بسیاری از داده‌ها در دنیای واقعی، از شبکه‌های اجتماعی و زبان‌شناسی گرفته تا زیست‌شناسی تکاملی، دارای ساختاری سلسله‌مراتبی هستند. نمایش این ساختارها به شکل درخت، یکی از ابزارهای بنیادی در علوم کامپیوتر و یادگیری ماشین است. مسئله‌ی «برازش متریک‌های درختی» (Tree-metric fitting) یعنی یافتن درختی که فواصل بین نقاط داده را به بهترین شکل ممکن بازنمایی کند، دهه‌هاست که مورد توجه پژوهشگران قرار دارد. این مسئله کاربردهای گسترده‌ای در حوزه‌هایی نظیر پردازش زبان طبیعی (برای ساخت سلسله‌مراتب معنایی کلمات)، تبارزایی (برای بازسازی درخت‌های تکاملی) و ژنومیک سرطان (برای درک روابط تکاملی سلول‌های تومور) دارد.

با وجود الگوریتم‌های دقیق برای داده‌هایی که ذاتاً ساختار درختی دارند، یک چالش بزرگ همواره پابرجا بوده است: داده‌های دنیای واقعی تقریباً هرگز بی‌نقص نیستند و حاوی «نویز» هستند. این نویز باعث می‌شود که داده‌ها به‌طور کامل از یک ساختار درختی تبعیت نکنند. الگوریتم‌های موجود در مواجهه با چنین داده‌های نویزی عملکرد ضعیفی از خود نشان می‌دهند و اغلب به نتایج نامعقولی مانند درخت‌هایی با «وزن یال منفی» منجر می‌شوند که از نظر فیزیکی بی‌معناست. مقاله HyperAid یک رویکرد نوآورانه برای حل این مشکل اساسی ارائه می‌دهد و با استفاده از هندسه فضاهای هذلولوی، راهکاری قدرتمند برای نویززدایی از داده‌ها و بهبود چشمگیر فرآیند برازش درختی معرفی می‌کند.

این مقاله حاصل همکاری سه پژوهشگر برجسته در حوزه یادگیری ماشین و پردازش سیگنال است: الی چین (Eli Chien)، پویا طبقی (Puoya Tabaghi) و اولجیکا میلنکوویچ (Olgica Milenkovic). این تحقیق در مرز مشترک یادگیری ماشین، علوم کامپیوتر نظری و هندسه محاسباتی قرار می‌گیرد و نشان‌دهنده اهمیت روزافزون استفاده از مفاهیم هندسی پیشرفته برای حل مسائل پیچیده در تحلیل داده‌ها است. این کار بر پایه‌ی تحقیقات قبلی در زمینه بازنمایی سلسله‌مراتبی داده‌ها و ارتباط عمیق بین ساختارهای درختی و فضاهای با انحنای منفی (هذلولوی) بنا شده است.

مسئله اصلی که مقاله به آن می‌پردازد، برازش داده‌های نویزی به متریک‌های درختی است. الگوریتم‌های کلاسیک مانند «اتصال همسایه» (Neighbor Joining) در شرایطی که داده‌ها انحراف قابل توجهی از ساختار درختی دارند، با شکست مواجه می‌شوند. نویسندگان مقاله یک پلتفرم جدید به نام HyperAid را پیشنهاد می‌کنند که هدف آن «نویززدایی» از داده‌ها پیش از اعمال الگوریتم‌های برازش است.

ایده اصلی این است که داده‌های ورودی به یک فضای هذلولوی نگاشت داده شوند. این فضاها به دلیل ویژگی‌های هندسی خاص خود، ذاتاً «درخت-مانند» هستند. در این فضا، HyperAid داده‌ها را به گونه‌ای تغییر می‌دهد که ساختار سلسله‌مراتبی پنهان در آن‌ها تقویت شده و نویز کاهش یابد. این فرآیند با معیاری به نام δ-هذلولوی‌بودن گروموف (Gromov’s δ-hyperbolicity) ارزیابی می‌شود که میزان «درخت-مانند» بودن یک فضا را می‌سنجد. پس از این مرحله نویززدایی، ماتریس فواصل جدید و «تمیزتر» به الگوریتم‌های استاندارد برازش درختی داده می‌شود. نتایج نشان می‌دهد که این پیش‌پردازش هوشمندانه، کیفیت درخت‌های حاصل را به طرز شگفت‌انگیزی بهبود می‌بخشد و بر تمامی روش‌های پیشین برتری دارد.

روش پیشنهادی در مقاله، HyperAid، یک فرآیند چندمرحله‌ای است که قلب آن را استفاده از هندسه هذلولوی تشکیل می‌دهد.

• چرا فضای هذلولوی؟ فضاهای هذلولوی (Hyperbolic Spaces) فضاهایی با انحنای منفی ثابت هستند. یکی از مهم‌ترین ویژگی‌های آن‌ها این است که مثلث‌ها در این فضا «باریک» هستند. این خاصیت که با معیار δ-هذلولوی‌بودن گروموف سنجیده می‌شود، شباهت عمیقی به ساختار درخت‌ها دارد؛ در یک درخت، مسیر بین هر سه نقطه شبیه به یک سه‌راهی است. به همین دلیل، فضاهای هذلولوی بستر ریاضی ایده‌آلی برای مدل‌سازی ساختارهای سلسله‌مراتبی و درختی فراهم می‌کنند.
• فرآیند نویززدایی HyperAid: این الگوریتم شامل مراحل زیر است:
  1. جاسازی در فضای هذلولوی: ابتدا نقاط داده بر اساس ماتریس فواصل اولیه‌شان در یک مدل از فضای هذلولوی (مانند مدل دیسک پوانکاره) جاسازی می‌شوند.
  2. بهینه‌سازی و نویززدایی: در این مرحله، موقعیت نقاط در فضای هذلولوی به گونه‌ای بهینه‌سازی می‌شود که مقدار δ-هذلولوی‌بودن مجموعه نقاط کاهش یابد. این کار به معنای حرکت دادن نقاط به سمت یک پیکربندی «درخت-مانندتر» است. این فرآیند نویزهای موجود در فواصل را که با ساختار سلسله‌مراتبی ناسازگار هستند، حذف یا تضعیف می‌کند.
  3. استخراج فواصل جدید: پس از بهینه‌سازی، فواصل ژئودزیک بین نقاط جدید در فضای هذلولوی محاسبه می‌شود. این فواصل، نسخه «نویززدایی‌شده» فواصل اولیه هستند.
  4. برازش درخت: در نهایت، این ماتریس فواصل پاک‌سازی‌شده به یک الگوریتم استاندارد برازش درخت مانند Neighbor Joining داده می‌شود تا درخت نهایی را تولید کند.
• مطالعه تطبیقی توابع هدف: نویسندگان برای اطمینان از استحکام روش خود، دو نوع تابع هدف مختلف را برای تقریب‌زدن فواصل بررسی کرده‌اند: نرم‌های ℓp و تابع زیان داسگوپتا (Dasgupta loss). نتایج نشان داد که رویکرد HyperAid تحت هر دو معیار عملکرد عالی دارد.
• اعمال وزن‌های غیرمنفی: یکی از مشکلات رایج الگوریتم‌های موجود، تولید یال‌هایی با وزن منفی در درخت خروجی است. HyperAid با مکانیزم‌هایی برای اعمال قید غیرمنفی بودن وزن‌ها یکپارچه شده است که باعث می‌شود درخت‌های تولیدشده همواره معتبر و قابل تفسیر باشند.

ارزیابی جامع HyperAid روی داده‌های مصنوعی و واقعی، برتری قاطع آن را نسبت به روش‌های پیشرفته دیگر اثبات کرد.

• عملکرد برتر روی داده‌های مصنوعی: برای آزمایش کنترل‌شده، نویسندگان درخت‌هایی ساختند و سپس با افزودن یال‌های اضافی، آن‌ها را «نویزی» کردند. HyperAid توانست با موفقیت ساختار درخت اصلی را با دقت بسیار بالاتری نسبت به الگوریتم‌های Neighbor Joining (NJ)، TreeRep و T-REX بازیابی کند.
• نتایج شگفت‌انگیز روی داده‌های واقعی: این روش روی پنج مجموعه داده استاندارد در یادگیری ماشین آزمایش شد:
  • Zoo (ویژگی‌های حیوانات)
  • Iris (ویژگی‌های گل زنبق)
  • Glass (ترکیبات شیمیایی انواع شیشه)
  • Segmentation (ویژگی‌های تصاویر)
  • SpamBase (ویژگی‌های ایمیل‌های هرزنامه)

در تمامی این مجموعه داده‌ها، HyperAid عملکرد بهتری از خود نشان داد. مهم‌ترین یافته مقاله این است که پلتفرم HyperAid به‌طور میانگین بهبودی معادل ۱۲۵.۹۴٪ نسبت به الگوریتم پرکاربرد NJ در این مجموعه داده‌ها داشته است. این بهبود چشمگیر نشان‌دهنده توانایی بالای این روش در کشف ساختارهای سلسله‌مراتبی پنهان در داده‌های پیچیده و نویزی دنیای واقعی است.

دستاورد اصلی مقاله HyperAid، ارائه یک ابزار عملی، دقیق و استوار برای یکی از مسائل بنیادی در تحلیل داده است. این پیشرفت پیامدهای مهمی برای حوزه‌های مختلف علمی و صنعتی دارد:

• زیست‌شناسی محاسباتی و تبارزایی: بازسازی درخت‌های تکاملی از روی داده‌های ژنتیکی اغلب با نویز همراه است. HyperAid می‌تواند به ساخت درخت‌های فیلوژنتیک دقیق‌تر کمک کند و درک ما را از روابط تکاملی بین گونه‌ها بهبود بخشد.
• پردازش زبان طبیعی (NLP): برای مدل‌سازی روابط معنایی بین کلمات (مانند WordNet) و ساخت سلسله‌مراتب مفهومی، HyperAid می‌تواند از بردارهای کلمه (Word Embeddings) برای استخراج ساختارهای معنایی دقیق‌تر و منسجم‌تر استفاده کند.
• خوشه‌بندی سلسله‌مراتبی: در هر کاربردی که نیاز به گروه‌بندی داده‌ها به صورت سلسله‌مراتبی باشد (مانند تقسیم‌بندی مشتریان یا تحلیل شبکه‌های اجتماعی)، HyperAid یک جایگزین برتر برای روش‌های سنتی است، زیرا در برابر نویز مقاوم‌تر عمل می‌کند و ساختارهای معنادارتری را کشف می‌کند.
• ژنومیک سرطان: درک چگونگی تکامل سلول‌های سرطانی و ایجاد تومورها نیازمند بازسازی درخت تبار سلولی است. HyperAid می‌تواند به تحلیلگران کمک کند تا این فرآیندهای پیچیده را با دقت بیشتری مدل‌سازی کنند.

به طور خلاصه، HyperAid با حل مشکل نویز در برازش درختی، راه را برای تحلیل‌های سلسله‌مراتبی قابل اعتمادتر در مقیاس بزرگ هموار می‌کند.

مقاله HyperAid: Denoising in hyperbolic spaces for tree-fitting and hierarchical clustering یک گام بزرگ رو به جلو در زمینه بازنمایی داده‌های سلسله‌مراتبی است. با معرفی یک روش نوین مبتنی بر نویززدایی در فضای هذلولوی، نویسندگان موفق به حل یکی از چالش‌های دیرینه در این حوزه شده‌اند: چگونگی مواجهه با داده‌های نویزی دنیای واقعی. پلتفرم HyperAid نه تنها از نظر تئوری زیبا و مبتکرانه است، بلکه نتایج تجربی آن نیز برتری قاطع این رویکرد را بر تمامی روش‌های موجود به اثبات می‌رساند.

این تحقیق نشان می‌دهد که بهره‌گیری از ساختارهای هندسی مناسب می‌تواند به طور چشمگیری به حل مسائل دشوار در یادگیری ماشین کمک کند. HyperAid استاندارد جدیدی را در زمینه برازش درختی و خوشه‌بندی سلسله‌مراتبی تعریف می‌کند و انتظار می‌رود که تأثیر قابل توجهی بر تحقیقات و کاربردهای آینده در علوم داده داشته باشد.