في عالم الأبحاث، خصوصًا في مجالات مثل بيولوجيا خلايا المفردة، يعتبر استنتاج المسارات الاحتمالية المستمرة من لقطات متفرقة تحديًا أساسيًا. هذه القضايا تبرز خاصةً حينما نتعامل مع بيانات باهظة الثمن وقابلة للتدمير. لذلك، ظهرت الحاجة لتطبيق استراتيجيات التعلم النشط لاختيار أوقات القياس الأمثل.

لكن، تصميم سياسات التعلم النشط لهذا السياق يعد مسألة مفتوحة، إذ إن الأهداف المستهدفة تعيش في فضاء فاسرشتاين (Wasserstein) ذي الأبعاد اللانهائية، حيث تكون قياسات إقليدية القياسية غير مناسبة. بجانب ذلك، تفتقر طرق الاستيفاء الحالية إلى تحديد عدم اليقين المعرفي.

في هذا السياق، نقدم إطارًا جديدًا يوسع نطاق التجارب النشطة إلى فضاء القياسات. من خلال الاستفادة من النقل الأمثل الخطي (Linearized Optimal Transport)، نقوم بتحويل اللقطات التوزيعية إلى فضاء متماسك يسهل نمذجة العمليات الغاوسية (Gaussian Process)؛ مما يتيح لنا بناء نموذج احتمالي قابل للتطبيق للمسار الاحتمالي الأساسي.

وهذا بدوره ينتج سياسة اقتناء تقوم باختيار أوقات القياس بشكل تكراري يهدف إلى تقليل عدم اليقين.

أظهرت النتائج التجريبية أن استراتيجيتنا تتفوق على الأساليب التقليدية التي لا تأخذ في عين الاعتبار عدم اليقين على كل من مجموعات البيانات الاصطناعية والواقعية.

إذًا، هل أنتم مستعدون لخوض هذه الرحلة المثيرة في عالم التعلم النشط؟ شاركونا آراءكم حول هذه التطورات التقنية الجديدة!