وصفة أكثر مرونة للتعلم شبه الموجّه: إطار جديد لإعادة صياغة الخطر (Risk Rewriting) يتجاوز قيود التصنيف الثنائي

أسلوب خالٍ من الافتراضات التوزيعية (Distribution-Free) في التعلم شبه الموجّه (Semi-Supervised Learning) كان محبوسًا لسنوات داخل حدود التصنيف الثنائي (Binary Classification)، حصل الآن على ترقية تفتح له الطريق للعمل مع تصنيفات متعددة. الباحثون وراء ورقة بحثية بعنوان "Generalized Distribution-Free Semi-Supervised Learning with Risk Rewrite" نشروا نتائجهم على أرشيف الأبحاث (arXiv) في 11 يوليو 2026، وتبعتها نسخة منقّحة في 15 يوليو. الورقة قُبلت أيضًا في مؤتمر عدم اليقين في الذكاء الاصطناعي (Conference on Uncertainty in Artificial Intelligence - UAI) لعام 2026، وهو أحد أكثر المحافل انتقائية في أبحاث التعلم الآلي الإحصائي.

المساهمة الأساسية تتمحور حول تقنية تُعرف باسم تعلم PNU، اختصارًا لـ"الإيجابي والسلبي وغير الموسوم" (Positive, Negative, and Unlabeled Learning). تقنية PNU هي أسلوب لإعادة صياغة الخطر (Risk Rewriting): فبدلًا من الاعتماد على افتراضات حول كيفية توزّع البيانات الموسومة وغير الموسومة، تعيد وزن دالة التدريب (Training Objective) مستخدمةً كل من العينات الموسومة وغير الموسومة لبناء مُقدِّر غير متحيز (Unbiased Estimator) للخطر. هذه الخاصية الخالية من الافتراضات التوزيعية تجعلها أكثر جاذبية مقارنة بالتقنيات التقليدية للتعلم شبه الموجّه، التي غالبًا ما تنهار افتراضاتها عند مواجهة بيانات العالم الحقيقي. لكن القيد الأكبر لهذه التقنية أنها تعمل فقط مع مسائل التصنيف الثنائي، حيث تنحصر المدخلات في فئتين لا أكثر.

الورقة الجديدة توسّع هذه الفكرة جذريًا. فبدلًا من التعامل مع PNU كوصفة ثابتة، يبني الباحثون عائلة أوسع من المُقدِّرات غير المتحيزة للخطر، مُشتقة من تركيبات خطية لمكونات الخطر المحسوبة عبر البيانات الإيجابية والسلبية وغير الموسومة. يتبيّن أن PNU ليست إلا حالة خاصة واحدة ضمن هذا الإطار الأشمل، الذي يُظهر الباحثون أنه يمتد بشكل طبيعي إلى بيئات التصنيف متعدد الفئات (Multiclass)، أي مسائل التصنيف التي تشمل ثلاث فئات أو أكثر، حيث لم يكن لـPNU أي نظير مباشر فيها سابقًا.

لماذا يهم التباين هنا

إلى جانب التوسع نحو مسائل التصنيف متعدد الفئات، تتناول المساهمة النظرية للورقة قضية أكثر دقة: التباين (Variance) في مُقدِّر الخطر. يستخلص الباحثون حدًّا للتعميم (Generalization Bound) يربط مباشرة بين تقليل التباين وتحسّن أداء التعلم، ثم يحسبون الحد الأدنى من التباين القابل للتحقيق ضمن إطارهم المعمَّم. ويُظهرون أنه في السيناريوهات التي تنطوي على خسارة غير متماثلة (Asymmetric Loss)، حيث يُعاقَب تصنيف فئة معينة بشكل خاطئ بقسوة أكبر من فئة أخرى، يمكن لمُقدِّرهم أن يحقق تباينًا أقل من PNU التقليدية. وانخفاض التباين في هذا السياق يعني تدريبًا أكثر استقرارًا وموثوقية للنموذج، خصوصًا عند شح البيانات الموسومة، وهي بالضبط الحالة التي صُمم التعلم شبه الموجّه لمعالجتها.

ولاختبار هذه النظرية عمليًا، يقدّم الباحثون طريقتين تطبيقيتين مستمدتين من الإطار المعمَّم، ويجربونهما على معايير قياس (Benchmarks) ثنائية ومتعددة الفئات. وبحسب الورقة، حقّقت هاتان الطريقتان أداءً يوازي أو يتجاوز أداء الأساليب الحالية للتعلم شبه الموجّه في جميع المهام المُختبرة.

بالنسبة للباحثين والممارسين الذين يعملون مع مجموعات بيانات موسومة محدودة، وخصوصًا في بيئات التصنيف متعدد الفئات حيث كانت الضمانات الخالية من الافتراضات التوزيعية نادرة، يقدّم هذا الخط البحثي بديلًا مُؤسَّسًا رياضيًا لخطوط أنابيب التعلم شبه الموجّه القائمة على الحلول الاستدلالية (Heuristic). وقبول الورقة في UAI 2026 يعكس اهتمام مجتمع نظرية التعلم الآلي الأوسع بترسيخ مفهوم إعادة صياغة الخطر خارج حدوده الثنائية التقليدية.