي عن بعضها البعض لأسباب مختلفة. قد تعمل نماذج التعلم الآلي المختلفة على عينات مختلفة من بيانات السكان ، وقد يتم استخدام تقنيات نمذجة مختلفة ، وقد يتم استخدام فرضية مختلفة.

تخيل أنك تلعب لعبة ترفيهية مع مجموعة كبيرة من الناس. إذا كنت في فريق بمفردك ، فمن المؤكد أن هناك مواضيع معينة لديك معرفة بها ومواضيع كثيرة لا تعرفها. الآن افترض أنك تلعب في فريق مع أشخاص آخرين. مثل你 ، سيكون لديهم بعض المعرفة المتعلقة بمهاراتهم الخاصة ولا معرفة بمواضيع أخرى. ومع ذلك ، عندما يتم دمج معرفتك ، سيكون لديك تخمينات أكثر دقة لمجالات أكثر ، وتنخفض عدد المواضيع التي يفتقر فريقك إلى معرفة بها. هذا هو نفس المبدأ الذي يقوم عليه التعلم المتعاون ، حيث يتم دمج تنبؤات أعضاء الفريق المختلفين (النماذج الفردية) لتحسين الدقة وتقليل الأخطاء.

أثبت الإحصائيون أن عندما يُطلب من حشد من الناس تخمين الإجابة الصحيحة لسؤال معين مع مجموعة من الإجابات الممكنة ، تكون إجاباتهم جميعًا توزيعًا احتماليًا. الأشخاص الذين يعرفون الإجابة الصحيحة سوف يختارون الإجابة الصحيحة بثقة ، بينما سيوزع الأشخاص الذين يختارون إجابات خاطئة تخميناتهم عبر مجموعة الإجابات الخاطئة الممكنة.回到 مثال لعبة الترفيه ، إذا كنت وأصدقاؤك الثلاثة تعرفون الإجابة الصحيحة هي A ، فسوف تصوتون جميعًا لصالح A ، بينما سوف يختار الأشخاص الثلاثة الآخرون في فريقك إجابات خاطئة مثل B أو C أو D أو E. النتيجة هي أن A سوف يحصل على ثلاثة أصوات ، بينما الإجابات الأخرى سوف تحصل على صوت أو صوتين على الأكثر.

جميع النماذج تحتوي على بعض الأخطاء. أخطاء نموذج معين ستكون مختلفة عن أخطاء النموذج الآخر ، حيث أن النماذج نفسها مختلفة للأسباب المذكورة أعلاه. عندما يتم فحص جميع الأخطاء ، لن تكون متركزة حول إجابة معينة أو أخرى ، بل ستكون منتشرة. التخمينات الخاطئة هي أساساً منتشرة عبر جميع الإجابات الخاطئة الممكنة ، مما يؤدي إلى إلغائها. في الوقت نفسه ، ستكون التخمينات الصحيحة من النماذج المختلفة متركزة حول الإجابة الصحيحة. عندما يتم استخدام طرق التدريب المتعاون ، يمكن العثور على الإجابة الصحيحة بثقة أكبر.

طرق التدريب المتعاون البسيطة

تتضمن طرق التدريب المتعاون البسيطة عادةً تطبيق تقنيات إحصائية وصفية ، مثل تحديد الوضع أو المتوسط أو المتوسط المرجح لمجموعة من التنبؤات.

الوضع هو العنصر الأكثر تكرارًا في مجموعة من الأرقام. من أجل الحصول على الوضع ، تعيد النماذج الفردية للتعلم الآلي تنبؤاتها وتعتبر هذه التنبؤات كأصوات نحو التنبؤ النهائي. يتم تحديد متوسط التنبؤات ببساطة عن طريق حساب المتوسط الحسابي للتنبؤات ، ومقرب إلى أقرب عدد صحيح. أخيراً ، يمكن حساب المتوسط المرجح عن طريق تعيين أوزان مختلفة للنماذج المستخدمة لإنشاء التنبؤات ، حيث تمثل الأوزان أهمية النموذج. يتم ضرب التمثيل الرقمي للتنبؤ بالفئة مع وزن من 0 إلى 1.0 ، ثم يتم جمع التنبؤات المرجحة الفردية معًا ، وينتج عنها تقريب إلى أقرب عدد صحيح.

طرق التدريب المتعاون المتقدمة

هناك ثلاث تقنيات أساسية لتدريب التعلم المتعاون المتقدم ، كل منها مصمم للتعامل مع نوع معين من مشاكل التعلم الآلي. يتم استخدام تقنيات “التنقيب” لتقليل تباين تنبؤات نموذج ، حيث يشير التباين إلى مقدار اختلاف النتيجة عند आधار نفس الملاحظة. يتم استخدام تقنيات “التعزيز” لمكافحة انحياز النماذج. أخيراً ، يتم استخدام “التراص” لتحسين التنبؤات بشكل عام.

يمكن تقسيم طرق التعلم المتعاون نفسها بشكل عام إلى فئتين مختلفتين: طرق متتالية وطرق متوازية.

تسمى طرق التعلم المتعاون المتتالية باسم “متتالية” لأن النماذج الأساسية تُنشأ بشكل متتالي. في حالة الطرق المتتالية ، الفكرة الأساسية هي أن الاعتماد بين النماذج الأساسية يُستغل لتحقيق تنبؤات أكثر دقة. يتم تعديل أوزان الأمثلة الخاطئة بينما تحتفظ الأمثلة الصحيحة بأوزانها. يتم تغيير الأوزان كل مرة يتم إنشاء نموذج جديد ، ويتحسن الدقة (على أمل).

على عكس طرق التعلم المتعاون المتتالية ، تُنشأ النماذج الأساسية في الطرق المتوازية بشكل متوازي. عند إجراء التعلم المتعاون المتوازي ، الفكرة هي استغلال حقيقة أن النماذج الأساسية مستقلة ، حيث يمكن تقليل معدل الخطأ العام عن طريق تحويل متوسط تنبؤات النماذج الفردية.

يمكن أن تكون طرق التدريب المتعاون إما متجانسة أو غير متجانسة. معظم طرق التعلم المتعاون هي متجانسة ، مما يعني أنها تستخدم نوعًا واحدًا من نموذج أو خوارزمية التعلم الأساسية. في المقابل ، تستخدم النماذج المتعاونة غير المتجانسة خوارزميات تعلم مختلفة ، مما يضمن أن الدقة تكون أعلى قدر الإمكان.

أمثلة على خوارزميات التعلم المتعاون

تمثيل رسومي لتعزيز التعلم المتعاون. الصورة: Sirakorn via Wikimedia Commons, CC BY SA 4.0, (https://commons.wikimedia.org/wiki/File:Ensemble_Boosting.svg)

تتضمن الأمثلة على طرق التعلم المتعاون المتتالية AdaBoost و XGBoost و تعزيز الانحدار التربيعي. هذه هي جميعها نماذج تعزيز. بالنسبة لهذه نماذج التعزيز ، الهدف هو تحويل المتعلمين الضعفاء والأقل أداء إلى متعلمين أقوى. تبدأ نماذج مثل AdaBoost و XGBoost بالعديد من المتعلمين الضعفاء الذين يؤدون بشكل أفضل قليلاً من التخمين العشوائي. مع استمرار التدريب ، يتم تطبيق الأوزان على البيانات وتعديلها. يتم منح الأمثلة التي تم تصنيفها بشكل خاطئ من قبل المتعلمين في الجولات السابقة من التدريب أوزانًا أكبر. بعد تكرار هذه العملية لعدد الجولات المرغوب فيه ، يتم ربط التنبؤات معًا إما عن طريق مجموع مرجح (لمهام الانحدار) أو تصويت مرجح (لمهام التصنيف).

عملية التنقيب. الصورة: SeattleDataGuy via Wikimedia Commons, CC BY SA 4.0 (https://commons.wikimedia.org/wiki/File:Bagging.png)

تعتبر مصنف الغابة العشوائية مثالًا على نموذج متعاون متوازي ، ومثالًا على تقنية التنقيب. يأتي مصطلح “التنقيب” من “التنقيب والتجميع”. يتم أخذ عينات من مجموعة البيانات الكلية باستخدام تقنية عينة تسمى “التنقيب” ، ويتم استخدامها من قبل النماذج الأساسية لإنشاء تنبؤات.对于 مهام التصنيف ، يتم تجميع مخرجات النماذج الأساسية باستخدام التصويت ، بينما يتم تجميعها معًا لمهام الانحدار. تستخدم غابات عشوائية أشجارًا فردية كنموذج أساسي ، ويتم إنشاء كل شجرة في المجموعة باستخدام عينة مختلفة من مجموعة البيانات. يتم استخدام مجموعة فرعية عشوائية من الميزات لإنشاء الشجرة. مما يؤدي إلى أشجار فردية عشوائية للغاية ، والتي يتم دمجها معًا لتقديم تنبؤات موثوقة.

تمثيل رسومي لتراص التعلم المتعاون. الصورة: Supun Setunga via Wikimedia Commons, CC BY S.A 4.0 (https://commons.wikimedia.org/wiki/File:Stacking.png)

فيما يتعلق بتقنيات التراص ، يتم دمج عدة نماذج للانحدار أو التصنيف معًا من خلال نموذج أعلى مستوى ، نموذج siêu. يتم تدريب النماذج الأساسية من المستوى الأدنى عن طريق إطعامها بمجموعة البيانات الكلية. ثم يتم استخدام مخرجات النماذج الأساسية كسمات لتدريب النموذج الأعلى. غالبًا ما تكون نماذج التراص المتعاون غير متجانسة.