هندسة رياضية موحّدة للتسوية الدفعية: LieBN يوسّع نطاق التعلم العميق إلى تسع فضاءات بيانات منحنية

يطرح إطار نظري جديد يُدعى LieBN حلاً لأحد أكثر العمليات جوهرية في التعلم العميق، وهو التسوية الدفعية (Batch Normalization)، بتعميمها لتعمل بشكل أصيل عبر تسع هندسات منحنية مختلفة. الورقة البحثية، التي نُشرت على أرشيف arXiv في 13 يونيو 2026 تحت المعرّف 2607.08783، تعالج مشكلة كانت تحدّ بصمت من كفاءة الشبكات العصبية في التعامل مع بيانات لا تنتمي إلى الفضاء الإقليدي المستوي (Euclidean Space)، كمصفوفات الدوران وبنى التغاير والمصفوفات الارتباطية.

التسوية الدفعية التقليدية تفترض أن نقاط البيانات يمكن جمعها وإعادة قياسها بعمليات حسابية عادية. هذا الافتراض ينهار تماماً مع البيانات المتوزعة على المشعبات (Manifolds)، حيث يجب حساب المسافات والمتوسطات وفق انحناء الفضاء نفسه لا وفق الحساب المستوي. هنا يأتي دور LieBN، وهو اختصار لـ"التسوية الدفعية لزمر لي" (Lie group Batch Normalization)، الذي يعالج هذه الفجوة عبر بناء إطار للتسوية الدفعية الريمانية (Riemannian Batch Normalization - RBN) مباشرة فوق زمر لي (Lie Groups)، وهي بنى رياضية تجمع بين الهندسة السلسة وعمليات الزمر الجبرية.

كيف يعمل الإطار

تكمن الفكرة الجوهرية في المقاييس اليمنى واليسرى المتباينة (Left- and Right-Invariant Metrics)، الموجودة بشكل طبيعي داخل كل زمرة لي. باستغلال هذه المقاييس، يستنتج الباحثون ضمانات نظرية للتحكم في المتوسط والتباين الريمانيين (Riemannian Mean and Variance) لتوزيع البيانات أثناء مروره بطبقة التسوية. هذا التحكم الدقيق هو ما يجعل التقنية بديلاً حقيقياً وقابلاً للتركيب المباشر (Drop-in Replacement) محل التسوية الدفعية التقليدية، وليس مجرد تقريب يحترم الهندسة الأساسية بشكل جزئي فقط.

من أبرز المساهمات التقنية في الورقة تقديم مقياس يميني متباين جديد (Right-Invariant Metric) مصمم خصيصاً لمشعبات المصفوفات المتماثلة الموجبة التعريف (Symmetric Positive Definite - SPD)، وهي هندسة تظهر كثيراً في تطبيقات مثل تصنيف تخطيط كهربية الدماغ (EEG) القائم على التغاير، وتصوير موتّر الانتشار (Diffusion Tensor Imaging). كما توسّع الورقة ثلاث بنى معروفة سابقاً لزمر لي باستخدام تقنية تُسمى تشويه القوة المصفوفية (Matrix Power Deformation)، وهو ما يوسّع نطاق الهندسات التي يمكن للإطار دعمها.

في المجمل، يقدّم الباحثون نسخاً من LieBN عبر تسع إعدادات متمايزة: أربعة على مشعب SPD، وواحدة على زمرة مصفوفات الدوران (ذات الصلة بمهام مثل تقدير الوضعية والروبوتات)، وأربعة على مشعب المصفوفات الارتباطية كاملة الرتبة. هذا التنوع يشير إلى أن الإطار لم يُصمم كحل ضيق لنوع بيانات واحد، بل كطبقة تسوية عامة الاستخدام موجّهة لمجال التعلم العميق الهندسي (Geometric Deep Learning).

المصدر وإمكانية الوصول

يحمل الملف المقدَّم على arXiv ملاحظة إدارية تشير إلى تداخل نصي مع ورقة بحثية سابقة، هي arXiv:2403.11261، وهو ما يعني أن العمل الحالي يبني مباشرة على، أو يتشارك مواد جوهرية مع، بحث سابق ينتمي لنفس خط البحث، لا أنه انطلق من فراغ. صُنّفت الورقة تحت تصنيفي تعلم الآلة (Machine Learning - cs.LG) والذكاء الاصطناعي (Artificial Intelligence - cs.AI)، وأتاح الباحثون كوداً مرافقاً، مما يفتح للباحثين الآخرين طريقاً مباشراً لاختبار المنهجية على بياناتهم الخاصة الموزعة على المشعبات.

بالنسبة للفرق العاملة في التعلم العميق الهندسي، أو أنابيب التصوير الطبي، أو نماذج الروبوتات التي تعتمد أصلاً على تمثيلات SPD أو التمثيلات القائمة على الدوران، يقدّم LieBN طريقة مؤسسة رياضياً لتثبيت عملية التدريب دون التضحية بالبنية الهندسية التي تجعل هذه التمثيلات مفيدة في الأساس.