تنبؤ الأحداث العامة يعد أحد العناصر الأساسية في الأنظمة الذكية، حيث يمكن أن يسهم بشكل كبير في إدارة المخاطر، وتخصيص الموارد بشكل أكثر فعالية، وكذلك تسريع اتخاذ القرارات. في العديد من السيناريوهات الواقعية، يعتبر تطور الأحداث العامة مدفوعًا بتفاعلات ديناميكية بين المشاركين.

استجابةً لهذا التحدي، تقدم إحدى الدراسات الجديدة إطارًا مبتكرًا يسمى auto-ibDLM، وهو إطار عميق يعتمد على الشبكات، يقوم بتمثيل الأحداث كشبكات تفاعلية ديناميكية ويتنبأ بتطورها من خلال توقع نمو المشاركين.

يعتمد هذا الإطار على استراتيجية تعلم تمثيلي هجين، تبدأ بتمثيل تطور الشبكة باستخدام مقاييس هيكلية مستندة إلى علوم الشبكات، ثم تحول هذه المتجهات الهيكلية الناتجة إلى تمثيلات كامنة قوية وموثوقة عبر طبقة تعلم ذاتي.

يتم استخدام وحدة توقع زمنية تعتمد على GRU (Gated Recurrent Unit) لالتقاط الاعتماديات الزمنية والتنبؤ بنمو المشاركين في المستقبل. وقد أثبتت التجارب الشاملة على 13 مجموعة بيانات حدث عام فعلية واثنتين من مجموعات البيانات الديناميكية المتاحة للجمهور أن auto-ibDLM يتفوق بشكل مستمر على الأساليب الحالية في دقة التنبؤ وإمكانية التعميم، محققًا دقة تجاوزت 97٪.

تعكس التحليلات التجريبية الشاملة فعالية استراتيجية التعلم التمثيلي الهجين وتبرز إتاحتها للتفسير على مستوى التمثيل. تشير هذه النتائج إلى أن auto-ibDLM يوفر حلًا عمليًا وفعالًا لتنبؤ الأحداث العامة الذكي.