تواجه الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) تحديات كبيرة عندما يتعلق الأمر بنمذجة التفاعلات الثنائية فقط. وهذا يعني أن خياراتنا كانت محدودة في تعبيرها عن العلاقات المعقدة بين البيانات. ومع ذلك، فإن النماذج ذات الترتيب الأعلى المتركزة على مجمعات الخلايا (cell complexes) تقدم بديلاً أكثر تعقيدًا وقوة، لكنها غالبًا ما تعاني من ضعف القابلية للتوسع.

في خطوة رائدة، تقدم الأبحاث الأخيرة نموذجًا مبتكرًا باستخدام اختبارات ويزفيلر-لمان الخلوية المبسطة (simplified cellular Weisfeiler Leman tests) والمعروفة اختصارًا بـ (sCWL وfCWL). هذه النماذج لا تعزز فقط القدرة التعبيرية للاختبار التقليدي بل تقدم أيضًا كفاءة حسابية أعلى.

ما يجعل هذا الابتكار مذهلاً هو إدخال مفهوم المجمعات الثنائية القصوى (maximal clique complex)، مما يتيح إنشاء شبكات الرسوم البيانية العصبية القابلة للتوسع بسرعة وبكفاءة في استخدام الوقت والذاكرة، مع الاحتفاظ بأداء تجريبي قوي.

للتغلب على مشكلة العدّ الصريح للمجمعات، تم تقديم تقنية جديدة تُدعى CliqueWalk، التي تعتمد على مشي عشوائي متحيز يقوم بعينة من المجمعات القصوى، بحيث تتوسع بشكل خطي مع حجم الرسم البياني. غيّر هذا الحل قواعد اللعبة، ممهداً الطريق لتعلم طوبولوجي متميز لنمذجة الرسوم البيانية ذات الرتبة الأعلى.

لا تفوتوا الفرصة لتعلم المزيد عن هذا الإبداع الذي قد يغير طريقة تعاملنا مع البيانات المعقدة.