ثورة جديدة في خوارزميات التقدير: توزيعات غاوسيان المنفوخة صفرًا لتعزيز الكفاءة!

تُعتبر خوارزميات التقدير (Estimation-of-distribution algorithms - EDAs) واحدة من أبرز الأساليب التطورية في مجال التحسين الأسود (black-box optimization)، حيث تُستخدم خصوصًا في الحالات التي يكون فيها القليل معروفًا عن هيكلية الهدف. على الرغم من أن الخوارزميات التطورية التقليدية تعتمد على عمليات الطفر (mutation) والتزاوج (crossover) المصممة يدويًا، إلا أن هذه العمليات تُعتبر صعبة التطبيق عندما يتعلق الأمر بالمشكلات غير المعروفة، مما يؤدي إلى انحياز في النتائج.

ولكن هنا يأتي دور EDAs التي تتخطى هذه القيود بالكامل، حيث ترتكز على تغليف توزيع احتمالي لأفضل الأفراد وتوليد الجيل التالي من البيانات استنادًا إلى هذا التوزيع، مما يفتح الأفق لنتائج أكثر تحسنًا في المساحات المستمرة. ومع ذلك، لم يكن هناك تعميم لهذه الخوارزميات ليتم تطبيقها على المساحات النادرة التي يكون فيها معظم المعاملات في الحل الجيد صفرًا.

لملء هذه الفجوة، تم اقتراح استخدام توزيعات غاوسيان المنفوخة صفرًا (Zero-Inflated Gaussian - ZIG) كقوانين لعينة EDAs. يقوم نموذج غاوسي كامن مع أبعاد مؤشرة وقيم منفصلة بتمثيل أنماط الندرة (sparsity patterns) والروابط بين المعلمات النشطة (active parameters)، مما يعزز المحسنات الخاصة بالندرة والقيم النشطة بشكل مشترك بدون أي تدرجات هرمية.

تظهر النتائج أن المعلمات الكامنة في هذا النموذج يمكن التعرف عليها من العينات الملاحظة، على عكس السياقات المتعلقة بالبيانات المفقودة التي تعود إليها هذه البنى. تم تقديم مُقدرات عملية قائمة على الانقلاب المُخفف (amortized inversion) لاستعادة هذه المعلمات بدقة، وبفضل ذلك، تتفوق EDAs القائمة على أنماط غاوسيان المنفوخة صفرًا في السرعة والدقة.

وعلى سبيل المثال، أظهرت التجارب على نموذج Lunar Lander أن ZIG-EDA يمكن أن يتقارب بسرعة أكبر ويحقق عوائد نهائية أعلى بالمقارنة مع خوارزمية غاوسيان التقليدية الكثيفة، وخوارزمية تطورية نادرة مصممة يدويًا، بالإضافة إلى EDA نادرة غير منظمة، مما يدل على الفعالية الكبيرة لتقنيات EDAs الجديدة في العثور على أدوات تحكم باستخدام نسبة ضئيلة فقط من المعلمات النشطة.