تعتبر خوارزمية الجيران الأقرب ($k$-nearest neighbors أو $k$NN) حجر الزاوية في تصنيف بيانات الذكاء الاصطناعي. ومع ذلك، فإن استخدامها في التطبيقات ذات النطاق الواسع يواجه تحديات مستمرة تتعلق بالتوازن بين سرعة الاستدلال ودقته. الكثير من الحلول الحالية لتقريب الجيران الأقرب تعمل على تسريع عملية الاسترجاع، لكنها غالباً ما تهدد دقة التصنيف وتفتقر إلى القدرة على التكيف مع اختيار الحجم الأمثل للجوار ($k$).

في هذا السياق، نقدم نموذجاً جديداً للرسم البياني القابل للتكيف الذي يفصل بين زمن الاستدلال وتعقيد الحساب. يعتمد هذا النموذج على دمج رسم بياني يسمى 'HNSW' (Hierarchical Navigable Small World) مع آلية تصويت مسبقة الحساب. من خلال هذا الهيكل الطوبولوجي، تمكنا من نقل العبء الحسابي لاختيار الجيران ووزنهم إلى مرحلة التدريب.

تعمل الطبقات العليا من الرسم البياني على تسريع عملية التنقل، بينما تشفر الطبقات السفلية حدود القرار الخاصة بالعُقد بدقة مع أعداد جيران قابلة للتكيف. من خلال إجراء مقارنة مع ثمانية نماذج متقدمة في مجالات متنوعة، أظهر نموذجنا زيادة كبيرة في سرعات الاستدلال، مما يحقق أداءً في الوقت الحقيقي دون المساس بدقة التصنيف.

تقدم هذه النتائج حلاً مرنًا وقويًا لتحديات الاستدلال التي تواجهها خوارزمية $k$NN، مما يضع أساساً هيكليًا قابلاً للتكيف للتعلم غير المعلمي القائم على الرسوم البيانية.