فريق Renmin University يفتح شيفرة TabClustPFN: عناقيد من جدول في تمريرة واحدة

نشر باحثون من Renmin University وفرق شريكة TabClustPFN في المصدر المفتوح، وهو نموذج مدرَّب مسبقًا للتجميع العنقودي للبيانات الجدولية. يستقبل النموذج جدولًا بلا تسميات، ويُخرج في تمريرة أمامية واحدة عبر الشبكة العصبية تقسيمًا للصفوف إلى مجموعات. كما يبيّن مدى ثقته بعدد المجموعات نفسه. وفي مهمة يصعب عادةً إنجازها دون ضبط يدوي، يمثّل ذلك خطوة ملحوظة نحو صيغة «حمّل البيانات واحصل على النتيجة».

كم مجموعة في قاعدة العملاء

المثال الوارد في وصف المشروع مألوف لأي محلل. لدينا جدول عملاء: بعضهم يشتري كثيرًا لكن بمبالغ صغيرة، وآخرون يغيبون أشهرًا ثم يقدّمون طلبًا كبيرًا. يخزّن الجدول هذه العادات في أرقام، لكنه لا يبيّن إلى أي أنواع تنقسم ولا كم عدد هذه الأنواع.

تتطلب الأدوات الكلاسيكية مثل k-means والنماذج الغاوسية المختلطة وDBSCAN قرارات قبل التشغيل. فعلى المستخدم تحديد عدد العناقيد أو نصف قطر الجوار، واختيار تحجيم الخصائص، وتجربة عدة صيغ. بعد ذلك تُقارَن النتائج بمقاييس مثل معامل الظل (silhouette) وبالعين المجردة. ومع كل مجموعة بيانات جديدة تبدأ الدورة من جديد. يحاول TabClustPFN إلغاء هذه الدورة.

تمريرة أمامية واحدة بدل ضبط المعاملات

يشير الاسم إلى عائلة PFN، وهي نماذج تُدرَّب على طيف واسع من المهام. وبعد هذا الإعداد تحلّ الشبكة المهمة الجديدة «في السياق»: تُعرض عليها البيانات، ولا يُشغَّل أي تدريب بالانحدار التدرجي عليها. وفي التجميع العنقودي يعني ذلك أن العمل كله يُنجز في استدلال (inference) واحد. لا تكرارات، ولا إعادة تشغيل بتهيئات مختلفة، ولا إجراء منفصل لاختيار عدد المجموعات.

ويستحق تقدير عدم اليقين اهتمامًا خاصًا. فعدد العناقيد يكاد يكون دائمًا موضع خلاف: ففي بيانات العملاء نفسها يمكن رؤية ثلاث شرائح، ويمكن رؤية خمس إذا قُسّمت المجموعات الكبيرة. أما الخوارزمية المعتادة فتقدّم خيارًا واحدًا وتتصرف كأن السؤال غير موجود. أما نموذج يقول «ثلاث على الأرجح، لكن أربع أيضًا معقولة» فيمنح المحلل أساسًا لاتخاذ القرار.

أبرز معطيات الإصدار:

• المطوّرون: فريق Renmin University وشركاء؛
• المدخلات: جدول بلا تسميات؛
• المخرجات: تقسيم الصفوف إلى مجموعات وتقدير للثقة بعدد العناقيد؛
• الاستدلال: تمريرة أمامية واحدة دون تدريب خاص بمجموعة بيانات بعينها؛
• الإتاحة: شيفرة مفتوحة.

ما الذي ينبغي التحقق منه قبل الاستخدام

تكمن الميزة العملية الرئيسية في السرعة. فإذا كان لا بد من إجراء التقسيم على عشرات الجداول، مثل عملاء متاجر مختلفة أو سجلات خدمات مختلفة أو عينات من تجارب مختلفة، فإن استدلالًا موحّدًا مدرَّبًا مسبقًا يوفّر ساعات من العمل. وثمة ميزة أخرى هي أن عدم اليقين ظاهر مباشرة، فلا حاجة إلى ابتكار إجراء منفصل له.

ينبغي اختبار النموذج على بياناتكم الخاصة. ابدؤوا بمقارنته مع k-means والنماذج الغاوسية المختلطة على جدول لديكم فيه تصور مسبق عن المجموعات الصحيحة. ومن المفيد النظر في سلوكه عند زيادة عدد الصفوف والخصائص، وهل يتعامل مع الأعمدة الفئوية والقيم المفقودة، ومدى ثبات التقسيم عند خلط ترتيب الصفوف. ومن المفيد أيضًا معرفة ما إذا كان النموذج يبالغ في ثقته على بيانات مشوّشة لا توجد فيها مجموعات حقيقية أصلًا.

تجعل الشيفرة المفتوحة هذا الاختبار متاحًا للجميع. وإذا أكّد TabClustPFN جودته على جداول متباينة، فقد يسلك التجميع العنقودي المسار نفسه الذي سلكه التصنيف الجدولي. فهناك تزيح النماذج المدرَّبة مسبقًا الضبطَ اليدوي للمعاملات الفائقة على البيانات الصغيرة والمتوسطة.