تُعتبر الشبكات العصبية البيانية (Graph Neural Networks - GNNs) واحدة من الأدوات القوية في معالجة البيانات المرتبطة، ولكنها تعاني غالبًا من صعوبة التعميم إلى الرسوم البيانية غير المرئية. ولتجاوز هذه التحديات، تطورت نماذج الأساس البياني (Graph Foundational Models - GFMs)، لكن هذه النماذج تواجه صعوبات بسبب تنوع البيانات البيانية.

إحدى الطرق التقليدية تعتمد على نماذج اللغة الكبيرة (Large Language Models - LLMs)، لكنها تعاني من الاعتماد على النصوص وليس لديها القدرة على التعامل الفعال مع البيانات العددية في الرسوم البيانية الكبيرة. كما توجد طرق أخرى تعتمد على نماذج قائمة على الهيكل، لكن عادة ما تتطلب مرحلة تعديل مكلفة لكل رسم بياني، مما يخلق عائقًا كبيرًا في الكفاءة.

لكن مع تقديم نموذج Graph In-context Learning Transformer (GILT)، بدأنا في تجاوز هذه القيود. يتميز GILT بإطار عمل خالٍ من نماذج اللغة الكبيرة ومن التعديلات، ويقدم طريقة جديدة تقوم على الرموز في التعلم السياقي للرسوم البيانية. يُعيد GILT صياغة مهام التصنيف التي تشمل العقد والحواف والمستويات الرسومية ضمن إطار موحد.

تُعتبر هذه الآلية مفتاحًا لمعالجة تنوع البيانات، حيث تم تصميمها للعمل على الميزات العددية العامة. كما أن قدرتها على فهم دلالات الفئات ديناميكيًا من السياق تُمكّن من التكيف دون الحاجة إلى تعديلات مسبقة.

تظهر التجارب الشاملة أن GILT يحقق أداءً أفضل في حالات قلة البيانات، وفي أوقات أقل بكثير مقارنة بالمعايير المعتمدة على نماذج اللغة الكبيرة أو التعديلات، مما يثبت فعالية مقاربتنا.