به گزارش خبرگزاری مهر به نقل از دانشگاه تهران، تیمی از پژوهشگران دانشکدگان علوم این دانشگاه موفق شدند به نتایج مهمی در حوزه تحلیل سریهای زمانی با هوش مصنوعی دست پیدا کنند. این تیم پژوهشی متشکل از دکتر باقر باباعلی، دانشیار دانشکده ریاضی، آمار و علوم کامپیوتر، و محمدمهدی عزیزی، دانشجوی دکترای علوم کامپیوتر است.
پژوهشگران این پروژه، با تمرکز بر معماری «میکسر ماتریسی» و توسعه یک روش نوین «توکنسازی» رویکرد تازهای برای بهبود دقت مدلهای یادگیری ماشین در دادههای زمانی ارائه کردهاند.
نقش کلیدی توکنسازی در مدلهای مبتنی بر توجه
دکتر باباعلی در تشریح این دستاورد توضیح داد که مدلهای مبتنی بر Attention تنها زمانی عملکرد مطلوب دارند که دادههای زمانی بهدرستی قطعهبندی شوند. به گفته او، نحوه توکنسازی دادهها نقش تعیینکنندهای در درک معنای اطلاعات توسط مدل ایفا میکند.
وی تأکید کرد که بدون یک توکنسازی دقیق، حتی قدرتمندترین معماریها نیز روی دادههای نادرست آموزش میبینند. این موضوع میتواند دقت نهایی مدل را بهطور جدی کاهش دهد.
چالش تنوع دادههای سری زمانی
باباعلی با اشاره به چالشهای اصلی این حوزه گفت تنوع بالای دادههای سری زمانی، از نظر نویز، مقیاس و فرکانس، توسعه یک مدل پایه جهانی را دشوار کرده است. به گفته او، پژوهش حاضر با بازتعریف معماری میکسر ماتریسی، مسیر ساخت چنین مدلهایی را هموارتر میکند.
این رویکرد، معماری را به یک «جعبه ابزار منعطف» تبدیل میکند که میتواند با انواع دادههای پیچیده سازگار شود.
چرا Attention بر MLP-Mixer برتری دارد؟
سرپرست این تیم پژوهشی توضیح داد که مکانیزم Attention به مدل اجازه میدهد روابط کوتاهمدت و بلندمدت بین قطعات داده را بهصورت پویا شناسایی کند. این ویژگی، مزیتی مهم نسبت به روشهایی مانند MLP-Mixer محسوب میشود.
او افزود این برتری در دادههایی مانند سیگنالهای مغزی یا دادههای زیستی، که وابستگیهای زمانی ظریفی دارند، اهمیت حیاتی پیدا میکند.
دقت ۸۶ درصدی بدون دادههای برچسبدار
به گفته باباعلی، مدل پیشنهادی در حالت خودنظارتی به دقت متوسط ۸۶ درصد روی بنچمارکهای معتبر دست یافته است. این نتیجه نشان میدهد که مدل توانسته بدون اتکا به دادههای برچسبدار پرهزینه، الگوهای نهفته در دادههای زمانی را یاد بگیرد.
این ویژگی، کاربرد مدل را در شرایط واقعی که دادههای برچسبدار محدود هستند، بسیار ارزشمند میکند.
مسیر آینده پژوهشهای سری زمانی
دکتر باباعلی در پایان به مسیر آینده این تحقیقات اشاره کرد. او گفت پژوهشگران قصد دارند به سمت «توکنسازی تطبیقی و هوشمند» حرکت کنند؛ رویکردی که در آن، خود مدل بهترین روش قطعهبندی داده را انتخاب میکند.
به گفته او، تحقق این هدف میتواند تحول بزرگی در تحلیل دادههای صنعتی و زیستی ایجاد کند و کاربردهای هوش مصنوعی را گسترش دهد.
جمعبندی
بر اساس گزارش خبرگزاری مهر، این دستاورد نشان میدهد که ترکیب بینشهای آماری با معماریهای نوین یادگیری عمیق میتواند افقهای تازهای در تحلیل سریهای زمانی با هوش مصنوعی ایجاد کند. پژوهش دانشگاه تهران نمونهای روشن از گذار موفق از پژوهش نظری به کاربردهای عملی در علوم داده و یادگیری ماشین است.
