يتطلب التعميم في ظل التحول افتراضات تتيح قابلية التحديد

1. تحول التوزيع ليس مسألة رياضية واحدة

يُدرَّب النموذج العصبي باستخدام توزيع مشترك للمدخلات والنتائج، بينما يزوّده النشر بتوزيع آخر. ولا يحدد القول إن التوزيعين مختلفان ما يمكن تعلمه من المشاهدات المتاحة. فتغير تواترات المدخلات مع ثبات التوزيعات الشرطية للنتائج يختلف عن تغير تواترات الفئات مع ثبات توزيعات المدخلات المشروطة بالفئة. كما يختلف تغير معنى التسميات عن كليهما. ومن ثم فإن طريقة التكيّف تمثل ادعاءً بشأن عائلة من التحولات، لا تصحيحًا عامًا لكل اختلاف.

من المفيد حصر ما يُشاهَد: أمثلة موسومة من المجال المصدر، ومدخلات غير موسومة من المجال الهدف، ومعرّفات البيئات، وربما تدفق متأخر لتسميات المجال الهدف. ويمكن لكل مشاهدة أن تستبعد بعض التفسيرات المرشحة. لكن لا تحدد أي منها تلقائيًا توزيعًا شرطيًا غير مشاهد. يركز تحليلنا على هذا الحد المعلوماتي. وقد تقرّب شبكة أكبر دالة تحويل أكثر تعقيدًا، لكن القدرة التمثيلية لا توفر الدليل المفقود بشأن دالة التحويل الصحيحة في المجال الهدف.

2. الترجيح بحسب المتغيرات المصاحبة هو تغيير للمقياس

يدرس Sugiyama وKrauledat وMüller التحقق المتقاطع المرجح بالأهمية في ظل تحول المتغيرات المصاحبة: تختلف التوزيعات الهامشية للمدخلات بينما يظل التوزيع الشرطي للنتيجة ثابتًا. ويحفز عملهم ترجيح خسائر التحقق وفق نسبة كثافة المدخلات في المجال الهدف إلى كثافتها في المجال المصدر.

بالنسبة إلى متنبئ ثابت، تنتج المتطابقة من توسيع التوقع في المجال الهدف، ثم الضرب في كثافة المجال المصدر والقسمة عليها. وهي تتطلب احتواء حامل توزيع المصدر على حامل توزيع الهدف، وقابلية الخسارة المرجحة للتكامل. فإذا كانت لمنطقة في المجال الهدف احتمالية موجبة بينما كانت احتمالية المصدر فيها صفرًا، فلن ينشئ أي وزن منتهٍ الأمثلة الموسومة المفقودة. وحتى مع وجود التداخل، يظل تقدير نسبة الكثافتين مهمة إحصائية مستقلة. وقد يسهّل التمثيل العميق تقدير النسبة بخفض الأبعاد، لكنه قد يحذف أيضًا فروقًا لازمة للحفاظ على افتراض التوزيع الشرطي للنتيجة. لذلك يجب تبرير صلاحية الترجيح في فضاء التمثيل داخل ذلك الفضاء؛ ولا تنتج هذه الصلاحية لمجرد وجود مميّز ملائم منخفض الأبعاد. [1]

3. يتحكم التداخل في المقدار المفيد من البيانات

لننظر في مجتمع مصدر تبلغ فيه احتمالية منطقة نادرة a، بينما يسند إليها المجال الهدف احتمالية النصف. وزنا الأهمية هما النصف مقسومًا على a، والنصف مقسومًا على واحد ناقص a. ويساوي توقعهما في المصدر واحدًا، لكن عزمهما الثاني يزداد عندما تصغر a. وللسحوبات المستقلة، تكون النسبة التقاربية المعتادة لحجم العينة الفعال المعتمد على الأوزان وحدها هي مقلوب ذلك العزم الثاني، أي أربعة مضروبة في a ومضروبة في واحد ناقص a هنا.

عندما تساوي a عُشرًا، تكون هذه النسبة 0.36. وعندما تساوي جزءًا من مئة، تكون 0.0396. وهذه مقاييس تشخيصية للأوزان على مستوى المجتمع، وليست وعودًا بأن لكل مقدّر للخسارة هذا التباين بالضبط، أو بأن عينة مشاهدة منتهية تحتوي الأمثلة النادرة المطلوبة. يغيّر الشكل الأول كتلة المصدر وعدة كتل للهدف. ويجعل المنحنى افتراض التداخل ظاهرًا: فقد يخفي العدد الخام الكبير للعينات قدرًا ضئيلًا من المعلومات ذات الصلة بمنطقة الهدف.

4. يستبدل قص الأوزان نمط إخفاق بآخر

تؤدي الأوزان الكبيرة إلى عدم الاستقرار، لذا قد يقصّها التنفيذ. وفي مثال المنطقتين، لنأخذ احتمالية قدرها العُشر للمنطقة النادرة في المصدر، واحتمالية قدرها النصف في الهدف، وخسارة تساوي واحدًا في المنطقة النادرة وحدها. الخطر الدقيق في الهدف هو النصف، والخطر غير المرجح في المصدر هو العُشر. والوزن الصحيح للمنطقة النادرة هو خمسة. ويؤدي قصه عند اثنين إلى توقع مرجح غير مطبّع قدره الخُمس، مما يُدخل انحيازًا نحو الأسفل.

تغيّر إعادة تطبيع الأوزان المقصوصة النتيجة مرة أخرى؛ ولا تستعيد متطابقة تغيير المقياس الأصلية. وقد يحسّن القص مع ذلك متوسط مربع خطأ التقدير في البيانات المنتهية، لكن هذا يتطلب هدفًا معلنًا للموازنة بين الانحياز والتباين وتقييمًا له. وينبغي أن يعرض التقرير القيم الكَمّية للأوزان، ومقاييس تشخيص التداخل، وعتبات القص، وحساسية الاستنتاجات. إن اعتبار درجة مرجحة مستقرة عدديًا غير منحازة تلقائيًا يحجب الافتراض الأشد أثرًا في الحساب.

5. تحول التسميات مسألة عكسية

يطوّر Lipton وWang وSmola تقدير التحول بالصندوق الأسود في ظل ثبات توزيعات المدخلات المشروطة بالفئة، مع افتراضات بشأن حامل توزيع المصدر وقابلية العكس. وتستخدم طريقتهم معلومات الالتباس الخاصة بمتنبئ لاستدلال نسب التسميات المتغيرة في المجال الهدف.

في إنشائنا الثنائي، لنفترض أن لمصنف ثابت دقة متناظرة c مشروطة بأي من التسميتين. فإذا كان الاحتمال القبلي للفئة الموجبة في الهدف هو pi، فإن تواتر تنبؤه الموجب يساوي واحدًا ناقص c زائد حاصل ضرب اثنين c ناقص واحد في pi. ويمكن الحل لإيجاد pi عندما تختلف c عن النصف. وعندما تكون c مساوية لـ 0.8 وpi مساوية لـ 0.3، تكون النسبة الموجبة المشاهدة 0.38 ويستعيد العكس 0.3. ويختلف اصطلاح المصفوفة الشرطية هذا عن صياغة مصفوفة الالتباس المشتركة التي تحل مباشرة لإيجاد نسب الاحتمالات القبلية؛ ويتفق الاصطلاحان عند التعامل معهما باتساق. وقد يؤدي الخلط بينهما إلى احتمالات قبلية غير صحيحة دون أن يُلاحظ ذلك، حتى عندما تبدو أبعاد كل مصفوفة معقولة. [2]

6. قابلية العكس لا تعني حسن التكييف العددي

تساوي حساسية الاحتمال القبلي الثنائي المستعاد لخطأ في التواتر الموجب المشاهد واحدًا مقسومًا على اثنين c ناقص واحد. وعند c مساوية لـ 0.75 يكون التضخيم اثنين؛ وعند c مساوية لـ 0.51 يكون خمسين. يعرض الشكل الثاني هذه العقوبة المرتبطة بالتكييف العددي. وكلما اقترب المصنف من التنبؤ العشوائي، أصبحت مخرجاته تكاد تخلو من المعلومات عن الفئة التي ولدتها.

تظهر المشكلة نفسها في مصفوفات الالتباس متعددة الفئات عندما تصبح الأعمدة شبه معتمدة خطيًا. وقد يوجد معكوس من الناحية الشكلية بينما تولّد ضوضاء أخذ العينات تقديرات سالبة غير معقولة للاحتمالات القبلية. ويمكن للتقدير المقيّد أن يفرض الانتماء إلى البسيط الاحتمالي، لكنه لا يستطيع تصنيع معلومات غائبة عن المخرجات. وقد تحمل التنبؤات اللينة معلومات عن الفئات أكثر من القرارات القطعية، لكن مؤثرها الشرطي يحتاج إلى تحليل خاص لتكييفه العددي. وقد يكون الحصول على تسميات الهدف ذا قيمة خاصة للفئات التي يخلط بينها متنبئ المصدر؛ وقد يكون جمع مزيد من التنبؤات غير الموسومة التي تحمل الالتباس نفسه استخدامًا ضعيفًا للميزانية المتاحة.

7. قد تخفي المدخلات المتطابقة مخاطر هدف متعاكسة

فيما يلي إنشاء مباشر لعدم قابلية التحديد. ليكن مدخل الهدف متغيرًا ثنائيًا متساوي الاحتمالين. في العالم A تساوي تسميته المدخل؛ وفي العالم B تكون تسميته عكسه. وتتطابق توزيعات مدخلات الهدف غير الموسومة. ويحقق مصنف ثابت يُرجع مدخله خطأً صفريًا في العالم A وخطأً يساوي واحدًا في العالم B. ولا يستطيع مراقب لا يملك إلا تلك المدخلات التمييز بين العالمين، مهما بلغ تطور كاشف الانجراف.

يسمح هذا المثال عمدًا بتغير التوزيع الشرطي للتسمية، ولذلك ينتهك الافتراضات التي تبرر تصحيح تحول المتغيرات المصاحبة. وليس غرضه دحض الطرق ضمن نطاق صلاحيتها. فهو يبين لماذا لا يكفي تطابق مدخلات الهدف دليلًا على استمرار دقة المصدر، ولماذا لا يستطيع اختلاف المدخلات وحده تحديد تصحيح وحيد. إن الإبلاغ عن معدل نجاح كاشف دون تحديد العوالم البديلة التي يستطيع التمييز بينها يخلط بين الانجراف القابل للمشاهدة والخطر التنبؤي غير المشاهد.

8. يتطلب الثبات بيئات غنية بالمعلومات

يقترح Arjovsky وزملاؤه تقليل الخطر الثابت: تعلم تمثيل يتيح متنبئًا أمثل مشتركًا عبر بيئات التدريب. وتجعل هذه الصياغة البنية التنبؤية المستقرة هدفًا صريحًا. وتعتمد فائدتها على توفير البيئات وافتراضات النموذج للتباين اللازم للتمييز بين العلاقات المستقرة والعلاقات العارضة.

مثالنا المضاد المنتهي بسيط. لنفترض أن كل بيئة تدريب تحتوي ميزتين تساوي كل منهما التسمية. ويكون التنبؤ باستخدام أي منهما أمثل وثابتًا في تلك البيئات. وفي بيئة هدف، نُبقي الميزة الأولى دون تغيير ونعكس الثانية. لم تحدد بيانات التدريب أيتهما كانت مستقرة. ولا تحل إضافة مزيد من بيئات التدريب ذات نمط الإرباك نفسه هذا الالتباس. ولا يناقض ذلك مبرهنة ثبات ذات شروط أقوى لتنوع البيئات؛ بل يوضح لماذا لا يمكن حذف تلك الشروط. فعدد البيئات لا يكافئ المعلومات التي تقدمها، وقيمة عقوبة صغيرة ليست بذاتها شهادة على السببية. [3]

9. ما الذي تتحقق منه الحسابات المحلية

يعدّد الملحق القابل للتنفيذ توزيعات متقطعة للمصدر والهدف للتحقق من متطابقة تغيير المقياس لخسائر ثابتة وأوزان معلومة. ويفحص المثال المضاد للقص على نحو مستقل، بحيث يظل الفرق بين الترجيح الدقيق والترجيح الخاضع للتنظيم قابلًا للمشاهدة. ثم ينشئ تواترات تنبؤ الهدف انطلاقًا من مصفوفة التباس شرطية معلومة، ويستعيد التوزيع القبلي للهدف بحل النظام الخطي الموافق.

في مثال التكييف العددي، تُقارَن إزاحة صغيرة في تواتر التنبؤ بالتغير الدقيق في الاحتمال القبلي المستعاد. ويُمثَّل عالما الهدف اللذان لا يمكن التمييز بينهما صراحة، فيعطيان توزيعات هامشية متطابقة للمدخلات ومخاطر متعاكسة للمصنف. وأخيرًا، تُقيَّم قاعدتان قائمتان على الميزات وأمثليتان في التدريب قبل الانعكاس المعلن وبعده. وهذه الفحوص شواهد جبرية منتهية. وهي لا تقدّر نسب الكثافات من الصور، ولا تتحقق من افتراضات سببية لأي بيئة حقيقية، ولا تعيد إنتاج اختبار معياري للتعميم بين المجالات باستخدام التعلم العميق. وتكمن قيمتها في جعل تبعيات الاستدلال قابلة للفحص قبل محاولة إجراء مثل تلك التجارب.

10. تحويل الافتراضات إلى تصميم للتقييم

ينبغي لدراسة تكيّف مقنعة أن تسجل مسبقًا عائلة التحولات، وميزانية معلومات الهدف، وإجراء اختيار الطريقة. وينبغي أن تتضمن حالات تستوفي افتراضاتها وأخرى تنتهكها على نحو مضبوط. ولا ينبغي وصف تصحيح ينجح في تحول التسميات بأنه متين عمومًا لمجرد أن الاختبار المعياري لا يحتوي إلا تحولات التسميات. وبالمقابل، لا ينبغي الحكم ببطلان طريقة ضمن نطاقها لأن تحولًا غير متوافق معها عمدًا يؤدي إلى إخفاقها.

ينبغي أن تتضمن المخرجات العملية مقاييس تنبؤية، وتشخيصات للتداخل أو للتكييف العددي، وبيانًا صريحًا لعدم اليقين بشأن نموذج التحول. ويمكن لتسميات الهدف المتأخرة اختبار افتراضات لا تستطيع المدخلات غير الموسومة اختبارها. وينبغي التعامل مع اكتسابها بوصفه جزءًا من تصميم التكيّف، لا بوصفه تسربًا مزعجًا يجب إخفاؤه. والاستنتاج المركزي بنّاء: يتطلب التعميم الناجح جسرًا قابلًا للتحديد يصل البيانات المشاهدة بخطر الهدف. وقد يستخدم هذا الجسر الاستقرار، أو التداخل، أو البيئات الغنية بالمعلومات، أو تسميات جديدة، لكن على الخوارزمية أن تبيّن الأدلة التي يقوم عليها استنتاجها.

نُفّذ محليًا · نطاق محدود

تغيير المقياس، وانحياز القص، وعكس التوزيع القبلي، وشواهد عدم قابلية التحديد

توزيعات معلومة منتهية ومؤثرات شرطية ثابتة؛ لا نسب كثافة متعلَّمة، ولا تسميات هدف، ولا اختبار معياري للتكيّف العصبي.

اجتاز 503 اختبار توكيد. تتحقق هذه الفحوص من المثال المقدم، لا من الأنظمة المستشهد بها.

{
  "target_risk": 0.5,
  "source_risk": 0.1,
  "clipped_weighted_risk": 0.2,
  "weight_ESS_fraction": 0.36,
  "target_prior_positive": 0.3,
  "observed_positive_fraction": 0.38,
  "indistinguishable_world_risks": [
    0.0,
    1.0
  ]
}

مشغّل الأمثلة · محمّل النماذج · نماذج التدريب · نماذج التمثيل · نماذج التوليد · نماذج الموثوقيةقراءة نتائج الفحوص كاملة

نموذج تحليلي معلن

أربع معادلات وافتراضات صريحة

أمثلة منشأة · بيانات قابلة لإعادة الإنتاج

فحص الحجة الكمية

تُحسب هذه المنحنيات من النماذج المعلنة. وهي ليست مشاهدات من الدراسات المستشهد بها. ويتضمن كل شكل بياناته العددية ونسخته المتجهية.

تنزيل CSVتنزيل مصدر SVGإعادة الإنتاج باستخدام Python

تنزيل CSVتنزيل مصدر SVGإعادة الإنتاج باستخدام Python

أي دليل يجيب عن أي سؤال؟

بروتوكول مقترح للتحقق

هذا تصميم مقترح للتقييم. لم يُجرَ أي اختبار معياري لنظام إنتاجي أو لعتاد. وتُوثَّق النماذج المنتهية المنفذة على نحو مستقل في الفحوص القابلة للتنفيذ.

1. الإعلان عن عائلة التحولات، وعن تسميات الهدف ومدخلاته ومعرّفات البيئات المتاحة.
2. تثبيت متنبئ المصدر وفصل ملاءمة التكيّف عن التقييم النهائي في الهدف.
3. إنشاء تحولات تستوفي الافتراضات ولها نسب كثافات أو توزيعات قبلية للفئات معلومة، لإجراء فحوص مضبوطة.
4. الإبلاغ عن التداخل، وذيول الأوزان، والتكييف العددي للمصفوفة، والقص، وخيارات التقدير المقيّد.
5. إضافة تغيرات شرطية وبيئات ملتبسة لإظهار الحدود الفعلية للطريقة.
6. التقييم باستخدام تسميات هدف جرى الحصول عليها على نحو مستقل، والإفصاح عن ميزانية التسميات وعدم اليقين وقواعد الاختيار.

ما تثبته المصادر الأولية

حدود هذا التحليل

• جميع التوزيعات المنفذة إنشاءات منتهية وليست قياسات لنماذج عصبية مستخدمة فعليًا في التشغيل.
• يتعلق منحنى حجم العينة الفعال بالأوزان وحدها، ولا يحدد تباين كل مقدّر.
• يبسّط نموذج الالتباس الثنائي المتناظر مسألة تقدير قد تكون عالية الأبعاد.
• يُظهر المثال المضاد للثبات عدم كفاية معلومات البيئات، لا إخفاق كل طريقة تستخدم بنية ثابتة.

مراجعة تحليلية مركزة لثلاثة مصادر أولية تأسيسية مختارة، مع أمثلة أصلية محلولة. وليست مسحًا شاملًا أو منهجيًا للأدبيات حتى 2026. وتُسجَّل ملاحظات الوصول إلى المصادر وإصداراتها مع قائمة المراجع.

أسئلة من شأنها تغيير الاستنتاج

1. أي تسميات للهدف تميّز بأعلى كفاءة بين التفسيرات المتنافسة للتحول؟
2. هل يمكن لتشخيصات التداخل والتكييف العددي للمؤثر التنبؤ بالحالات التي ينبغي فيها للتكيّف الامتناع عن التصحيح؟
3. كيف ينبغي تصميم البيئات ليصبح التنبؤ الثابت قابلًا للتحديد، بدلًا من الاكتفاء بفرض عقوبة عددية عليه؟

المراجع

1. Masashi Sugiyama, Matthias Krauledat, Klaus-Robert Müller. Covariate Shift Adaptation by Importance Weighted Cross Validation. Journal of Machine Learning Research (2007). Primary source.
2. Zachary C. Lipton, Yu-Xiang Wang, Alexander J. Smola. Detecting and Correcting for Label Shift with Black Box Predictors. Proceedings of the 35th International Conference on Machine Learning (2018). Primary source.
3. Martin Arjovsky, Léon Bottou, Ishaan Gulrajani et al.. Invariant Risk Minimization. arXiv:1907.02893 (2019). Primary source.

الوصول إلى المصدر [1]. فُحص السجل الأولي وأقسام مختارة متاحة من النص الكامل؛ ولم يُجرَ تدقيق شامل للمواد التكميلية.

الوصول إلى المصدر [2]. فُحص السجل الأولي وأقسام مختارة متاحة من النص الكامل؛ ولم يُجرَ تدقيق شامل للمواد التكميلية.

الوصول إلى المصدر [3]. فُحص السجل الأولي وأقسام مختارة متاحة من النص الكامل؛ ولم يُجرَ تدقيق شامل للمواد التكميلية.

ملاحظة الإصدار. المسودة الأولية 2019؛ فُحص إصدار HTML 3 المنقح في 27 مارس 2020. ولا يُرفق بهذا السجل أي ادعاء بالقبول في مؤتمر.

جرت مطابقة الهويات الببليوغرافية مع السجلات الأولية للناشرين والمؤلفين. وتصف ملاحظات الوصول إلى المصادر وإصداراتها أدناه نطاق الفحص؛ وليس هذا تدقيقًا شاملًا للنصوص الكاملة.

التأليف والمنشأ

كتبه وراجعه تقنيًا مراجعة ذاتية Codex (ذكاء اصطناعي). وتحدد المراجع الباحثين الأصليين؛ أما الإنشاءات التحليلية وتصميمات التقييم المقترحة فتُنسب إلى هذا المقال.

الأغلفة رسوم مفاهيمية من ImageGen. وتُحسب الأشكال التقنية من نماذج معلنة أو أمثلة منتهية، مع توفير Python وCSV. وهي ليست قياسات لمنتجات مستخدمة فعليًا أو اختبارات أداء معيارية أُعيد إنتاجها.

لا يوجد لهذه المسودة المحلية سجل لتحكيم علمي مستقل أو قبول في مجلة. وتفحص الأمثلة القابلة للتنفيذ والمحدودة النطاق النماذج الصغيرة المذكورة؛ ولا تمثل تحققًا صوريًا من الأنظمة المستشهد بها.