تعزيز موثوقية الشبكات العصبية العميقة: التقنيات الثورية في المعايرة والتنقيح

تُعتبر الشبكات العصبية العميقة (Deep Neural Networks - DNNs) من أبرز التقنيات المستخدمة في الذكاء الاصطناعي، حيث تتميز بدقة تنبؤات عالية. لكن، على الرغم من ذلك، فإن تقديرات الثقة التي تقدّمها هذه الشبكات غالباً ما تكون غير موثوقة، مما يُعرض ثقة المستخدمين في قراراتها للخطر. لذلك، يُعَد البحث عن نماذج معمَّقة قادرة على تحسين تلك التقديرات خطوة مهمة في تطوير الأنظمة الذكية.

تركّز المعايرة (Calibration) على كيفية توافق تقديرات الثقة في التنبؤات مع الاحتمالات الفعلية للصواب. ومع ذلك، فإن المقاييس المستخدمة في المعايرة يمكن تحسينها عبر تقنيات ما بعد المعالجة التي قد لا تعزز بالضرورة من فهم النموذج، مما يجعل الحاجة إلى التدخل اليدوي أو التنقيح أمراً ضرورياً. فالنموذج الذي يتمتع بتنقيح جيد يُعتبر قادراً على منح درجات ثقة مختلفة بشكل واضح بين التنبؤات الصحيحة والأخطاء، وهو ما يعرف بخصائص الحدة (Sharpness).

ومع ذلك، نلاحظ أن العديد من الطرق الحالية لعملية المعايرة قد تُحسن الأداء لكن على حساب تقليل التنقيح. لمواجهة هذه التحديات، تم اقتراح (1) دالة خسارة مبتكرة تعزز التنقيح بشكل صريح، حيث يمكن تحسينها من خلال التعلم المركب الخاضع للإشراف (Supervised Contrastive Learning)، و(2) إطار تدريب موحد يُطلق عليه اسم RefCal، الذي يعمل على تحسين المعايرة والتنقيح والدقة بشكل مشترك.

أظهرت النتائج على مجموعة بيانات CIFAR-100-LT ذات التمييز الصنيف بنسبة 10%، أن RefCal يُحقق معدلات دقة (Accuracy) تبلغ 58.81 والتنقيح (Refinement) 95.67، مع وجود درجة خطأ تجريبية (ECE) تبلغ 0.08، مما يفوق بكثير دالة خسارة التصنيف الصحيحة التقليدية التي سجلت (46.27، 93.7، 0.22) على التوالي.

تعتبر هذه التطورات خطوة نحو تعزيز ثقة المستخدمين في الأنظمة المعتمدة على الذكاء الاصطناعي، مما يمهد الطريق لمزيد من الابتكارات في القطاع.