بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
كسر الباحث شيراج بابراجو حاجزاً نظرياً صمد لأكثر من عقد بإثبات التعقيد الأمثل للعينات في التصنيف متعدد الفئات. (وفقاً لورقة ArXiv المنشورة) المشكلة التي واجهت علماء التعلم الآلي منذ عقود تتمحور حول سؤال بسيط ولكن عميق: كم عينة تدريب تحتاج بالضبط لبناء مصنف موثوق يميز بين عدة فئات؟
بينما نملك إجابة دقيقة لهذا السؤال في التصنيف الثنائي منذ عقود باستخدام VC dimension، ظل التصنيف متعدد الفئات لغزاً محيراً. الفجوة بين الحدود النظرية العليا والسفلى بلغت √DS، وهي فجوة كبيرة في المعايير الرياضية. تخيل أنك تريد بناء نموذج يميز بين 100 فئة مختلفة – الفرق بين التقدير الأدنى والأعلى لعدد العينات المطلوبة كان يمكن أن يصل إلى عشرات الآلاف من العينات.
استند بابراجو إلى عمل هانيك وزملائه الذي نُشر عام 2026، والذي طور وصفاً جبرياً مبتكراً لفئات الفرضيات متعددة التصنيف باستخدام DS dimension. هذا الوصف الجبري فتح المجال أمام نهج رياضي جديد لمعالجة المشكلة. بابراجو أثبت أن الكثافة القصوى لأي hypergraph في فئة فرضيات متعددة التصنيف محدودة بقيمة DS dimension الخاصة بها.
هذا الإثبات ليس مجرد تمرين رياضي – إنه يحل حدسية دانيلي وشاليف-شوارتز من عام 2014 التي ظلت بلا برهان لأكثر من عقد. الحدسية كانت تقترح وجود علاقة محددة بين DS dimension وتعقيد العينات، لكن البرهان الصارم كان مفقوداً. النتيجة الجديدة لا تحل مسألة التصنيف متعدد الفئات فحسب، بل تمتد أيضاً إلى ما يُعرف بـ list learning، حيث يُطلب من النموذج إنتاج قائمة مرتبة من التصنيفات المحتملة بدلاً من تصنيف واحد.
التأثير العملي قد يبدو محدوداً في الأمد القصير، خاصة مع هيمنة الشبكات العصبية العميقة التي تعتمد على التجربة والخطأ أكثر من النظرية الصارمة. لكن فهم الحدود النظرية المثلى يصبح حاسماً عندما تكون البيانات المُلصقة نادرة أو مكلفة. في السيناريوهات الطبية أو الصناعية التي تتطلب خبراء لتصنيف البيانات، معرفة العدد الأدنى من العينات المطلوبة يمكن أن توفر آلاف الدولارات وشهور من العمل.
البحث يؤكد أن التقدم النظري في التعلم الآلي لم يتوقف رغم التركيز الإعلامي على التطبيقات التجارية. هذه الأسس الرياضية الصلبة ستصبح أكثر أهمية مع نضج المجال ووصول الممارسين إلى حدود الطرق التجريبية الحالية. كما أن نتائج بابراجو تفتح الباب أمام تطوير خوارزميات جديدة تستغل هذه المعرفة النظرية لتحقيق كفاءة أفضل في استخدام البيانات.
الورقة البحثية تدخل ضمن مجموعة الأعمال النظرية المهمة التي تبني الأساس لجيل قادم من تقنيات التعلم الآلي أكثر دقة وأقل حاجة للبيانات. هذا النوع من التقدم النظري قد يكون أقل إثارة من إطلاق نموذج جديد، لكنه يمثل اللبنات الأساسية لمستقبل الذكاء الاصطناعي.
