UASPL: منهجية جديدة للتعلم الذاتي في الشبكات العصبية تأخذ في الحسبان عدم اليقين في التنبؤات

وصف باحثون في يوليو 2026، في ورقة بحثية على arXiv، طريقة UASPL (Uncertainty-Aware Self-Paced Learning). وهي تعديل على self-paced learning يراعي موثوقية تنبؤات النموذج، لا حجم خطئه فحسب، وذلك باستخدام evidential neural networks وإطار Subjective Logic.

ما المشكلة في self-paced learning التقليدي

يُعدّ self-paced learning (SPL) من الأساليب الشائعة في تدريب الشبكات العصبية، وهو يحاكي طريقة تعلّم الإنسان: تبدأ الشبكة بـ«تعلّم» الأمثلة البسيطة، ثم تنتقل تدريجيًا إلى الأمثلة الأعقد، مسترشدةً بقيمة دالة الخسارة (loss) على كل عيّنة. والمنطق هنا بسيط: كلما قلّ خطأ النموذج على مثال ما، عُدّ هذا المثال «أسهل»، وأُدرج في التدريب في وقت أبكر.

ويشير مؤلفو UASPL إلى نقطة ضعف في هذا المنطق: فانخفاض قيمة loss لا يعني دائمًا أن تنبؤ النموذج موثوق فعلًا. فقد يُسجّل النموذج خطأً أقل من حقيقته على مثال هو في الواقع صعب أو يحتوي على ضوضاء. عندئذٍ تحسبه الخوارزمية «سهلًا» خطأً، فتتدرّب عليه قبل أوانه، وقد يترسّخ بذلك نمط خاطئ.

كيف تعمل UASPL

لمعالجة هذه المشكلة، اقترح المؤلفون إدخال تقدير لعدم اليقين في التنبؤ ضمن عملية اختيار الأمثلة، وذلك عبر evidential neural networks، وهي بنية تُخرج، إلى جانب التنبؤ نفسه، تقديرًا لمدى الثقة فيه. وقد صيغ هذا التقدير ضمن إطار Subjective Logic، وهو أداة رياضية لوصف الأحكام غير المؤكدة، يقترن فيها كل ادعاء بدرجة الثقة فيه.

ويندرج هذا النهج في اتجاه أوسع هو evidential deep learning: فبدلًا من أن تُخرج الشبكة رقمًا واحدًا لاحتمال الفئة، كما في تصنيف softmax المعتاد، تتعلّم تقدير «الثقة في ثقتها» أيضًا. وعمليًا، يتيح ذلك التمييز بين حالة يفهم فيها النموذج المثال جيدًا فعلًا، وحالة جاء فيها انخفاض loss مصادفةً، كأن يكون ناتجًا عن ضوضاء في الوسم أو عن توزيع غير نمطي للخصائص في عيّنة بعينها.

• يقوم أساس الطريقة على دالة خسارة عامة تنطبق على أنواع مختلفة من self-paced learning، لا على تنفيذ واحد محدد فحسب
• تؤدي دالة الخسارة مهمتين في آن واحد: تقدّر عدم اليقين، وتحدّد أفضلية اختيار أمثلة التدريب التالية
• يوفّر هذا الربط قابلية التفسير: إذ يتضح سبب اختيار مثال معيّن أو تأجيله
• اختُبرت الطريقة على عدة مجموعات بيانات في مهام التصنيف
• الشيفرة المصدرية للطريقة متاحة للعموم على GitHub (المستودع treelife979/UASPL)

ماذا أظهرت التجارب

بحسب نتائج الاختبارات على عدة مجموعات بيانات، تفوّقت UASPL على طرق self-paced learning الأخرى في ثلاثة محاور معًا: دقة التصنيف، وقابلية تفسير عملية انتقاء العيّنات، وgenerality، أي القدرة على الحفاظ على الفاعلية عند الانتقال إلى مهام ومجموعات بيانات مختلفة، لا في الإعداد الذي ضُبطت الطريقة عليه في الأصل فحسب.

ماذا يعني ذلك

بالنسبة إلى الفرق التي تدرّب نماذجها على بيانات حقيقية غير مُوسَّمة بإتقان، تقدّم UASPL مبدأً أكثر حذرًا في curriculum learning: ليس «الأسهل أولًا»، بل «الأكثر موثوقية أولًا». وقد يقلّل ذلك من خطر أن يُرسّخ النموذج، في المراحل المبكرة من التدريب، أنماطًا خاطئة بسبب أمثلة مشوّشة لكنها «سهلة» شكليًا. وهذا مهم خصوصًا في المهام التي تُجمع بياناتها آليًا ولا تخضع لمراجعة يدوية، مثل وسم الصور الطبية، أو إدارة المحتوى الذي ينشئه المستخدمون، أو جمع بيانات الحساسات من الأنظمة الصناعية.

ويكتسب وصف الطريقة في الورقة بأنها «دالة خسارة عامة» قابلة للتوسعة إلى أنواع مختلفة من self-paced learning أهمية عملية: فبوسع الفرق ألّا تُعيد كتابة مسار التدريب بأكمله من الصفر، بل أن تكيّف مخطط SPL القائم لديها بإضافة تقدير عدم اليقين إليه. كما أن الشيفرة المفتوحة على GitHub تخفّض عتبة الدخول لاختبار الطريقة على مجموعات البيانات الخاصة بكل فريق. وهذا ذو قيمة خاصة في المواضيع البحثية الضيقة التي لا توجد لها حتى الآن تطبيقات صناعية جاهزة.