تعاني تطبيقات التصنيف المتعدد الأبعاد (Multi-view Clustering) من تحديات كبيرة عندما يتعلق الأمر بالبيانات الأصلية التي قد تحتوي على ضوضاء (Noise). على الرغم من أن بعض الطرق المبنية على الرسوم البيانية (Graph-based) قد تم تطويرها لتقليل تأثير الضوضاء، إلا أن معظم هذه الطرق تتعامل مع جميع الميزات بشكل متساوي، وهو أمر غير منطقي بالنظر إلى وجود ميزات زائدة أو ضوضاء في البيانات.

في هذا السياق، تم تقديم إطار عمل مبتكر يُعرف بـ Double Self-weighted Multi-view Clustering (DSMC) لمواجهة هذه الانتقادات. يعتمد DSMC على تنفيذ عمليتين وزن ذاتيتين للتخلص من الميزات الزائدة والضوضاء من كل رسم بياني، مما يؤدي إلى الحصول على رسوم بيانية قوية.

تعتمد العملية الأولى على إضافة مصفوفة وزن مرنة تعزز دور الميزات المهمة في التمثيل المشترك، مما يضمن أن تكون الرسوم البيانية مقاومة للضوضاء. أما العملية الثانية فتعمل على وزن الرسوم البيانية المختلفة بواسطة عامل وزن متكيف، مما يمنح الأهمية للرسوم البيانية الأكثر قوة.

علاوة على ذلك، تم تصميم دمج متعدد الرسوم البيانية بشكل يتناسب مع الميزات الموجودة في الرسوم البيانية المختلفة، مما يؤدي إلى تكامل هذه الرسوم لأغراض التصنيف.

تظهر التجارب التي أُجريت على ستة مجموعات بيانات حقيقية أن تقنيات DSMC تتفوق بشكل ملحوظ على أحدث طرق التصنيف المتعدد الأبعاد، مما يجعلها حلاً واعداً لمختلف التحديات في هذا المجال. لنتسائل: كيف يمكن أن تؤثر هذه التطورات على مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!