إطار عمل جديد قائم على المسافات يعالج إحدى أعقد مشكلات عدم اليقين في التعلم الآلي

لطالما عانى التصنيف متعدد الفئات (Multiclass Classification) من ثغرة دقيقة لكنها بالغة الأهمية: فالطرق المستخدمة لقياس عدم اليقين (Uncertainty) تعمل بدقة في الحالات الثنائية، لكنها تفقد صلابتها الرياضية حالما يتجاوز عدد الفئات الاثنتين. ورقة بحثية جديدة للباحث كسابير غونزاليس-غارسيا، نُشرت لأول مرة على أرشيف (arXiv) في 28 مارس 2026 ثم جرت مراجعتها في 14 يوليو 2026، تقترح حلاً مبنياً على مقاييس المسافة (Distance Metrics) بدلاً من الأساليب الاستدلالية القائمة على الإنتروبيا (Entropy) التي سيطرت على هذا المجال لسنوات.

لماذا تهم المجموعات الاعتقادية

يتمحور البحث حول "المجموعة الاعتقادية" (Credal Set)، وهي مجموعة محدبة ومغلقة من مقاييس الاحتمال تُستخدم للتعبير في آن واحد عن نوعين مختلفين من عدم اليقين في التعلم الآلي: عدم اليقين العرضي (Aleatoric Uncertainty) الناتج عن العشوائية الكامنة في البيانات نفسها، وعدم اليقين المعرفي (Epistemic Uncertainty) الذي يعكس ما لا يعرفه النموذج بسبب نقص البيانات أو قصور التدريب. أصبحت المجموعات الاعتقادية أداة رائجة لتقييم ثقة النماذج، لكن قياس عدم اليقين داخل هذه المجموعات، خصوصاً بطريقة تتعمم بسلاسة إلى ما هو أبعد من التصنيف الثنائي، ظل مسألة رياضية شائكة.

يعيد غونزاليس-غارسيا صياغة المشكلة عبر الاستعانة بـ"مقاييس الاحتمال التكاملية" (Integral Probability Metrics - IPMs)، وهي فئة من مقاييس المسافة بين التوزيعات الاحتمالية. فبدلاً من الاعتماد على تفكيك الإنتروبيا الذي قد يسلك سلوكاً غير متسق مع تزايد عدد الفئات، يقيس هذا الإطار عدم اليقين من خلال مدى التباعد بين التوزيعات داخل المجموعة الاعتقادية، وفقاً لمقياس IPM مُختار. وتُطبّق الورقة هذه الفكرة عملياً باستخدام "مسافة التغاير الكلي" (Total Variation Distance)، مقياس معروف جيداً يعبّر عن أقصى فارق في الاحتمال الذي تمنحه توزيعتان لأي حدث معين، للوصول إلى مقاييس ملموسة وقابلة للحساب لعدم اليقين الكلي والعرضي والمعرفي في مسائل التصنيف متعدد الفئات.

فحص اتساق له وزنه

من أبرز ما تطرحه الورقة نتيجة تتعلق بالاتساق الرياضي: فعند تقييد الإطار على حالة التصنيف الثنائي، فإنه يعيد إنتاج مقاييس عدم اليقين المعروفة والمستقرة في الأدبيات العلمية. هذا التوافق مع النتائج السابقة له أهمية بالغة، لأنه يشير إلى أن التعميم على الحالات متعددة الفئات ليس امتداداً عشوائياً، بل امتداد مبدئي يحافظ على الحدس الرياضي الذي يثق به الباحثون في الحالة الثنائية، بينما يوسّعه بصرامة نحو المسائل ذات التصنيفات المتعددة.

ما الذي يعنيه هذا للممارسين

بالنسبة للفرق التي تبني نماذج تصنيف في مجالات حساسة يُعتبر فيها ضبط الثقة (Confidence Calibration) أمراً محورياً، مثل التشخيص الطبي أو الأنظمة ذاتية القيادة أو أي بيئة عالية المخاطر متعددة الفئات، فإن وجود تفكيك رياضي دقيق ومستقر لأنواع عدم اليقين قد يحسّن قدرة النماذج على التمييز بين الحالات التي "تخمّن" فيها والحالات التي تكون فيها البيانات نفسها غامضة. هذا التمييز بين نمطي الفشل له تأثير مباشر على قرار تحويل الحالة إلى مراجعة بشرية، أو طلب بيانات إضافية، أو الإفصاح عن ثقة منخفضة.

يبقى العمل، في هذه المرحلة، مساهمة نظرية بالأساس، وجمهوره الأقرب هم الباحثون العاملون في مجالات قياس عدم اليقين، والتعلم القوي (Robust Learning)، واتخاذ القرار في ظل الاحتمالات غير الدقيقة. أما أثره العملي، وتحديداً ما إذا كانت "مسافة التغاير الكلي" ستثبت أنها الخيار الأمثل ضمن مقاييس IPM المختلفة مقارنة بالبدائل الأخرى، فسيتضح أكثر عندما يختبر المجتمع البحثي هذا الإطار على معايير قياسية حقيقية متعددة الفئات.