تعتبر الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) إحدى أهم التطورات في مجال الذكاء الاصطناعي، حيث تسعى باستمرار لتحسين قدرتها على التعامل مع البيانات المعقدة. ومع ذلك، فإن الكثير من هذه الشبكات تفترض أن خصائص العقد (nodes) كلها متاحة ومشروطة بصورة كاملة. لكن الحقيقة هي أن الخصائص المفقودة شائعة جدًا في التطبيقات الواقعية، مما يتسبب في تحديات كبيرة للأداء.

تقليديًا، اعتمدت الأساليب المعتمدة على الرسوم البيانية على تبادل المعلومات بين العقد، باستخدام القيم المتاحة لتقدير القيم المفقودة. وتم تقييم هذه الطرق غالبًا في سياقات غير واقعية حيث تتم إزالة خاصيات العقد بشكل مستقل ومنتظم. هذه السيناريوهات لا تعكس الواقع، حيث أن فشل الاستشعار غالبًا ما يؤثر على العقد المتصلة، مما يزيد من تعقيد مشكلة الخصائص المفقودة.

لذلك، قام الباحثون بمعالجة هذه القضية من خلال مفهوم "اعتماد القناع الهيكلي" (graph-structured mask dependence)، حيث يتم تشكيل التوزيع المشترك لمؤشرات الفقدان اعتمادًا على الهيكل الرسومي. تم تقديم نموذج PEMix كوسيلة لتجاوز هذا التحدي عبر استخدام تمثيلات هيكلية عالمية تشفر نموذجًا احتماليًا للخصائص المفقودة.

كما أظهرت التجارب السيطرة على معدلات الفقدان الناتجة وعدد من السيناريوهات المختلفة أن نموذج PEMix يحافظ على فعاليته حتى في الحالات الأكثر تعقيدًا والتي تتسم بشدة الفقدان، مما يجعله خيارًا مثاليًا للعديد من التطبيقات الحقيقية في عصر الذكاء الاصطناعي الحالي.