تعد عملية توليد بيانات رسومية واقعية واحدة من أكبر التحديات في عالم الذكاء الاصطناعي، فهي تتطلب حل مشاكل متعددة مثل الاتصال المتقطع وتفاوت أحجام الرسوم البيانية والأنماط الهيكلية الفريدة لكل فئة. في السنوات الأخيرة، تم تطوير طرق جديدة تعتمد على الشبكات التنافسية التوليدية (Generative Adversarial Networks - GAN) لتحسين عملية نمذجة الحواف من خلال فهم الاتصال والتوزيعات الكثافية الخاصة بكل فئة.

ومع ذلك، لا تزال هذه النماذج تظهر انحرافات ملحوظة، مثل الفروق في توزيع الدرجات والطيف، عند مقارنتها بالرسوم البيانية الحقيقية، ما يدل على أن بعض الخصائص الهيكلية المهمة لم تتم المحافظة عليها بالكامل. لذا، كانت الحاجة ملحة لتقليل هذه الانحرافات، وهو ما تم تحقيقه من خلال تحسين الرسوم البيانية الناتجة بواسطة إطار مولد رسومي يعتمد على GAN باستخدام خوارزمية جينية (Genetic Algorithm - GA).

في هذا النهج، يقوم المولد (Generator) في إطار GAN بإنشاء ميزات العقد ونماذج الاتصال، بينما يقوم النقاد المعتمدون على الشبكات العصبية الرسومية (Graph Neural Networks - GNN) بتقييم واقعية الرسوم البيانية وتناسق الفئة، لضمان التوافق الهيكلي العالمي وتناسب الفئات. بناءً على هذا الأساس، تم تطبيق خوارزمية GA لتحسين حواف الرسوم البيانية الناتجة.

توجيه عملية التحسين يسعى لجعل الرسوم البيانية الاصطناعية تتوافق بشكل أكبر مع البيانات الحقيقية، مع المحافظة على التنوع والابتكار. أظهرت النتائج التجريبية أن تحسين GA يقلل باستمرار من درجة الاقتراب (Maximum Mean Discrepancy - MMD) مقارنة بالنموذج الأساسي، مما يؤدي إلى رسوم بيانية تتطابق بشكل أكبر مع الأنماط الهيكلية الحقيقية. يُظهر هذا البحث أن التحسين التطوري يعد وسيلة فعالة ومرنة لتصحيح الانحرافات الهيكلية المتبقية في مولدات الرسوم البيانية المعتمدة على GAN، مما يعزز قابليتها للتطبيق في توليد الرسوم البيانية الواقعية وزيادة البيانات.