تشهد مجالات الصناعة والبحث العلمي اهتمامًا متزايدًا في نماذج الرسم البياني الأساسية (Graph Foundation Models) نظرًا لاستخدام البيانات المهيكلة على شكل رسم بياني في العديد من التطبيقات. ومن بين الاستخدامات الشعبية لهذه النماذج، نجد توقع خصائص العقد، وهو مجال يحمل فيه الذكاء الاصطناعي نتائج مبهرة، تتراوح من كشف الاحتيال في الشبكات الاجتماعية والمالية إلى تحسين نظم التوصية في التجارة الإلكترونية.

ومع بروز عدد من نماذج الرسم البياني الأساسية خصيصًا لمهام توقع خصائص العقد، لا يزال المجال يعاني من عدم وجود معيار موحد للتقييم، مما يعيق المقارنات الدقيقة بين النماذج المختلفة. في هذا السياق، نقوم بعملية إعادة تقييم دقيقة لتسع نماذج حديثة من GFMs مقارنةً بنماذج الشبكات العصبية للرسم البياني (Graph Neural Networks) المتقدمة.

النتائج التي توصلنا إليها تشير إلى أن النماذج الأكثر حداثة المبنية على نماذج الشبكات المعتمدة على البيانات السابقة (Prior-data Fitted Networks) تتفوق بمستوى جيد على الشبكات العصبية التقليدية من حيث أداء التنبؤ، لكن ذلك يأتي بتكلفة أعلى من حيث سرعة الاستدلال. هذه النتائج تشير إلى أن هناك إمكانيات كبيرة في تطوير نماذج أكثر كفاءة يمكن أن تعزز من دقة التنبؤ وتقلل من التكاليف المرتبطة.

في ختام هذا النقاش، نترككم مع تساؤل: كيف يمكن لهذه النماذج تحسين تطبيقات الحياة اليومية؟ شاركونا آرائكم في التعليقات!