Conformal Prediction

التنبؤ المتوافق هو إطار إحصائي في التعلم الآلي (ML) يوفّر مقاييس لعدم اليقين خالية من التوزيع لتنبؤات النماذج. بدلًا من إخراج تنبؤ نقطي واحد—مثل تسمية فئة محددة واحدة—يُخرج المتنبئ المتوافق مجموعة تنبؤات أو فترة تحتوي على القيمة الحقيقية باحتمال يحدده المستخدم (مثل 90% أو 95%). يلتف هذا الإطار حول أي نموذج من نماذج الذكاء الاصطناعي (AI) لتوفير ضمانات إحصائية رسمية من دون الحاجة إلى إجراء تغييرات على بنية النموذج. للحصول على قائمة شاملة بالأدوات والأبحاث المحدّثة، يمكنك استكشاف مستودع Awesome Conformal Prediction.

كيفية عمل التنبؤ المتوافق#

تعتمد الآلية الأساسية على تقييم مدى غرابة تنبؤ جديد مقارنةً بالأمثلة السابقة باستخدام درجة عدم المطابقة.

• تدريب النموذج: درّب أولًا نموذجًا أساسيًا باستخدام مجموعة بيانات تدريب قياسية.
• مرحلة المعايرة: مرّر مجموعة بيانات معايرة منفصلة ومحجوزة للاختبار عبر النموذج المدرَّب. احسب درجة عدم المطابقة لكل تنبؤ، مثل الاحتمال العكسي في تصنيف الصور.
• حساب الكَمِّيّ: حدّد مستوى الثقة المستهدف (مثل 95%) وابحث عن الكَمِّيّ المقابل لدرجات المعايرة هذه لإنشاء مجموعات التنبؤ.
• تطبيق الاستدلال: أثناء الاستدلال المباشر، قيّم المدخلات الجديدة وأدرج جميع التسميات المحتملة التي تقل درجاتها عن كَمِّيّ المعايرة.

يمكنك استكشاف البراهين الرياضية لهذا النهج في البرنامج التعليمي A Gentle Introduction to Conformal Prediction، أو التعرّف على مناهج التنبؤ بالسلاسل الزمنية للتعامل مع أوجه عدم اليقين الزمنية.

تمييز التنبؤ المتوافق عن المصطلحات ذات الصلة#

من الضروري تمييز هذا الإطار عن المقاييس القياسية المستخدمة أثناء اختبار النموذج:

• التنبؤ المتوافق مقابل درجات الثقة: تعكس درجة الثقة القياسية يقين النموذج الداخلي، لكنها غالبًا ما تكون سيئة المعايرة وتفتقر إلى الضمانات الرياضية. يحوّل التنبؤ المتوافق هذه الدرجات الخام إلى مجموعات مضمونة. وللاطلاع على التعديلات التقليدية، راجع معايرة الاحتمالات في scikit-learn.
• التنبؤ المتوافق مقابل الدقة: الدقة مقياس تاريخي شامل يصف مدى صحة النموذج عبر مجموعة بيانات كاملة، بينما يوفّر الاستدلال المتوافق فترة محلية خاصة بكل حالة لكل تنبؤ جديد.

التطبيقات الواقعية#

لا غنى عن التنبؤ المتوافق في المجالات عالية المخاطر، حيث تُعد معرفة النقاط العمياء للنموذج أمرًا بالغ الأهمية.

• التشخيص الطبي: عند الاستفادة من الذكاء الاصطناعي في الرعاية الصحية لتحليل الفحوصات، قد يُخرج النموذج مجموعة من التشخيصات المحتملة بدلًا من فئة واحدة قد تكون غير صحيحة. ويضمن ذلك أن يبحث الأطباء في جميع الاحتمالات القابلة للتطبيق، دعمًا للدراسات الحديثة حول الطب الجينومي والتصوير الطبي الموثوقين.
• القيادة الذاتية: في مجال الذكاء الاصطناعي ضمن أنظمة السيارات، يؤدي تطبيق فترات التنبؤ على اكتشاف الأجسام إلى إنشاء منطقة ثقة مكانية حول أحد المشاة، مما يتيح لأنظمة كبح المركبة مراعاة أسوأ الحركات المحتملة بأمان.

تنفيذ مجموعات التنبؤ#

توفر مكتبات مثل MAPIE (مقدّر فاصل التنبؤ غير المعتمد على النموذج) أدوات مدمجة لـ Python، وغالبًا ما تستخدم مهام الانحدار انحدار الكَمِّيّ المتوافق. ويمكنك أيضًا تنفيذ منطق أساسي للتنبؤ المتوافق باستخدام الاحتمالات من نماذج متقدمة مثل Ultralytics YOLO26. ينشئ المثال التالي مجموعة تنبؤات باستخدام احتمالات تصنيف YOLO26، محاكيًا منطق تضمين الفئات الأعلى ترتيبًا حتى بلوغ عتبة تراكمية.

from ultralytics import YOLO

# Load an Ultralytics YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Simple conformal-style prediction set logic based on cumulative probability
target_coverage = 0.95
prediction_set = []
cumulative_prob = 0.0

# Sort probabilities in descending order using the results object
probs = results[0].probs
sorted_indices = probs.top5

for idx in sorted_indices:
    class_name = results[0].names[idx]
    class_prob = probs.data[idx].item()

    prediction_set.append((class_name, round(class_prob, 3)))
    cumulative_prob += class_prob

    # Stop adding to the set once we reach the 95% coverage threshold
    if cumulative_prob >= target_coverage:
        break

print(f"95% Prediction Set: {prediction_set}")

يتطلب تطوير أنظمة موثوقة ممارسات قوية للبيانات لمنع انجراف البيانات من إفساد المعايرة. وتبسّط أدوات مثل منصة Ultralytics عملية جمع مجموعات بيانات التصنيف الجديدة، وإعادة تدريب النماذج، وإدارة نشر النماذج بأمان. يمكنك قراءة المزيد عن تنسيق البيانات المتوازنة في دليلنا حول فهم تحيز مجموعة البيانات، أو متابعة أحدث التطورات المقدمة في مؤتمر COPA السنوي.