في عالم اليوم، تزداد أهمية الرسوم البيانية الديناميكية (Dynamic Graphs) بشكل ملحوظ، حيث تؤدي دوراً حيوياً في مجموعة متنوعة من الأنظمة. ومع ذلك، تواجه النماذج الحالية تحديات جادة عند محاولة دمج البيانات من مختلف المجالات، بسبب عدم التوافق في الأنماط الدلالية والزمنية. هذا الأمر يجعل عملية التدريب المسبق عبر عدة مجالات صعبة للغاية.

هنا يأتي نموذج DyGFM (Dynamic Graph Foundation Model) كحل مبتكر لإشكالية النمذجة الموحدة. يعتمد DyGFM على تقنية جديدة تُعرف بـ "التوجيه المعتمد على الفصل (Decoupled and Divergence-Conditioned Prompting)", والتي تساهم في فك ارتباط الدلالات القابلة للنقل عن الديناميات الخاصة بكل مجال.

يتم اعتماد استراتيجية تدريب مزدوجة الفروع تُفصل بين المعاني الزمنية، مما يسهل عملية التكيف بين المجالات دون مواجهة صعوبات "الانتقال السلبي (Negative Transfer)". كما تم تطوير آلية توجيه عبر المجالات بفضل اختيار الخبراء القائم على الاختلاف، مما يعزز من فعالية النموذج.

علاوة على ذلك، يقدم DyGFM مولّد توجيهات يعتمد على الاختلاف، حيث يحقن توجيهات رسومية قابلة للتعلم تُناسب الميزات الدلالية والزمنية.

تم تحقيق نتائج ملحوظة عبر التجارب القوية على مؤشرات الرسوم البيانية الديناميكية المستمرة، حيث أثبت DyGFM تفوقه على 12 نموذجاً مرموقاً في مجالات تصنيف العقد (Node Classification) والتنبؤ بالروابط (Link Prediction). اللجوء إلى هذه الأساليب الجديدة يعد بوابة لتحقيق كفاءة وفاعلية غير مسبوقة في مجال تعلم الرسوم البيانية.