في عالم الذكاء الاصطناعي، يعتبر التنبؤ بالسلاسل الزمنية (Time Series Forecasting) من المجالات الأكثر تحديًا، خاصة عند التعامل مع البيانات التي تحتوي على ارتباط زمني قوي. عُرف مؤخرًا أن الشبكات العصبية التقليدية، وخاصة الشبكات المعروفة باسم شبكات كولموغوروف-أرنولد (Kolmogorov-Arnold Networks - KANs)، يمكن أن تواجِه مشاكل كبيرة في هذا السياق.
ما هو التحيز الطيفي؟
التحيز الطيفي هو ظاهرة شائعة تحدث عندما تعاني الشبكات العصبية من تفضيلات في التنبؤ تعتمد على ترددات معينة، مما يؤثر سلبًا على دقة النتائج. الدراسة الجديدة تكشف أن هذا التحيز يعود مجددًا مع وجود الارتباط الزمني بين المدخلات.
تحليل مفاجئ
عبر تحليل نظري وتجارب عملية، وجد الباحثون أن الارتباط الزمني بين المدخلات طبيعي، مما يجعل الشبكات العصبية التقليدية تواجه صعوبات متزايدة في هذا النوع من التنبؤ. كلما زاد الارتباط الزمني، زاد التحيز الطيفي، مما يطرح تساؤلات حول فعالية الشبكات العصبية في معالجة البيانات الزمنية.
الحل المبتكر: تحويل الكوساين المتقطع
للحد من تأثير هذا التحيز، تم تقديم **تحويل الكوساين المتقطع** (Discrete Cosine Transform - DCT) كحل مبتكر. النتائج التجريبية أظهرت أن استخدام DCT يؤدي إلى تقليل كبير في تفضيلات الترددات المنخفضة، مما يحسن من أداء الشبكات في التنبؤ بالسلاسل الزمنية.
المستقبل
إن فهم التأثيرات الزمنية على الشبكات العصبية يمكن أن يسهم في تحسين دقة التنبؤ، وهذا الابتكار يعد خطوة مهمة نحو استخدام الذكاء الاصطناعي بشكل أكثر فعالية في مجالات متعددة.