Wasserstein BaryBooster يحوّل واقعية نماذج الانتشار إلى دقة في التنبؤ بالأحداث

يستطيع كثير من النماذج التنبؤ بما سيحدث لعميل مصرفي أو مريض أو طلب خلال الخطوات القليلة المقبلة. لكن قلّما حاول أحد التحقق من أن هذه التنبؤات تشبه الواقع فعلًا، وليست مجرد إصابة للمتوسط. وقد سدّ مؤلفو دراسة جديدة منشورة في Hugging Face Daily Papers هذه الفجوة: فقد جمعوا معيارًا للتنبؤ متعدد الخطوات بتسلسلات الأحداث، وأظهروا أن الدقة وواقعية التوزيع تدفعان النماذج في اتجاهين مختلفين. ثم اقترحوا خوارزمية Wasserstein BaryBooster التي توفّق جزئيًا بين الهدفين.

لماذا تُعدّ تسلسلات الأحداث حالة خاصة؟

تسلسل الأحداث هو سلسلة من الأحداث العشوائية، ويُوصَف كل حدث فيها بمجموعة من الخصائص غير المتجانسة: رقمية (مبلغ الدفع، والزمن بين الأحداث) وفئوية (نوع العملية، والتشخيص، وحالة الطلب). وتظهر هذه البيانات في القطاع المالي والرعاية الصحية وتحليل العمليات التجارية ومجالات أخرى. أما الطرق الكلاسيكية للتنبؤ بالسلاسل الزمنية فتتعامل معها بصورة ضعيفة، إذ لا يكفي توقّع رقم واحد، بل يجب توقّع مسار كامل يضم أنواعًا مختلطة من البيانات.

يصوغ المؤلفون المهمة بوصفها نمذجة توليدية شرطية. يتلقى النموذج التاريخ السابق ويجب أن يولّد امتدادًا معقولًا له لعدة خطوات إلى الأمام. وهذه الصياغة تغيّر معايير التقييم أيضًا: فلا يكفي أن يقترب التنبؤ من الواقع، بل يجب أن تبدو مجموعة المسارات المولَّدة كأنها بيانات حقيقية.

معيار يخسر فيه الجميع

يتضمن المعيار ما يلي:

• مقاييس لجانبين من الجودة: دقة التنبؤ وواقعية التوزيع؛
• خطوط أساس إحصائية قوية؛
• نماذج حديثة جرى تكييفها من مجالات مجاورة؛
• مجموعات بيانات حقيقية مختارة.

وبعد تقييم دقيق، ظهرت صورة غير مريحة: لا توجد طريقة تحقق أفضل نتيجة في الاتجاهين معًا. فالنماذج التي تبدو مساراتها طبيعية إلى أقصى حد تخسر في الدقة. أما النماذج التي تقترب باستمرار من الواقع فتنتج تسلسلات «مُلسّاة» أكثر من اللازم ولا تشبه التسلسلات الحقيقية. ويصف المؤلفون ذلك بأنه مفاضلة جوهرية.

وسبب ذلك مفهوم بالحدس. فلتقليل الخطأ، يكون من الأفضل توقّع شيء قريب من المتوسط. لكن المتوسط على أحداث عشوائية نادرًا ما يتطابق مع ما يُصادف فعلًا في البيانات. أما النموذج التوليدي فيعيد، على العكس، إنتاج التباين بأمانة، وقد يخطئ كل مسار منفرد في الوقت نفسه.

BaryBooster: الواقعية من نموذج الانتشار، والدقة من التجميع

في هذا السياق يقدّم المؤلفون Wasserstein BaryBooster. الفكرة: أخذ نموذج انتشار يتميز بمؤشر واقعية قوي، وتوليد مجموعة من العيّنات منه، ثم تجميعها في تنبؤ واحد. ويشير الاسم إلى مركز ثقل فاسرشتاين (Wasserstein barycenter)، وهو طريقة لحساب متوسط التوزيعات في هندسة النقل الأمثل. ويراعي التجميع شكل التوزيع، ولا يكتفي بأخذ المتوسط الحسابي.

وبحسب ما يذكره المؤلفون، يبلغ المتنبّئ الناتج مستوى state-of-the-art من حيث الدقة. ويدل ذلك على أن واقعية التوزيع يمكن تحويلها إلى دقة إذا جُمعت العيّنات في الإجابة النهائية بالطريقة الصحيحة. تبقى المفاضلة قائمة، لكن تظهر طريقة عملية للاستفادة من الجانب التوليدي.

ماذا يعني ذلك للممارسين

نُشرت شيفرة المعيار والخوارزمية على GitHub في المستودع xaosina/event-sequence-forecasting. وللفرق التي تتنبأ بالمعاملات ومسارات العملاء والأحداث السريرية وخطوات العمليات التجارية، من المنطقي أن تختبر نماذجها وفق المقاييس المقترحة. فإذا اقتصر التقييم على خطأ التنبؤ، فهناك خطر الحصول على نموذج ينتج بصمت مسارات غير واقعية. وهذا أمر حاسم في المحاكاة واختبارات الإجهاد والبيانات الاصطناعية.

ويتعلق الاستنتاج العملي الثاني بالبنية المعمارية. فاستخدام نموذج انتشار مولّدًا للعيّنات، مع طبقة تجميع منفصلة، يتيح ضبط التوازن بين الواقعية والدقة بحسب المهمة. ففي التسجيل الائتماني (scoring) تكون الدقة أهم، أما في توليد السيناريوهات والمحاكاة فالواقعية أهم. ويتيح المعيار للمرة الأولى قياس المعيارين على البيانات نفسها.