พารามิเตอร์และสมการคณิตศาสตร์ (Configurations & Math)

เอกสารฉบับนี้รวบรวมสมการคณิตศาสตร์ อัลกอริทึม และค่าการตั้งค่า Configurations หลักที่ใช้ในกระบวนการประมวลผล ประเมินผลลัพธ์ และการฝึกสอนโมเดล AI ภายในระบบ Scam Image Detection พร้อมคำอธิบายเหตุผลและหลักการที่อยู่เบื้องหลังการออกแบบ…

หมวด แนวคิดและเทคนิคต้นฉบับ concepts/configs.md
risk-scoreequationsloss-functionSegFormerparameters

การตั้งค่าพารามิเตอร์ อัลกอริทึมและสมการคณิตศาสตร์ที่ใช้ (Configuration, Algorithms, and Mathematical Equations)

เอกสารฉบับนี้รวบรวมสมการคณิตศาสตร์ อัลกอริทึม และค่าการตั้งค่า (Configurations) หลักที่ใช้ในกระบวนการประมวลผล ประเมินผลลัพธ์ และการฝึกสอนโมเดล AI ภายในระบบ Scam Image Detection พร้อมคำอธิบายเหตุผลและหลักการที่อยู่เบื้องหลังการออกแบบแต่ละส่วน

ระบบประมวลผลคะแนนความเสี่ยงของรูปภาพโดยใช้หลักการ Maximum Impact (Worst-Case Trigger) ร่วมกับ Multi-Factor Compounding Penalty ซึ่งเป็นมาตรฐานวิศวกรรมความมั่นคงปลอดภัย (Fraud Detection & Forensics):

S_base = max(S_visual, S_textual, S_source)

S_total = min(100, S_base + Σ_i ∈ secondary [S_i ≥ 40] × 5)

โดยที่:

  • S_total คือ คะแนนความเสี่ยงรวม (Overall Risk Score) มีค่าตั้งแต่ 0 ถึง 100
  • S_base คือ ค่าคะแนนสูงสุดในบรรดามิติที่ตรวจพบ (max) เพื่อเป็นฐานความเสี่ยงหลัก
  • S_visual คือ คะแนนความผิดปกติทางภาพ (Visual Anomaly Score 0–100%) จากโมเดล SegFormer + Heatmap
  • S_textual คือ คะแนนความเสี่ยงด้านข้อความ (Textual Analysis Score 0–100%) จาก Surya-OCR + Pattern Matching
  • S_source คือ คะแนนความเสี่ยงจากแหล่งที่มาของภาพ (Source Reliability Score 0–100%) จาก Reverse Image Search (ที่มา: นโยบาย heuristic v1 — พบ ≥3 แหล่ง = สูง, =2 = ปานกลาง/ไม่แน่ชัด, ≤1 = ต่ำ; ทบทวนเกณฑ์เมื่อมีข้อมูลภาคสนาม)
  • Compounding Penalty: หากมิติรองใดมีคะแนน ≥ 40 (ระดับ Medium ขึ้นไป) จะบวกเพิ่ม +5 ต่อมิติ (สูงสุดไม่เกิน 100)
  • Partial Failure: ถ้ามิติใดล้มเหลวให้ตัดมิตินั้นทิ้งแล้วคำนวณค่าสูงสุดจากมิติที่สำเร็จเท่านั้น

คำอธิบายและเหตุผลที่ใช้:

  • แก้ปัญหา Dilution Problem: ในกรณีที่เป็นภาพตัดต่อหรือภาพสังเคราะห์ชัดเจนแต่ไม่มีข้อความ (S_visual = 85, S_text = 0) หรือกรณี Romance Scam การใช้ค่าเฉลี่ยถ่วงน้ำหนักจะทำให้คะแนนรวมถูกฉุดลงจนหลุดเกณฑ์อันตราย แต่ Worst-Case Trigger จะการันตีว่าคะแนนรวมไม่ต่ำกว่ามิติที่อันตรายที่สุด
  • สะท้อนความอันตรายแบบทวีคูณ (Multi-factor Risk): หากภาพใดพบทั้งการตัดต่อภาพและมีข้อความหลอกลวงพร้อมกัน คะแนนรวมจะได้รับการเพิ่มพิเศษ (Compounding) เพื่อเตือนภัยผู้ใช้อย่างเด็ดขาด
  • การนำเสนอผลแบบคู่ขนาน (UI Breakdown): นอกเหนือจาก Overall Score แล้ว บน UI จะแจกแจง Progress Bar และคำอธิบายแยกแต่ละมิติ 0–100% เสมอ

2. เกณฑ์การตัดสินระดับความเสี่ยง (Risk Grading Thresholds)

เมื่อคำนวณคะแนน S_total ออกมาแล้ว ระบบจะนำไปจัดกลุ่มระดับความเสี่ยงตามเงื่อนไข (Threshold Configuration) ดังนี้:

Risk Grade = Low (เสี่ยงต่ำ), if 0 ≤ S_total ≤ 39 ; Medium (น่าสงสัย), if 40 ≤ S_total ≤ 69 ; High (อันตราย), if S_total ≥ 70

คำอธิบายและเหตุผลที่ใช้:

  • ช่วงเสี่ยงต่ำ (0 -- 39): มีสัญญาณอ่อนบางจุดที่ตรวจพบ แต่ยังไม่ถึงระดับที่ควรกังวล ผู้ใช้งานควรทราบแต่ไม่จำเป็นต้องดำเนินการใดเป็นพิเศษ
  • ช่วงน่าสงสัย (40 -- 69): มีบางชั้นตรวจพบความผิดปกติ แต่ไม่ชัดเจนทุกชั้น หรือพบหลักฐานแบบอ่อนๆ ผู้ใช้งานควรพิจารณาประกอบกับวิจารณญาณส่วนตัว
  • ช่วงอันตราย (70 -- 100): ผลวิเคราะห์ส่วนใหญ่ชี้ไปในทิศทางเดียวกันว่าภาพถูกปรับแต่งหรือมีข้อความหลอกลวงที่ชัดเจน ภาพนี้มีความเสี่ยงสูงที่จะเป็นสแกม (กรณี S_visual ≥ 80 ระบบจะขึ้นเป็น High ทันที)

3. การคำนวณคะแนนความเสี่ยงทางภาพ (S_visual)

การได้มาซึ่งคะแนน S_visual จากโมเดล SegFormer อาศัยความน่าจะเป็นของการเป็นรอยตัดต่อ (Confidence Score) และสัดส่วนพื้นที่ที่พบความผิดปกติ (Mask Coverage):

S_visual = Normalize(Confidence × Mask Coverage)

คำอธิบายและเหตุผลที่ใช้:

  • Confidence Score: คือค่าเฉลี่ยความน่าจะเป็นของพิกเซลที่ถูก flag ว่าดัดแปลง (มีค่าความน่าจะเป็น 0–1)
  • Mask Coverage: คือสัดส่วนจำนวนพิกเซลที่ถูก flag เทียบกับพิกเซลทั้งหมดของภาพ (0–1)
  • Normalize: นิยามตายตัว Normalize(y) = min(100, round(y × 100)) — แปลงผลคูณ (ช่วง 0–1) เป็นคะแนน 0–100 (ฉบับ canonical ดู Document/model/configs.md §3)
  • หลักการคิด: หากมีการแก้ไขภาพด้วยความเนียนที่ต่ำ (Confidence สูง) และแก้พื้นที่เยอะ (Coverage สูง) คะแนนความเสี่ยงทางภาพ (S_visual) จะยิ่งมีค่าสูงขึ้น ในขณะที่รอยแก้เล็กๆ แม้ Confidence สูง ก็จะมีผลต่อคะแนนลดลงบ้างตามสัดส่วน
  • ตัวอย่างคำนวณ: Confidence เฉลี่ย 0.9, Coverage 0.2 → 0.9 × 0.2 = 0.18 → Normalize(0.18) = 18 → S_visual = 18 (Low)

4. สมการสำหรับการฝึกสอนโมเดลและการตั้งค่า Loss Function (Training Configurations)

เพื่อเพิ่มความแม่นยำในการเทรนโมเดลจำแนกพิกเซล (Semantic Segmentation) ระบบใช้ Loss Function แบบผสมผสานระหว่าง Binary Cross-Entropy (BCE) และ Dice Loss:

L = L_BCE + L_Dice

การปรับน้ำหนักของโมเดล (Weight Update) ใช้เทคนิค Differential Learning Rates ผ่าน AdamW Optimizer โดยมีการตั้งค่าตัวคูณ (Multiplier) ที่แตกต่างกัน:

  1. Backbone Configuration (เรียนรู้ช้า): lr_mult = 0.1
θ_backbone^(t+1) = θ_backbone^(t) - (η × 0.1) × (∂L / ∂θ_backbone)
  1. Classification Head Configuration (เรียนรู้เร็ว): lr_mult = 10.0
θ_head^(t+1) = θ_head^(t) - (η × 10.0) × (∂L / ∂θ_head)

(โดย η คือค่า Base Learning Rate ของระบบ)

คำอธิบายและเหตุผลที่ใช้:

  • การผสม BCE และ Dice Loss:
    • L_BCE ช่วยบังคับให้โมเดลประเมินค่าความน่าจะเป็นของแต่ละพิกเซลได้อย่างแม่นยำ
    • L_Dice ช่วยรักษารูปทรงและขอบเขต (Boundary) ของรอยตัดต่อให้คมชัด ลดปัญหาความไม่สมดุลของข้อมูลระหว่างบริเวณพิกเซลจริงที่มีมาก กับพิกเซลรอยแก้ที่มีน้อย
  • Differential Learning Rates: ระบบต้องการเก็บความสามารถเดิมในการสกัดจุดเด่นของภาพ (Feature Extraction) จากโมเดลที่พรีเทรนมาแล้วเอาไว้ (ป้องกัน Catastrophic Forgetting) จึงสั่งให้แกนหลัก (Backbone) เรียนรู้ช้าสุดๆ (0.1) แต่ขณะเดียวกันเราต้องการให้ส่วนประมวลผลปลายทาง (Classification Head) ปรับตัวเข้าหาความรู้ใหม่และข้อมูลภาพสลิปใบเสร็จใหม่ๆ จึงให้เรียนรู้เร็วถึง (10.0) เท่า

ค่าที่ใช้จริงใน config v10 (segformer_mit-b2-v10.py → โมเดล v1.0.5): CrossEntropyLoss loss_weight=1.0, class_weight=[1.0, 2.5] + DiceLoss loss_weight=1.5 — batch 8 + accumulative_counts=2 (effective 16 บน VRAM 8GB) — AdamW lr=2e-5 + LinearLR warmup 3,000 iters + PolyLR — งบ max_iters=200,000, val_interval=2,500, save_best='mIoU' — ผล: best validation mIoU 91.31 @iter 197,500 (รายละเอียดผลดู concepts/model-training)

5. สมการประเมินประสิทธิภาพโมเดล (Evaluation Metrics)

ระบบอาศัยการวัดผลทั้งในระดับภาพรวมและระดับพิกเซล เพื่อนำมาตั้งค่า Validation Checkpoint

  • Accuracy:
Accuracy = (TP + TN) / (TP + TN + FP + FN)
  • F1-Score (ใช้จัดการ Imbalanced Data):
F1-Score = 2 × (Precision × Recall) / (Precision + Recall)
  • IoU (Intersection over Union) / Dice Coefficient (สำหรับระดับพิกเซล):
IoU = TP / (TP + FP + FN)

Dice = 2TP / (2TP + FP + FN)

คำอธิบายและเหตุผลที่ใช้:

  • ค่า TP, TN, FP, FN: TP (ตรวจถูกว่าเป็นภาพปลอม), TN (ตรวจถูกว่าเป็นภาพจริง), FP (ตรวจผิดว่าเป็นภาพปลอม ทั้งที่จริง), FN (ตรวจหลุดว่าเป็นภาพจริง ทั้งที่ปลอม)
  • ข้อจำกัดของ Accuracy: ความแม่นยำรวม (Accuracy) มักหลอกตาในกรณีที่ภาพสแกม (Scam) ในชุดข้อมูลมีน้อยมาก (Imbalanced Data) ตัวอย่างเช่น มีภาพแท้ 95 ภาพ ภาพสแกม 5 ภาพ โมเดลตอบภาพแท้เสมอ ก็จะได้ Accuracy 95% ทันที
  • การใช้ F1-Score, IoU, mDice: จึงมีความจำเป็นในการใช้ F1-Score (ทั้งระดับภาพรวมและระดับพิกเซล) เพื่อบังคับให้โมเดลต้องหาความสมดุลระหว่างความไว (Recall) และความแม่นยำ (Precision) ทำให้การวัดผลภาพสแกมและการพ่นสี Heatmap ของรอยตัดต่อ มีความน่าเชื่อถือที่สุด