تواجه النماذج المستخدمة في تحليل البيانات الهيكلية مشاكل كبيرة تتعلق بعدم توازن الفئات، حيث تفتقر بعض الفئات العدد الكافي من العينات، مما يؤدي إلى تعلم منحاز وأداء ضعيف خاصة في الفئات القليلة. هذا الأمر ينطبق بوضوح على البيانات الهيكلية المرتبطة بالرسوم البيانية.

تميل معظم الشبكات العصبية الرسومية (GNNs) إلى افتراض توزيع متوازن للفئات، مما يجعلها غالبًا عُرضة للعوائق التي يسببها عدم التوازن. من خلال التعرف على مشكلة عدم التناسق في جودة العقد المُصنعة، تمكنا من تحديد الأسباب وراء الأداء غير المثالي في ظل ظروف عدم توازن الرسوم البيانية.

بهدف معالجة هذه المشكلة، اقترحنا نظام GraphIFE (Graph Invariant Feature Extraction)، وهو إطار مبتكر يسعى لتعزيز عملية استخراج الميزات مع التركيز على تحقيق التناسق في جودة العقد. يعتمد النهج المطور لدينا على مفاهيم التعلم الثابت للرسوم البيانية ويقدم استراتيجيات لتعزيز تمثيل فضاء التضمين، مما يُحسن من قدرة النموذج على التعرف على الميزات الثابتة.

أجريت تجارب موسعة أثبتت فعالية النظام الجديد، حيث أثبت GraphIFE تفوقه على عدة نماذج أساسية في مجموعة متنوعة من البيانات. للمزيد من المعلومات وفتح ملف التعليمات البرمجية، يمكنكم زيارة GitHub. هل تعتقد أن هذا النظام يمكنه تغيير مستقبل معالجة البيانات الهيكلية؟ شاركونا آراءكم في التعليقات!