مرجع
آخر الزيارات

التعلم الجماعي

822 كلمة•0 مشاهدة•🗒️ منذ يوم
باختصار: في الإحصائيات والتعلم الآلي، يستعمل التعلم الجماعي أو أساليب الفرقة خوارزميات تعلم متعددة للحصول على أداء تنبؤي أفضل مما يمكن الحصول عليه من أي خوارزميات التعلم التأسيسية وحدها. تتناول المقالة 3 أقسام، منها «نظرية التعلم الجماعي»، «الإطار الهندسي» و«نظرة عامة».
المحتويات
  1. نظرية التعلم الجماعي
  2. الإطار الهندسي
  3. نظرة عامة

تعريفًا بالموضوع، في الإحصائيات والتعلم الآلي، يستعمل التعلم الجماعي أو أساليب الفرقة خوارزميات تعلم متعددة للحصول على أداء تنبؤي أفضل مما يمكن الحصول عليه من أي خوارزميات التعلم التأسيسية وحدها. على عكس الفرقة الإحصائية في الميكانيكا الإحصائية، والتي عادة ما تكون لا نهائية، يتكون التعلم الآلي الجماعي من مجموعة محدودة محددة من النماذج البديلة، ولكنها تسمح عادةً بوجود بنية أكثر مرونة بين تلك البدائل. وفيما يلي تفاصيل أوسع عن ذلك.

نظرية التعلم الجماعي

في هذا الإطار، ورغم أن الأمر قد يبدو غير بديهي، إلا أن الخوارزميات الأكثر عشوائية (مثل أشجار القرار العشوائية) يمكن أن تُستعمل لإنتاج نموذج جماعي أقوى من الخوارزميات المدروسة جدًا (مثل أشجار القرار خافضة الاعتلاج).

علاوةً على ذلك، بيد أنه قد ثَبُت أن استخدام مجموعة متنوعة من خوارزميات التعلم القوية هو أكثر فعالية من استخدام تقنيات تحاول إضعاف النماذج بغرض تعزيز التنوع. من الممكن زيادة التنوع في مرحلة تدريب النموذج باستخدام الارتباط لمهام الانحدار أو باستخدام مقاييس المعلومات مثل "الاعتلاج المتقاطع" لمهام التصنيف.

وفي السياق ذاته، من الناحية النظرية، يمكن تبرير أهمية مفهوم التنوع، إذ إن الحد الأدنى لمعدل الخطأ في أي نظام جماعي يمكن تحليله إلى مكونات مثل الدقة، والتنوع، وعامل آخر.

ومن ناحية أخرى، تجريبيا، تميل التقنيات الجماعية إلى إعطاء نتائج أفضل عندما يكون هناك تنوع كبير بين النماذج. لذلك، تسعى الكثير من الطرائق الجماعية إلى تعزيز التنوع بين النماذج التي تدمجها.

الإطار الهندسي

من جهة ثانية، يمكن شرح التعلم الجماعي، بما في ذلك مهام الانحدار والتصنيف، باستخدام إطار هندسي. ضمن هذا الإطار، يمكن النظر إلى مخرجات كل مصنف فردي أو متنبئ انحدار فردي لمجموعة البيانات بأكملها كنقطة في فضاء متعدد الأبعاد. إضافة إلى ذلك، تُمثَّل النتيجة المستهدفة كذلك كنقطة في هذا الفضاء، يُشار إليها بـ "النقطة المثالية".

ومن ناحية أخرى، تستعمل المسافة الإقليدية كمقياس لقياس كل من أداء مصنف أو متنبئ انحدار فردي (بحساب المسافة بين نقطته والنقطة المثالية) ولقياس الاختلاف بين مصنفين أو متنبئي انحدار (المسافة بين نقطتيهما). هذا المنظور يحوِّل التعلم الجماعي إلى مسألة حتمية (ذات حلول محددة).

ومن جهة أخرى، مثلًا، ضمن هذا الإطار الهندسي، يمكن إثبات أن حساب متوسط مخرجات (درجات) جميع المصنفات أو المتنبئات الأساسية يمكن أن يؤدي إلى نتائج مساوية أو أفضل من متوسط (أداء) جميع النماذج الفردية. ويمكن كذلك إثبات أنه في حال استخدام آلية التثقيل المثلى (بإعطاء أوزان مثالية لكل نموذج)، فإن نهج المتوسط المُثقَّل يمكنه التفوق على أداء أي من المصنفات أو المتنبئات الفردية المكوِّنة للنموذج الجماعي، أو أن يوازي أداء أفضلها على الأقل.

نظرة عامة

وفي هذا الصدد، يتبع التعزيز عملية تكرارية عبر تدريب كل نموذج أساسي بشكل تتابعي على الأخطاء المُثقَّلة للنموذج الذي سبقه، مما يُنتج نموذجا تجميعيا (إضافيا) لتقليل أخطاء النموذج النهائي ويعرف هذا كذلك بالتعلم الجماعي التتابعي.

من جهة ثانية، جوهريًا، يُدرِّب نموذج التعلم الجماعي نموذجين على الأقل يتسمان بالانحياز العالي (ضعيفين) والتباين العالي (متنوعين) ليُدمجا في نموذج أفضل أداءً. تُدمج مجموعة النماذج الضعيفة (التي لا تُنتج نتائج تنبؤية مُرضية فرديًا) أو يُحسب متوسطها لإنتاج نموذج واحد، عالي الأداء، ودقيق، وذو تباين منخفض ليلائم المهمة المطلوبة.

وفي هذا الصدد، يتطلب تقييم تنبؤ نموذج جماعي عادة قدرا حوسبيًا أكبر من تقييم تنبؤ نموذج فردي. بمعنى ما، يمكن النظر إلى التعلم الجماعي كطريقة للتعويض عن خوارزميات التعلم الضعيفة عبر أداء الكثير من الحوسبة الإضافية.

علاوةً على ذلك، تبحث خوارزميات التعلم المُراقب ضمن فضاء الفرضيات، عن فرضية ملائمة يمكنها تقديم تنبؤات جيدة بخصوص مشكلة معينة. وحتى إن ضمّ هذا الفضاء فرضيات شديدة الملاءمة لمشكلة معينة، فقد يصعب جدا إيجاد فرضية جيدة منها.

ومن جهة أخرى، قياسا على ذلك، استعملت التقنيات الجماعية كذلك في سيناريوهات التعلم الغير مراقب، مثلًا في

وفي هذا الصدد، تشمل التطبيقات الشائعة للتعلم الجماعي الغابات العشوائية (وهي امتداد للتكييس)، ونماذج الأشجار المُعززة، ونماذج أشجار

من جانب آخر، تُستعمل الخوارزميات السريعة مثل أشجار القرار، بشكل شائع في الطرائق الجماعية (مثل الغابات العشوائية)، رغم أن الخوارزميات الأبطأ يمكنها الاستفادة من التقنيات الجماعية كذلك.

كذلك، . وعادة ما تكون النماذج المستعملة في التكديس مُصممة لمهام محددة جدا، مثل دمج تقنيات "العنقَدة" مع تقنيات أخرى مَعْلَمية و (أو) لا معلمية.

وفي هذا الصدد، يتكون التكديس أو الدمج من نماذج أساسية مختلفة، يدرب كل منها بشكل مستقل (أي متنوعة وذات تباين عال) لتُدمج في النموذج الجماعي مما يُنتج مجموعة جماعية متوازية غير متجانسة.

أو في اكتشاف الشذوذ.

وفي هذا السياق، يشير التعلم الجماعي عادةً إلى تقنيات التكييس ، أو التعزيز، أو التكديس أي الدمج لإحداث تباين عالٍ بين النماذج الأساسية.

من جهة ثانية، يُدرِّب التعلم الجماعي خوارزميتين أو أكثر من خوارزميات تعلم الآلة على مهمة محددة، كتبويب البيانات أو التنبؤ بالانحدار. يُشار عموما إلى الخوارزميات داخل النموذج الجماعي بـ "النماذج الأساسية"، أو "المتعلمات الأساسية"، أو "المتعلمات الضعيفة" في الأدبيات العلمية.

وفي السياق ذاته، من ناحية أخرى، يتمثل البديل في إجراء قدر أكبر بكثير من التعلم باستخدام نموذج واحد غير جماعي. قد تكون التقنية الجماعية أكفأ في تحسين الدقة الإجمالية مقابل الزيادة نفسها في الموارد الحوسبية أو التخزينية أو الاتصالية، وذلك عبر استخدام تلك الزيادة على طريقتين أو أكثر، مقارنة بما كان سيتحقق من تحسين عبر زيادة استخدام الموارد لطريقة واحدة.

في هذا الإطار، يخلق التكييس التنوع عبر توليد عينات عشوائية من بيانات التدريب، ثم تدريب النموذج الأساسي نفسه على كل عينة منها. ويُعرف هذا كذلك بالمجموعات الجماعية المتوازية المتجانسة.

ومن جهة أخرى، تدمج التقنيات الجماعية فرضيات متعددة لتشكيل فرضية واحدة يُفترض نظريا أنها الأفضل.

من جانب آخر، يمكن بناء هذه النماذج الأساسية باستخدام خوارزمية نمذجة واحدة، أو عدة خوارزميات مختلفة. يكمن المبدأ في تدريب مجموعة متنوعة من النماذج الضعيفة على مهمة النمذجة ذاتها، بحيث تكون لمخرجات كل متعلم ضعيف قدرة تنبؤية ضعيفة (أي انحياز عالٍ)، وأن تختلف نتائجها وأخطاؤها عن بعضها البعض (أي تباينها عالٍ).

ما رأيك في هذه المقالة؟

📝 هل في هذه المقالة خطأ؟

إذا وجدت معلومة تحتاج تصحيحاً أو إضافة، أو أردت حذف المقالة، أرسل لنا طلباً وسنراجعه.