في عالم الذكاء الاصطناعي، تعد القدرة على تحسين أداء النماذج أمرًا حيويًا، لا سيما عند العمل مع البيانات المهيكلة بالشكل البياني (Graph-Structured Data). هنا تأتي أهمية GATTA (Graph Active Learning with Test-Time Augmentation) كأحد الحلول الرائدة في هذا المجال.

GATTA يعتمد على تقنية تعزيز البيانات في وقت الاختبار (Test-Time Augmentation)، والتي أثبتت فعاليتها في تعزيز ثبات النماذج وتقدير عدم اليقين في رؤية الحاسوب. إلا أن تطبيق هذه التقنية على البيانات البيانية كان أقل استكشافًا، مما يجعل GATTA ابتكارًا يغير قواعد اللعبة.

تتضمن GATTA آلية تصفية قائمة على الاتساق (Consistency-Based Filtering) تهدف إلى التخلص من المشاهد المعززة التي توفر تنبؤات غير موثوقة. تم تقييم GATTA بشكل منهجي عبر عدة مجموعات بيانات بيانية، وهياكل الشبكات العصبية الرسومية (GNN Architectures)، واستراتيجيات الحصول على البيانات.

أظهرت النتائج أن الأساليب المبنية على عدم اليقين، مثل الدالة Entropy وLeast Confidence، تستفيد بشكل كبير من تطبيق TTA، حيث تحقق أداءً منافسًا مع طرق أكثر تعقيدًا وتكلفة. GATTA قادر على التعميم عبر الهياكل المختلفة، ويتفوق على أساليب التجمع التي تعتمد على نموذج مثل MC Dropout.

تقدم المراجعة الشاملة لأساليب التعزيز والقوة واستراتيجيات التصفية إرشادات عملية لنشر فعّال. تظهر نتائجنا أن تعزيز الأساليب البسيطة باستخدام TTA يمكن أن يكون طريقًا أكثر كفاءة نحو أداء قوي في التعلم النشط، مما يمكّن الممارسين من تحقيق نتائج تنافسية بتكاليف حاسوبية أقل وتعقيد أقل في التنفيذ.