المشفّر التلقائي (AE)
Autoencoder
شبكة تضغط الدخل إلى تمثيل كامن صغير (encoder) ثم تعيد بناءه (decoder)، فتتعلم تمثيلاً مضغوطاً دون تسميات.
نظرة عامة
| الاسم | المشفّر التلقائي – Autoencoder |
|---|---|
| سنة الظهور | 2006 |
| الباحثون | Geoffrey E. Hinton، Ruslan R. Salakhutdinov |
| الورقة الأصلية | Reducing the dimensionality of data with neural networks DOI |
| نوع البيانات | صور، بيانات جدولية، تسلسلات وسلاسل زمنية |
| المجالات | التنبؤ بالسلاسل الزمنية، الرؤية الحاسوبية، تحليل الصور الطبية |
المشكلة التي تحلها
الحاجة إلى تقليل الأبعاد بطريقة غير خطية تتجاوز تحليل المكوّنات الرئيسية (PCA)، وإلى تعلّم تمثيلات من بيانات غير معنونة.
الخلفية والتطور
ما قبلها: الإدراك متعدد الطبقات، PCA
الفكرة الأساسية
يتكون من دالتين: $z=f_\phi(x)$ تضغط الدخل و$\hat{x}=g_\theta(z)$ تعيد بناءه. الاختناق (bottleneck) يجبر الشبكة على الاحتفاظ بالمعلومات الأهم فقط. التدريب يقلل خطأ إعادة البناء.
المخطط التفاعلي
مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.
اختر طبقة من المخطط.
المكونات
| المكوّن | الوظيفة |
|---|---|
| Input | $x\in\mathbb{R}^{d}$ |
| Encoder | طبقات تقلّص الأبعاد |
| Latent Code | تمثيل $z\in\mathbb{R}^{k}$ حيث $k\ll d$ |
| Decoder | طبقات توسّع الأبعاد |
| Loss Function | MSE أو BCE لإعادة البناء |
المعادلات
1. خسارة إعادة البناء
| $f_\phi$ | المشفّر |
| $g_\theta$ | فك التشفير |
آلية العمل خطوة بخطوة
- يدخل المتجه إلى المشفّر.
- تُقلّص الأبعاد تدريجياً حتى الاختناق.
- يوسّع فك التشفير التمثيل الكامن.
- يُقارن الخرج بالدخل ويحسب الخطأ.
- تُحدَّث أوزان الجزأين معاً.
المزايا والقيود
المزايا
- لا يحتاج تسميات.
- مفيد لتقليل الأبعاد وكشف الشذوذ وإزالة الضوضاء.
القيود
- الفضاء الكامن غير منتظم، فلا يصلح مباشرة للتوليد.
- قد يتعلم الهوية إن لم يكن الاختناق كافياً.
متى تُستخدم؟ ومتى لا؟
تناسب
- كشف الشذوذ في إشارات أو صور.
- تهيئة تمثيلات لمهام لاحقة.
لا تناسب
- توليد عيّنات جديدة واقعية (استخدم VAE أو Diffusion).
التطبيقات
| المجال | الاستخدام |
|---|---|
| تحليل الصور الطبية | كشف الحالات الشاذة في الصور الطبية بخطأ إعادة البناء. |
| التنبؤ بالسلاسل الزمنية | كشف الأعطال في إشارات المستشعرات. |
| الرؤية الحاسوبية | إزالة الضوضاء من الصور (Denoising AE). |
كود PyTorch
كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.
# Autoencoder
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F
torch.manual_seed(0)
# 2) تعريف النموذج
class AE(nn.Module):
def __init__(self, d=20, k=3):
super().__init__()
self.enc = nn.Sequential(nn.Linear(d, 16), nn.ReLU(), nn.Linear(16, k))
self.dec = nn.Sequential(nn.Linear(k, 16), nn.ReLU(), nn.Linear(16, d))
def forward(self, x):
return self.dec(self.enc(x))
# 3) إعداد البيانات
# بيانات تقع قرب فضاء جزئي ثلاثي الأبعاد داخل 20 بُعداً
basis = torch.randn(3, 20)
X = torch.randn(800, 3) @ basis + 0.05 * torch.randn(800, 20)
X_train, X_test = X[:640], X[640:]
y_train, y_test = X_train, X_test # الهدف هو الدخل نفسه
model = AE()
# 4) دالة الخسارة والمحسّن
loss_fn = nn.MSELoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)
# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 40, 32
for epoch in range(EPOCHS):
model.train()
perm = torch.randperm(len(X_train))
total = 0.0
for i in range(0, len(X_train), BATCH):
idx = perm[i:i + BATCH]
xb, yb = X_train[idx], y_train[idx]
out = model(xb) # Forward Pass
loss = loss_fn(out, yb)
opt.zero_grad()
loss.backward() # Backpropagation
opt.step()
total += loss.item() * len(idx)
if epoch % max(1, EPOCHS // 4) == 0 or epoch == EPOCHS - 1:
print(f"epoch {epoch:3d} loss={total / len(X_train):.4f}")
# 6) التقييم (Evaluation)
model.eval()
with torch.no_grad():
xb = X_test
out = model(xb)
mse = F.mse_loss(out, y_test).item()
print(f"test MSE = {mse:.4f}")
# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
xb = X_test[:1]
out = model(xb)
print("prediction:", out.squeeze().tolist())
نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.3 ثانية (PyTorch (CPU), Python 3 – local build machine).
من مخرجاته:
test MSE = 0.0028
عدد المعاملات القابلة للتدريب في المثال: model = 791.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
- أطلس نماذج الذكاء الاصطناعي قسم آخر في الموقع
معماريات مرتبطة
المشفّر التلقائي التبايني
Variational Autoencoder (VAE)
نموذج توليدي احتمالي بمتغير كامن: مشفّر يقدّر توزيعاً تقريبياً q(z x) ومفكك يمثل p(x z)، ويُدرّبان معاً بتعظيم الحد الأدنى للأدلة (ELBO) باستخدام خدعة إعادة المعلمة.
المشفّر التلقائي بالتكميم المتجهي
Vector Quantized Variational Autoencoder (VQ-VAE)
مشفّر تلقائي يكمّم خرج المشفّر إلى أقرب متجه في قاموس متعلَّم (codebook)، فيصبح التمثيل رموزاً منفصلة، ثم يُتعلَّم توزيع مسبق ذاتي الانحدار على هذه الرموز للتوليد.
يو-نت
U-Net
معمارية تجزئة على شكل حرف U: مسار تقليص يلتقط السياق، ومسار توسيع يستعيد الدقة المكانية، مع وصلات تخطٍّ تنقل التفاصيل الدقيقة بين المستويات المتقابلة.
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- مشفرات تلقائية لكشف الشذوذ في صور الرنين المغناطيسي مع مقارنة بنماذج الانتشار.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
ما هدف تدريب المشفّر التلقائي العادي؟
لماذا؟ الخسارة تقارن الخرج بالدخل نفسه.
وبقية الخيارات: جعل التوزيع الكامن طبيعياً هو هدف VAE، والمميّز يخص GAN.
لماذا يصعب توليد عيّنات جديدة من AE عادي؟
لماذا؟ نقطة عشوائية في الفضاء الكامن قد تقع في منطقة لم يرها فك التشفير.
كيف يُستخدم AE لكشف الشذوذ؟
لماذا؟ تدرّب الشبكة على بيانات طبيعية فتعيد بناءها جيداً، وتفشل نسبياً مع الشاذة.
المراجع
Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. https://doi.org/10.1126/science.1127647
Kingma, D. P., & Welling, M. (2014). Auto-encoding variational Bayes. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1312.6114
