في عصر المعلومات الذي نعيشه، يعد تعلم الرسوم البيانية الذاتي (Graph Self-Supervised Learning - GSSL) من الأساليب الثورية التي تساهم في فهم البيانات دون الحاجة إلى بيانات موسومة. لقد اعتادت الأبحاث السابقة على افتراض وجود رسوم بيانية نظيفة ومعدّة يدويًا، لكن الجديد في الأمر هو ما تمخضت عنه advancements في معالجة اللغة الطبيعية (NLP) من إمكانية استخراج الرسوم البيانية للمعرفة بشكل تلقائي وبكميات ضخمة من النصوص. ومع ذلك، فإن هذا التقدم يأتي مع تحدٍ كبير يتمثل في وجود الضوضاء الحقيقية في البيانات.

تسعى الدراسة الحديثة إلى ملء الفراغ في هذا المجال من خلال تقديم تقييم شامل لأساليب GSSL على الرسوم البيانية المدفوعة بالنصوص، مسلطة الضوء على الضوضاء الحقيقية التي لم يتم استكشافها بشكل كافٍ. يطرح الباحثون إطار عمل متكامل يسمى Noise-Aware Text-Driven Graph GSSL (NATD-GSSL)، والذي يجمع بين بناء الرسوم البيانية التلقائي، وتنقيح الرسوم البيانية، وتقنيات GSSL.

تتبع هذه الدراسة بروتوكول الرسوم البيانية المزدوج، الذي يقارن بين رسوم بيانية مشوشة مستمدة من منصة MedMentions، ورسوم بيانية نظيفة تعتمد على نظام اللغة الطبية الموحد (UMLS). تكشف النتائج عن وجود تباين كبير في قدرة النماذج على مقاومة الضوضاء، حيث أظهرت مهام إعادة بناء العلاقات حساسية عالية تجاه الضوضاء، بينما كانت مهام إعادة بناء الميزات أكثر قوة.

تؤكد الدراسة أن تصاميم الشبكات العصبية للرسوم البيانية (Graph Neural Networks - GNN) تلعب دورًا حاسمًا في الأداء، حيث تُظهر تصاميم نقل الرسائل الثنائية الاتجاه قدرة أفضل على التعامل مع الرسوم البيانية المدفوعة بالنصوص، بينما تحقق التصاميم أحادية الاتجاه نتائج أفضل مع الرسوم البيانية النظيفة.

في الختام، تمتلك تقنيات NATD-GSSL القدرة على توجيه أبحاث الذكاء الاصطناعي في تطبيق التعلم الذاتي للرسوم البيانية بشكل فعال على البيانات الحقيقية المشوشة، محققة تحسينات تصل إلى 7% مقارنة بالنماذج اللغوية المدربة مسبقًا. جميع الأكواد والمعايير متاحة للجمهور على https://github.com/OthmaneKabal/MC2GAE.