في عالم الذكاء الاصطناعي، تتسارع الابتكارات وتظهر تقنيات جديدة تحمل في طياتها إمكانيات هائلة. وأحدث هذه التطورات هو نموذج GRATE (Gated Rotary Attention for Temporal Encoding)، الذي يوجه الأنظار نحو الرسوم البيانية الزمنية المعرفية (Temporal Knowledge Graphs).

تسعى النماذج الحديثة مثل Ultra وTrix إلى تحقيق نقل استقرائي قوي عبر تعلم تمثيلات رسوم بيانية تعكس العلاقات بين الكيانات. لكن التحدي الأكبر يكمن في توسيع هذا النقل ليشمل الرسوم البيانية الزمنية، حيث ترتبط النماذج الحالية بالكيانات والعلاقات ذات الصلة بالبيانات التجريبية، مما يجعلها غير قادرة على التكيف مع الرسوم البيانية ذات المفردات المنفصلة.

هنا يأتي دور GRATE، الذي يقدم وظيفة رسائل جانب الكيانات بدون إضافة أي معلمات قابلة للتعلم. يقوم النموذج بتشفير الوقت من خلال اختلافات زمنية نسبية عبر تدوير كل رسالة حسب الفرق الزمني بينها وبين الاستعلام، مع تطبيق بوابة مشروطة بالاستعلام لاختيار الإشارات الزمنية ذات الصلة. وبهذا يُحافظ GRATE على إمكانية النقل الهيكلي داخل نماذج الرسوم البيانية المعرفية.

لقد تم إجراء تقييمات على نماذج TKG الحالية ضمن مفردات مشتركة ولا يمكن اختبارها بشكل مباشر في نقل المعرفة عبر مجموعات بيانات مختلفة. لذا، قمنا بتطوير مجموعة من مقاييس نقل المعرفة مثل GDELTIndT وWIKIIndT، التي تحتوي على كيانات وعلاقات وطوابع زمنية منفصلة، مما يتيح قياس الفعالية في نقل المعرفة بشكل أوسع.

النتائج كانت مثيرة، حيث أظهر GRATE - بعد التحضير المشترك - تحسنًا ملحوظًا على النموذج الأساسي الثابت في معظم الحالات. هل أنتم مستعدون لمتابعة هذه الرحلة المذهلة في عالم الذكاء الاصطناعي؟

ما رأيكم في هذه التقنية الجديدة؟ شاركونا آراءكم في التعليقات!