تضمين الجوار العشوائي المُوَزَّع t (t-SNE)

تقنية التضمين العشوائي للجوار الموزعة على شكل حرف t هي تقنية متطورة غير خطية متطورة وغير خطية لتقليل الأبعاد تُستخدم في المقام الأول لاستكشاف وتصور البيانات عالية الأبعاد. طورها لورينس فان دير ماتن وجيفري هينتون، تسمح هذه الطريقة الإحصائية للباحثين و وممارسي التعلّم الآلي (ML) بإسقاط مجموعات بيانات معقدة بمئات أو آلاف الأبعاد في فضاء ثنائي الأبعاد أو ثلاثي الأبعاد. على عكس تتفوق طريقة t-SNE في الحفاظ على البنية المحلية للبيانات، مما يجعلها مفيدة بشكل استثنائي في لمهام تصور البيانات حيث تحديد التكتلات والعلاقات بين نقاط البيانات أمر بالغ الأهمية.

كيف يعمل t-SNE

تعمل الخوارزمية من خلال تحويل أوجه التشابه بين نقاط البيانات إلى احتمالات مشتركة. في الأصل الأصلية ذات الأبعاد العالية، تقيس t-SNE التشابه بين النقاط باستخدام توزيع غاوسي، حيث يكون للأجسام المتشابهة حيث يكون للأجسام المتشابهة احتمالية عالية لاختيارها كجيران. ثم يحاول بعد ذلك تعيين هذه النقاط إلى فضاء منخفض الأبعاد ("التضمين") عن طريق تقليل التباعد بين التوزيع الاحتمالي للبيانات الأصلية وتلك الخاصة بالبيانات المضمنة. تعتمد هذه العملية بشكل كبير على مبادئ التعلّم غير الخاضع للإشراف، حيث تجد أنماطاً الأنماط دون الحاجة إلى مخرجات مصنفة.

يتمثل أحد الجوانب المهمة في t-SNE في قدرته على التعامل مع "مشكلة الازدحام" في التصور. باستخدام الذيل الثقيل لتوزيع الطالب على شكل حرف t في الخريطة ذات الأبعاد المنخفضة، فإنه يمنع النقاط من التداخل بكثافة كبيرة, مما يضمن بقاء المجموعات المتميزة بصرياً قابلة للفصل بصرياً.

التطبيقات في الذكاء الاصطناعي وتعلم الآلة

يُعد تصور البيانات عالية الأبعاد خطوة أساسية في في دورة حياة تطوير الذكاء الاصطناعي. t-SNE يوفر حدسًا حول كيفية عرض النموذج للبيانات في مختلف المجالات.

• تحليل ميزات الرؤية الحاسوبية: في الرؤية الحاسوبية، غالبًا ما يستخدم المهندسون t-SNE لتفسير ما تعلّمه نموذج تعلمه نموذج التعلم العميق (DL). على سبيل المثال على سبيل المثال، من خلال استخراج متجهات الميزة (التضمينات) من العمود الفقري لنموذج مدرَّب YOLO11 المدرّب قبل رأس الكشف النهائي، يمكن لـ t-SNE إسقاط هذه المتجهات على مستوى ثنائي الأبعاد. إذا كان أداء النموذج جيداً، فإن صور الأجسام المتشابهة (مثل السيارات والمشاة، وراكبي الدراجات الهوائية) ستتجمع معًا في مجموعات متميزة، مما يؤكد فعالية عملية عملية استخراج السمات.
• معالجة اللغات الطبيعية (NLP): يُستخدم t-SNE على نطاق واسع لتصور الكلمات مثل تلك التي تم إنشاؤها بواسطة نماذج GloVe أو Transformer. في هذه التصورات، الكلمات ذات المعاني الدلالية المتشابهة - مثل "ملك" و"ملكة" - تظهر كجيران متقاربين. هذا يساعد الباحثين على فهم العلاقات الدلالية التي تلتقطها معالجة اللغة الطبيعية (NLP) وتشخيص التحيزات المحتملة في بيانات التدريب.

ر-سني مقابل التقنيات ذات الصلة

من المهم التمييز بين t-SNE وطرق تقليل الأبعاد الأخرى، حيث أنها تخدم أغراضًا مختلفة في في خط أنابيب التعلم الآلي.

• تحليل المكونات الرئيسية (PCA): تحليل PCA هو تقنية خطية تركز على الحفاظ على التباين العام للبيانات. على الرغم من أن PCA أسرع من الناحية الحسابية وحتمية، إلا أنه غالبًا ما يفشل في التقاط العلاقات المعقدة وغير الخطية. يتضمن سير العمل الشائع استخدام تحليل PCA لتقليل البيانات الأولية إلى من 30-50 بُعدًا في العادة، متبوعًا ب t-SNE للتصور النهائي. يقلل هذا النهج الهجين من الضوضاء و والحمل الحسابي.
• أجهزة الترميز التلقائي: المُشَفِّر التلقائي هو نوع من الشبكات العصبية المدربة على ضغط البيانات وإعادة بناء البيانات. بينما يمكن للمُشفِّرات التلقائية أن تتعلم التمثيلات غير الخطية، إلا أن الشبكة العصبية التلقائية مُعدَّة خصيصًا من أجل للتخطيط والفحص البصري بدلاً من ضغط البيانات للتخزين أو النقل.

مثال على تنفيذ Python

يوضّح المثال التالي كيفية استخدام مكتبة Scikit-learn الشهيرة ل لتصور البيانات عالية الأبعاد. يقوم هذا المقتطف بتوليد مجموعات اصطناعية وإسقاطها في فضاء ثنائي الأبعاد باستخدام t-SNE.

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.manifold import TSNE

# Generate synthetic high-dimensional data (100 samples, 50 features)
X, y = make_blobs(n_samples=100, n_features=50, centers=3, random_state=42)

# Apply t-SNE to reduce features from 50 to 2 dimensions
# Perplexity relates to the number of nearest neighbors to consider
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_embedded = tsne.fit_transform(X)

# Visualize the projected 2D data
plt.scatter(X_embedded[:, 0], X_embedded[:, 1], c=y)
plt.title("t-SNE Visualization of Features")
plt.show()

القيود وأفضل الممارسات

على الرغم من قوتها، إلا أن T-SNE تتطلب ضبطًا دقيقًا ضبطًا دقيقًا للمقياس الفائق. يمكن لمعامل "perplexity"، الذي يوازن الانتباه بين الجوانب المحلية والعالمية للبيانات، يمكن أن تغيير الرسم البياني الناتج بشكل كبير. بالإضافة إلى ذلك، الخوارزمية مكلفة حسابيًا (تعقيد O(N²)), مما يجعلها بطيئة بالنسبة لمجموعات البيانات الكبيرة جدًا مقارنةً بطرق الإسقاط البسيطة.

لا تمثّل المسافات بين المجموعات المنفصلة في مخطط t-SNE بالضرورة مسافات فيزيائية دقيقة في في الفضاء الأصلي؛ فهي تشير في المقام الأول إلى أن المجموعات متمايزة. للاستكشاف التفاعلي للتضمينات غالبًا ما تُستخدم أدوات مثل TensorFlow Embedding Projector جنبًا إلى جنب مع تدريب النموذج. مع تقدم أبحاث الذكاء الاصطناعي نحو YOLO26 و وغيرها من البنى المتكاملة، يظل تفسير هذه المساحات عالية الأبعاد مهارة بالغة الأهمية للتحقق من صحة و واختبار النماذج.