في عالم الذكاء الاصطناعي، تبرز أساليب تعلم الرسوم البيانية الموزعة (Federated Graph Learning) كإحدى التطورات المهمة التي تعزز من قدرات التعلم التعاوني عبر البيانات المُوزعة. ولكن، على الرغم من فوائدها، فإن العديد من الطرق الحالية تعتمد على فرضية العالم المغلق، مما يحد من قدرتها على التكيف مع البيئات الديناميكية حيث تظهر فئات جديدة باستمرار.

هنا يأتي دور اكتشاف الفئات العامة (Generalized Category Discovery) في تعلم الرسوم البيانية الموزعة. يهدف هذا النظام إلى التعاون في اكتشاف الفئات الجديدة عبر عملاء الرسوم البيانية الموزعة مع الحفاظ على المعرفة بالفئات المعروفة. لكن تأتي هذه العملية مع تحديات كبيرة، يمكنك أن تتخيلها مثل (1) تأثير امتصاص الجوار (Neighborhood Absorption Effect)، حيث يؤدي التجزؤ البنيوي إلى تجميع جوار منحاز، مما يؤدي إلى تصنيف خاطئ لعقد جديدة على أنها فئات معروفة؛ و (2) عدم اتساق المعنى العالمي (Global Semantic Inconsistency)، حيث تتكرر هذه التحيزات المحلية في الخادم ويتم تضخيمها عن طريق توزيع الرسوم البيانية غير المتجانسة، مما يصعب دمج المعرفة عبر العملاء.

للتغلب على هذه التحديات، قدم الباحثون نموذج GCD-FGL، وهو إطار لتعلم الرسوم البيانية الموزعة لاكتشاف الفئات العامة. يجمع هذا النموذج بين عملية المحاذاة والاكتشاف المعتمدة على الطوبولوجيا من جانب العميل، من أجل التخفيف من تأثير امتصاص الجوار، واستراتيجية محاذاة النموذج الهرمي من جانب الخادم لحل مشكلات عدم اتساق المعنى العالمي.

لقد أظهرت التجارب الواسعة على خمسة مجموعات من بيانات الرسوم البيانية الواقعية أن GCD-FGL يتفوق باستمرار على النماذج التقليدية، موفراً زيادة مطلقة متوسطة قدرها 4.86 نقطة في معايير الأداء.