Dimensionality Reduction

تقليل الأبعاد هو تقنية تحويلية في تعلّم الآلة (ML) وعلوم البيانات، تُستخدم لتقليل عدد متغيرات الإدخال — التي يُشار إليها غالبًا باسم الميزات أو الأبعاد — في مجموعة بيانات، مع الاحتفاظ بأهم المعلومات. في عصر البيانات الضخمة، تحتوي مجموعات البيانات غالبًا على آلاف المتغيرات، مما يؤدي إلى ظاهرة تُعرف باسم لعنة الأبعاد. وقد تتسبب هذه الظاهرة في أن يصبح تدريب النماذج مكلفًا حسابيًا، وعرضةً لـفرط التكيّف، وصعب التفسير. ومن خلال إسقاط البيانات عالية الأبعاد في فضاء أقل أبعادًا، يمكن للممارسين تحسين الكفاءة والتصور والأداء التنبؤي.

الفوائد الأساسية في تطوير الذكاء الاصطناعي#

يُعد تقليل تعقيد البيانات خطوة أساسية في مسارات المعالجة المسبقة للبيانات. ويوفر عدة مزايا ملموسة لبناء أنظمة الذكاء الاصطناعي (AI) المتينة:

• تحسين الكفاءة الحسابية: تعني الميزات الأقل بيانات أقل للمعالجة. وهذا يسرّع أوقات تدريب خوارزميات مثل YOLO26، مما يجعلها أكثر ملاءمةً لـالاستدلال في الوقت الفعلي والنشر على أجهزة الذكاء الاصطناعي الطرفي محدودة الموارد.
• تحسين تصور البيانات: تواجه الحدوس البشرية صعوبةً في استيعاب البيانات التي تتجاوز ثلاثة أبعاد. يضغط تقليل الأبعاد مجموعات البيانات المعقدة في فضاءات ثنائية أو ثلاثية الأبعاد، مما يتيح تصور البيانات بفاعلية لاكتشاف العناقيد والأنماط والقيم الشاذة باستخدام أدوات مثل TensorFlow لعرض التضمينات.
• تقليل الضوضاء: من خلال التركيز على التباين الأكثر صلةً في البيانات، تعمل هذه التقنية على تصفية الضوضاء والميزات المكررة. وينتج عن ذلك بيانات تدريب أنظف، مما يساعد النماذج على التعميم بصورة أفضل على الأمثلة غير المرئية.
• تحسين التخزين: قد يكون تخزين مجموعات البيانات الضخمة على السحابة، مثل تلك المُدارة عبر منصة Ultralytics، مكلفًا. ويؤدي ضغط فضاء الميزات إلى خفض متطلبات التخزين بدرجة كبيرة دون التضحية بسلامة البيانات الأساسية.

التقنيات الأساسية: الخطية مقابل غير الخطية#

تُصنّف أساليب تقليل الأبعاد عمومًا بناءً على ما إذا كانت تحافظ على البنية الخطية العامة للبيانات أو المتشعب غير الخطي المحلي لها.

الأساليب الخطية#

تُعد تحليل المكوّنات الرئيسية (PCA) أكثر التقنيات الخطية رسوخًا. يعمل PCA من خلال تحديد «المكوّنات الرئيسية» — وهي محاور متعامدة تلتقط أقصى قدر من التباين في البيانات. ويسقط البيانات الأصلية على هذه المحاور الجديدة، متخلصًا بفاعلية من الأبعاد التي تسهم بقدر ضئيل من المعلومات. وتُعد هذه التقنية عنصرًا أساسيًا في مسارات عمل التعلّم غير الخاضع للإشراف.

الأساليب غير الخطية#

تتطلب هياكل البيانات المعقدة، مثل تضمينات الصور أو النصوص، غالبًا أساليب غير خطية. وتتفوق تقنيات مثل t-SNE وUMAP في الحفاظ على الجوار المحلي، مما يجعلها مثالية لتصور العناقيد عالية الأبعاد. بالإضافة إلى ذلك، تُعد المشفّرات التلقائية شبكات عصبية تُدرَّب لضغط المدخلات في تمثيل ضمن فضاء كامن ثم إعادة بنائها، فتتعلم بفاعلية ترميزًا مدمجًا للبيانات.

التطبيقات الواقعية#

يُعد تقليل الأبعاد أمرًا بالغ الأهمية في مجالات متنوعة من التعلّم العميق (DL):

1. الرؤية الحاسوبية: تعالج كاشفات الأجسام الحديثة مثل YOLO26 صورًا تحتوي على آلاف البكسلات. وتستخدم الطبقات الداخلية تقنيات مثل التجميع والالتفافات ذات الخطوة لتقليل الأبعاد المكانية لـخرائط الميزات تدريجيًا، واستخلاص المفاهيم الدلالية عالية المستوى من البكسلات الخام، مثل «الحافة» و«العين» و«السيارة».

2. علم الجينوم والرعاية الصحية: في تحليل الصور الطبية والمعلوماتية الحيوية، يحلل الباحثون بيانات التعبير الجيني التي تضم عشرات الآلاف من المتغيرات. ويساعد تقليل الأبعاد على تحديد المؤشرات الحيوية الرئيسية لتصنيف الأمراض، كما يتضح في الدراسات المتعلقة بـعلم جينوم السرطان.

3. أنظمة التوصية: تستخدم منصات مثل Netflix أو Spotify تحليل العوامل للمصفوفات، وهو أحد تقنيات التقليل، للتنبؤ بتفضيلات المستخدمين. ومن خلال تقليل المصفوفة المتناثرة لتفاعلات المستخدمين والعناصر، يمكنها التوصية بالمحتوى بكفاءة استنادًا إلى الميزات الكامنة.

تقليل الأبعاد مقابل اختيار الميزات#

من المهم تمييز هذا المفهوم عن اختيار الميزات، إذ يحققان أهدافًا متشابهة من خلال آليات مختلفة:

• اختيار الميزات يتضمن اختيار مجموعة فرعية من الميزات الأصلية، مثل الإبقاء على «العمر» وحذف «الاسم». ولا يغيّر قيم الميزات المختارة.
• تقليل الأبعاد، وتحديدًا استخراج الميزات، ينشئ ميزات جديدة تمثل تركيبات من الميزات الأصلية. فعلى سبيل المثال، قد يدمج PCA «الطول» و«الوزن» في مكوّن جديد واحد يمثل «حجم الجسم».

مثال بلغة Python: تقليل تضمينات الصور#

يوضح المثال التالي كيفية أخذ مخرجات عالية الأبعاد، تحاكي متجه تضمين صورة، وتقليل أبعادها باستخدام PCA. ويُعد هذا مسار عمل شائعًا عند تصور كيفية تجميع نموذج مثل YOLO26 للفئات المتشابهة.

import numpy as np
from sklearn.decomposition import PCA

# Simulate high-dimensional embeddings (e.g., 10 images, 512 features each)
# In a real workflow, these would come from a model like YOLO26n
embeddings = np.random.rand(10, 512)

# Initialize PCA to reduce from 512 dimensions to 2
pca = PCA(n_components=2)
reduced_data = pca.fit_transform(embeddings)

# Output shape is now (10, 2), ready for 2D plotting
print(f"Original shape: {embeddings.shape}")  # (10, 512)
print(f"Reduced shape: {reduced_data.shape}")  # (10, 2)