أصبح تحسين بايزي (Bayesian Optimization) أحد الأدوات الحيوية في حل المشكلات التي تتطلب تقييمًا دقيقًا للدوال، خاصة في الحالات التي تكون فيها التكلفة المرتبطة بالتقييم مرتفعة. لكن ماذا يحدث عندما تصبح عمليات التقييم أرخص ومتاحة بكثرة؟ هنا تنشأ تحديات جديدة تتعلق بكيفية التعامل مع عدد كبير من المشاهدات.

اليوم، نفتح الباب أمام تقنية الجيران الأقرب (Epistemic Nearest Neighbors - ENN) التي تمثل بديلًا أخف وزنًا من نماذج العمليات الغاوسية (Gaussian Processes - GP)، والتي تعرضت لنقد بسبب تعقيدها وسرعتها المحدودة. تقنيتنا الجديدة تشهد تقدمًا ملحوظًا في الأداء، حيث يتناسب وقت التكيف مع عدد المشاهدات $N$ بشكل خطي، مما يعني أمكانية معالجة كميات أكبر بكثير من البيانات بشكل أكثر كفاءة.

باستخدام طريقة جديدة تدعى TuRBO-ENN، نحن نستبدل نموذج GP المعقد بأسلوب الجيران الأقرب الذي يقلل بشكل كبير من الوقت المستغرق لتوليد الاقتراحات. في حالة المشكلات الخالية من الضوضاء، يمكننا تخطي خطوة التكيف تمامًا، وبالتالي تعزيز الكفاءة.

تظهر النتائج التجريبية أن TuRBO-ENN يتيح تقليص وقت الاقتراح بشكل يتراوح بين مرتبتين إلى ثلاث مراتب، حتى مع وجود ما يصل إلى 50,000 ملاحظة. وبالتالي، نقدم لكم مستقبلًا مُشرقًا لتحسين بايزي مع إمكانية معالجة البيانات بشكل أسرع وأكثر كفاءة.

ما رأيكم في هذه التقنية الجديدة؟ هل تعتقدون أنها ستحدث ثورة في مجال تحسين بايزي؟ شاركونا في التعليقات.