في عالم الذكاء الاصطناعي، تلعب الشبكات العصبية العميقة دورًا حيويًا في مساعدة الآلات على فهم وتصنيف الصور بدقة متناهية. إلا أنَّ هذه النماذج، ورغم تقدمها، تواجه تحديات جسيمة في القدرة على التعبير عن عدم اليقين الإدراكي (Epistemic Uncertainty) وغالبًا ما تُنتج تنبؤات تُظهر ثقة مفرطة. هذه المشاكل تصبح أكثر وضوحًا عند التعامل مع التصنيف الهيراركي (Hierarchical Classification)، حيث يتعين أن تبقى التنبؤات على المستويات الدقيقة والخشنة متماشية ومتسقة.

تقدم الدراسة الحديثة لأول مرة إطار عمل متكامل يجمع بين النهج العصبي الرمزي (Neurosymbolic approach) ونمذجة الإدراك المعرفي (Epistemic modeling)، حيث يسعى هذا الإطار إلى تعزيز نماذج الـ Swin Transformers بآليات جديدة للتفكير المعتمد على التركيز (Focal Set Reasoning) ومنطق ضبابي (Fuzzy Logic).

بدلاً من اعتبار التسميات كفئات معزولة، يساعد منهجنا في إنشاء مجموعات مركّزة مُعتمدة على البيانات في فضاء التعلم، مما يمكنه من التقاط عدم اليقين الإدراكي عبر العديد من الفئات الدقيقة المحتملة. تُشكل هذه المجموعات الأساس لطبقة نظرية الاعتقاد التي تستخدم دوال الانتماء الضبابية (Fuzzy Membership Functions) والعمليات التوافقية من نوع t-norm لتعزيز التناسق بين التنبؤات الدقيقة والخشنة.

علاوة على ذلك، تقدم الدراسة خسارة قابلة للتعلم تهدف إلى توازن المعايرة (Calibration) وتنظيم الكتلة (Mass Regularisation) والاتساق المنطقي (Logical Consistency)، مما يمنح النموذج القدرة على التكيف والتفاوض بين الهيكل الرمزي والأدلة المدفوعة بالبيانات.

عند إجراء التجارب على تسلسل تصنيف الصور الهيراركي، حقق إطارنا دقة تماثل نماذج المحولات التقليدية، مع توفير تنبؤات أكثر دقة وتفسيرًا، مما يقلل من مشكلات الثقة المفرطة ويعزز الاتساق المنطقي العالي عبر المخرجات الهيراركية. تكشف نتائج التجارب أن دمج آليات التفكير المرتكزة مع منطق ضبابي يمثل خطوة عملية نحو نماذج التعلم العميق القادرة على تحقيق دقة عالية ووعي إدراكي.