الفرقة

كيفية عمل المجموعات

تعمل أساليب التجميع من خلال تدريب نماذج أساسية متعددة أولاً. يمكن أن تكون هذه النماذج من نفس النوع (مجموعة متجانسة) أو أنواع مختلفة (مجموعة غير متجانسة)، مثل الجمع بين أشجار القرار وآلات ناقلات الدعم (SVMs) والشبكات العصبية (NNs). وغالبًا ما يكون المفتاح هو تشجيع التنوع بين النماذج الأساسية، ويتم تحقيق ذلك من خلال تقنيات مثل التدريب على مجموعات فرعية مختلفة من بيانات التدريب أو استخدام خوارزميات أو معلمات مفرطة مختلفة. بمجرد التدريب، يتم دمج تنبؤات هذه النماذج الفردية باستخدام استراتيجية محددة. تتضمن الاستراتيجيات الشائعة حساب متوسط التنبؤات (لمهام الانحدار) أو استخدام التصويت بالأغلبية (لمهام التصنيف). قد تتضمن الأساليب الأكثر تطوراً حساب متوسط مرجح أو تعلم نموذج آخر (متعلم فائق) لتحديد الطريقة المثلى لدمج مخرجات النموذج الأساسي.

فوائد استخدام المجموعات

يوفر استخدام طرق التجميع العديد من المزايا المهمة:

• تحسين الأداء التنبؤي: عادةً ما تحقق التجميعات دقة أعلى وأداءً أفضل في مقاييس مثل درجة F1 مقارنةً بالنماذج الفردية من خلال تقليل الخطأ الكلي.
• زيادة المتانة: من خلال حساب متوسط تنبؤات النماذج المتعددة، تكون المجموعات أقل حساسية للخصائص أو الضوضاء في بيانات التدريب ونقاط الضعف المحددة للمتعلمين الفرديين. يساعد ذلك على تقليل مخاطر الإفراط في التكييف.
• تعميم أفضل: تميل المجموعات إلى التعميم بشكل أفضل على بيانات الاختبار غير المرئية لأنها تلتقط نطاقًا أوسع من الأنماط وتقل احتمالية تحيزها لجوانب محددة من مجموعة التدريب. يتعلق هذا بإدارة المفاضلة بين التحيز والتباين.

تقنيات المجموعات المشتركة

يتم استخدام العديد من التقنيات المعمول بها لإنشاء مجموعات فعالة:

• التجميع (تجميع التمهيد): يتضمن تدريب حالات متعددة من نفس المتعلم الأساسي على مجموعات فرعية عشوائية مختلفة من بيانات التدريب (يتم أخذ عينات مع الاستبدال). يتم تجميع التنبؤات عادةً من خلال التصويت أو حساب المتوسط. الغابة العشوائية هي مثال شائع لتقنية التجميع باستخدام أشجار القرار.
• التعزيز: يبني المجموعة بالتتابع. يركز كل نموذج جديد على تصحيح الأخطاء التي ارتكبتها النماذج السابقة. ومن الأمثلة على ذلك AdaBoost وآلات تعزيز التدرج (GBMs).
• التكديس (التعميم المكدس): يجمع بين تنبؤات من عدة نماذج أساسية مختلفة (على سبيل المثال، نموذج Ultralytics YOLO و RT-DETR ونموذج SVM) من خلال تدريب نموذج تلوي (على سبيل المثال، الانحدار اللوجستي) لمعرفة أفضل طريقة للجمع بين مخرجاتها. تعرف على المزيد حول تعميم التكديس.

التمييز عن المصطلحات ذات الصلة

من المهم التمييز بين المجموعات ومفاهيم التعلم الآلي الأخرى:

• نموذج واحد معقد: في حين أن نموذجًا واحدًا كبيرًا (مثل سي إن إن العميقة أو محول الرؤية (ViT) يمكن أن يكون قويًا جدًا، فإن المجموعة تجمع بين نماذج متعددة، غالبًا ما تكون أبسط، لتحقيق المتانة والدقة العالية المحتملة.
• نقل التعلّم: يتضمن إعادة استخدام نموذج مُدرّب مسبقًا (أو أجزاء منه) كنقطة انطلاق لمهمة جديدة، بدلاً من الجمع بين مخرجات نماذج متعددة مُدرّبة بشكل مستقل.
• التعلم متعدد الوسائط: يركز على تدريب النماذج التي يمكنها معالجة ودمج المعلومات من أنواع مختلفة من البيانات (على سبيل المثال، الصورة والنص)، في حين أن المجموعات عادةً ما تجمع بين النماذج التي تعمل على نفس النوع من البيانات والمهمة.

التطبيقات الواقعية

تُستخدم أساليب التجميع على نطاق واسع في مختلف المجالات نظرًا لفوائدها في الأداء:

1. الرؤية الحاسوبية للأنظمة ذاتية القيادة: في المركبات ذاتية القيادة وأنظمة مساعدة السائق المتقدمة (ADAS)، مجموعات من نماذج الكشف عن الأجسام (ربما تجمع بين بنيات مختلفة مثل YOLOv10 و YOLO11أو النماذج المدرّبة باستخدام استراتيجيات مختلفة لزيادة البيانات ) يمكن أن توفر كشفًا أكثر موثوقية للمشاة والمركبات والعوائق من خلال التخفيف من أنماط فشل أي نموذج واحد. يمكن النظر إلى تقنيات مثل تعزيز وقت الاختبار (TTA)، التي تحسب متوسط التنبؤات على الإصدارات المعززة من صورة الإدخال، على أنها شكل من أشكال التجميع في وقت الاستدلال.
2. كشف الاحتيال المالي: غالبًا ما تستخدم المؤسسات المالية مجموعات من النماذج المتنوعة(الانحدار اللوجستي، وتعزيز التدرج، والشبكات العصبية) للكشف عن المعاملات الاحتيالية. يؤدي الجمع بين النماذج التي تلتقط أنماطًا وأنواعًا مختلفة من السلوك الاحتيالي إلى نظام كشف أكثر قوة ودقة، وهو أمر بالغ الأهمية لتقليل الخسائر المالية. استكشف المزيد عن الذكاء الاصطناعي في المجال المالي.
3. تحليل الصور الطبية: تُستخدم مجموعات من شبكات سي إن إن في تحليل الصور الطبية لمهام مثل الكشف عن الأورام أو تصنيف الأمراض (على سبيل المثال، استخدام YOLO11 للكشف عن الأورام). يمكن أن يؤدي الجمع بين النماذج المدرّبة على مجموعات فرعية مختلفة من البيانات أو ببنى مختلفة إلى تحسين دقة التشخيص والموثوقية.
4. منصات المنافسة: تشتهر المجموعات بفعاليتها في مسابقات التعلّم الآلي، حيث يقوم المشاركون في كثير من الأحيان بدمج عدة نماذج عالية الأداء لاكتساب ميزة تنافسية.

الفوائد والاعتبارات

على الرغم من قوة المجموعات إلا أنها تزيد من التعقيد والمتطلبات الحسابية لتدريب النماذج ونشر النماذج. تتطلب إدارة نماذج متعددة المزيد من الموارد والهندسة الدقيقة. ومع ذلك، فإن المكاسب الكبيرة في الأداء غالبًا ما تبرر هذه التكاليف في التطبيقات الهامة. يمكن لمنصات مثل Ultralytics HUB تبسيط إدارة وتدريب نماذج متعددة، مما يسهل إنشاء ونشر مجموعات فعالة مبنية باستخدام أطر عمل مثل PyTorch أو TensorFlow. يعد تقييم المفاضلة بين مكاسب الأداء وزيادة التعقيد أثناء تقييم النموذج أمرًا ضروريًا للتطبيقات العملية.