في عالم الذكاء الاصطناعي (AI)، تُعتبر موثوقية تقييم عدم اليقين من العوامل الحاسمة عند نشر أنظمة التعلم الآلي في المجالات الحيوية. ولقد قدمت تقنيات مثل التوقع المتناغم (Conformal Prediction) ضمانات تغطية مجانية التوزيع، لكنها غالباً ما تنتج مجموعات توقعات كبيرة وغير عملية.

لمعالجة هذه المشكلة، تم تقديم مفهوم تحكم المخاطر المتناغم الانتقائي (Selective Conformal Risk Control أو SCRC)، وهو إطار موحد يدمج بين التوقع المتناغم (Conformal Prediction) والتصنيف الانتقائي (Selective Classification).

يعمل هذا الإطار على صياغة التحكم في عدم اليقين كمشكلة تتألف من مرحلتين: المرحلة الأولى تركز على اختيار العينات الواثقة للتنبؤ، بينما المرحلة الثانية تتعامل مع تطبيق التحكم في المخاطر المتناغم على العينة المختارة لبناء مجموعات توقعات مُعايرة.

تم تطوير خوارزميتين تحت مظلة هذا الإطار: الأولى تُدعى SCRC-T، التي تحافظ على التبادلية من خلال حساب العتبات بشكل مشترك بين عينات المعايرة واختبار العينات، مما يوفر ضمانات دقيقة للعينات النهائية. أما الثانية، SCRC-I، فهي نسخة تتعلق بالمعايرة فقط، وتوفر ضمانات احتمالية بأسلوب PAC مع كفاءة حسابية أكبر.

أظهرت التجارب على مجموعتين من البيانات العامة أن كلتا الطريقتين تحققان مستويات تغطية ومخاطر مستهدفة، مع أداء متطابق تقريبًا، في حين أن SCRC-I تُظهر بعض التحفظ في التحكم بالمخاطر ولكن تتمتع بعملية حسابية أفضل.

تُظهر نتائجنا أن التحكم في المخاطر المتناغم الانتقائي يمثل خارطة طريق فعالة وكفؤة نحو تحقيق تقييم موثوق لعدم اليقين، مما يعد بفتح آفاق جديدة في استخدامات الذكاء الاصطناعي المعقدة.