تشكل شبكات الأعصاب الرسومية (Graph Neural Networks - GNNs) ثورة في العديد من المجالات التطبيقية، إلا أن التعامل مع نقص الخصائص (missing features) ما زال يمثل تحدياً كبيراً، خاصة في المجالات الحيوية مثل الرعاية الصحية وشبكات الاستشعار.

تشير الدراسات الحالية إلى أن معظم الأبحاث تركز على سيناريوهات بسيطة تتعلق بمجموعة من البيانات القياسية، حيث تتميز بالخصائص عالية الأبعاد والندرة. ومع ذلك، قد يبدو أن جميع النماذج تعكس صلابة معينة بسبب محدودية فقدان المعلومات المرتبطة بالنقص، مما يمنع المقارنة الفعالة بين أدائها.

لتجاوز هذه القيود، تم تقديم مجموعة من البيانات الاصطناعية وثلاث مجموعات بيانات واقعية تحتوي على خصائص غنية ودلالية. فبينما كانت الدراسات السابقة تتعامل مع شريحة محدودة من البيانات المتاحة بشكل عشوائي تماماً، تسير هذه الورقة على نهج جديد بتصميم بروتوكولات تقييم تتعامل مع آليات نقص أكثر واقعية.

أحد النتائج البارزة هو نموذج GNNmim، الذي يشكل حلاً بسيطاً ولكنه فعال لتصنيف العقد بحيث يتعامل مع بيانات الخصائص الناقصة. أظهرت التجارب أن GNNmim يتنافس بقوة مع البنى المعمارية المتخصصة عبر مجموعة متنوعة من البيانات وأنظمة النقص.

فهل يمكن أن يعيد هذا النموذج تعريف الطريقة التي نتعامل بها مع نقص البيانات في الأنظمة المعقدة؟ شاركونا آرائكم حول هذه التطورات المثيرة في عالم الذكاء الاصطناعي.