في عالم تعلم الآلة (Machine Learning)، يواجه الباحثون والممارسون تحديات كبيرة عندما تتعلق الأهداف الحقيقية بالغموض أو عدم الوضوح. في هذا السياق، تم تقديم إطار العمل EL-MIATTs (التقييم والتعلم مع أهداف صحيحة متعددة غير دقيقة) كحل مبتكر للتغلب على هذه المشكلة. يعتمد هذا الإطار على فرضية مفادها أن الأهداف الحقيقية لمهام معينة في تعلم الآلة قد لا تكون ملحوظة بدقة في الواقع.

تعتمد آليات هذا الإطار على تطوير اثنين من الآليات التكميلية؛ الأولى هي خوارزميات التقييم المعتمدة على صيغة التقييم المنطقي (LAF) والثانية هي استراتيجيات التعلم المعتمدة على التعلم مع أهداف حقيقية غير قابلة للتعريف (UTTL). من خلال ربط النظرية بالممارسة، يساعد الإطار في تقديم نماذج منطقية وقابلة للتطبيق عمليا، حتى في ظل عدم وجود إشراف واضح.

في البداية، قمنا بتحليل الأهداف المتعددة غير الدقيقة (MIATTs) المحددة للمهام، ودرسنا كيفية تأثير تغطيتها وتنوعها على خصائصها الهيكلية وكيفية تأثيرها على التقييم والتعلم اللاحق. من خلال هذا الفهم، قمنا بتطوير خوارزميات تقييم مبنية على LAF تعمل إما على الأهداف الأصلية أو على أهداف ثلاثية تم تجميعها منها، مما يتيح موازنة التفسير والموثوقية والاكتمال.

بالنسبة لتدريب النماذج، نقدم استراتيجيات تعلم تعتمد على UTTL مستخدمة دوال خسارة Dice و Cross-Entropy، مما يعزز من قدرة هذه النماذج على التعامل مع تحديات الأهداف الغامضة. بالإضافة إلى ذلك، نتناول كيفية دمج LAF وUTTL لخلق جسر بين السيمانطيق المنطقي والتحسين الإحصائي.

تقدم هذه العناصر معاً مساراً متسقاً لتنفيذ EL-MIATTs، مما يوفر أساساً واضحاً لتطوير أنظمة تعلم الآلة في سيناريوهات تنطوي على عدم اليقين في مفهوم "الحقيقة الأساسية". لمزيد من التفاصيل حول تطبيق نتائج هذا العمل، يمكن الاطلاع على الدراسة المتاحة على [الرابط].