بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
الشبكات العصبية الشعاعية RBF المدربة بخوارزميات الانحدار التدريجي توفر هياكل متصلة فعالة في الشبكات الضحلة والعميقة، لكنها تواجه تحديات قابلية التوسع مع البيانات الضخمة مثل الحوسبة المفرطة للنواة والهياكل الخفية الكبيرة. (وفقاً لـ arXiv)
قدم الباحثان عمار حوري ويويتشي موتاي حلين جديدين يسميان MC-PSO وMC-APSO، مستوحيين من نجاح النهج السابق MCRN الذي حسّن أداء خوارزمية ErrCor عبر نشر شبكات RBF صغيرة في نظام متوازي. الخوارزمية الجديدة تدمج مزايا تحسين السرب PSO التي تستخدم خبرة السرب لتحسين معاملات RBFN، وتوفر بحثاً شاملاً ومقاومة للحلول المحلية المثلى.
- تقسيم البيانات مكانياً: تقسيم مجموعة البيانات إلى مجموعات فرعية مكانية محددة، حيث تختص كل مجموعة فرعية بمنطقة جغرافية أو خصائص معينة من البيانات.
- تدريب شبكات متخصصة: تدريب شبكة RBFN منفصلة على كل مجموعة فرعية باستخدام خوارزمية PSO أو APSO، مما ينتج شبكات متخصصة ومصممة خصيصاً لمجموعاتها الفرعية.
- التدريب المستقل والمتوازي: كل شبكة RBFN تتدرب بشكل مستقل تماماً، مما يسمح بالمعالجة المتوازية ويقلل الوقت الإجمالي للتدريب مقارنة بالطرق التقليدية.
- الاختيار الذكي للشبكات: خلال الاختبار، تساهم فقط الشبكات المختارة التي تقع مواقع جيران الحالة المختبرة في مناطقها، بدلاً من استخدام جميع الشبكات.
- تجميع المخرجات المتعددة: دمج نتائج الشبكات المختارة للحصول على المخرج النهائي متعدد الأعمدة، مما يحقق دقة أعلى من الاعتماد على شبكة واحدة.
- التحسين التكيفي المحسّن: استخدام خوارزمية APSO التي تحسن سرعة التقارب عبر التعديل الديناميكي لمعاملات السرب أثناء التحسين.
أظهرت التقييمات على مجموعات بيانات مرجعية متنوعة أن MC-PSO وMC-APSO تفوقا على ErrCor وPSO وAPSO وMCRN في الدقة والاستدعاء. كما حققا أوقات تدريب واختبار أسرع في معظم التجارب. النتائج تشير إلى أن التخصص يحسن الدقة بينما التوازي يعزز السرعة.
الخوارزمية الجديدة تعالج مشكلة أساسية: بينما تقدم خوارزمية PSO بحثاً شاملاً ومقاومة للحلول المحلية، تعاني من تحديات قابلية التوسع مع البيانات الكبيرة. النهج المتعدد الأعمدة يحتفظ بمزايا السرب مع تقليل التعقيد الحاسوبي عبر التقسيم والتخصص.
القيود الرئيسية تتضمن الحاجة لضبط دقيق لعدد الأعمدة المثالي وطريقة التقسيم المكاني، بالإضافة إلى زيادة تعقيد النظام مقارنة بالشبكات الأحادية. لكن الأداء المحسّن يبرر هذا التعقيد الإضافي للتطبيقات الحقيقية ذات البيانات الضخمة.
