في عصر الذكاء الاصطناعي، تعد شبكات الرسوم البيانية (Graph Neural Networks) تقنية حيوية للاستفادة من بيانات الرسوم البيانية غير المعنونة. ومع ذلك، يواجه الباحثون تحديات كبيرة في التكيف بين المجالات المتنوعة بسبب التقلبات الكبيرة في التوزيع. في هذا السياق، تقدم DIB-OD، وهو إطار مبتكر يهدف إلى الحفاظ على جوهر المعرفة غير المتغيرة لتعزيز التكيف القوي في الرسوم البيانية المتنوعة.

يعتمد DIB-OD على تقنية جديدة تُعرف باسم Decoupled Information Bottleneck، التي تعمل على فصل المعرفة الأساسية عن الضوضاء المحددة لكل مجال، مما يساعد على تجنب مشكلات الانتقال السلبي والنسيان الكارثي (Catastrophic Forgetting).

بالإضافة إلى ذلك، يشمل DIB-OD آلية تكرار بين معلم وطلاب في عملية التقطير، مما يساعد على عزل جوهر ثابت غير متغير يتجاوز حدود المجالات المختلفة. كما تم إدخال مُنظم دلالي ذاتي التكيف لحماية هذا الجوهر من التدهور أثناء التكيف مع المجالات المستهدفة عن طريق التحكم الديناميكي في تأثير التسمية استنادًا إلى ثقة التوقع.

تظهر تجارب موسعة عبر مجالات كيميائية وبيولوجية وشبكات اجتماعية أن DIB-OD يتفوق بشكل كبير على الأساليب الحالية، خاصة في حالات الانتقال بين الأنواع ويظهر قدرة تفوق في التعميم وأداء مضاد للنسيان. يُعتبر هذا التطور ثورة في كيفية استغلال Networks في ظروف متعددة، مما يفتح الأبواب أمام تطبيقات جديدة وتحسينات مذهلة في الذكاء الاصطناعي.