في عالم تعلم تمثيلات الجراف، نشأت نماذج الجراف الأساسية (Graph Foundation Models - GFMs) كإحدى الطرق الرائدة في الاستدلال عبر المجالات المختلفة. هذه النماذج تعتمد بشكل أساسي على تدريبات مسبقة واسعة النطاق لتعزيز استنتاجاتها. لكن وعندما نتحدث عن التغيرات في توزيع البيانات، نجد أن المعرفة المرمزة في هذه النماذج لا تكفي، مما يحد من قدرتها على التعميم.

لحل هذه المشكلة، تم تقديم تقنية التوليد المدعوم بالاسترجاع (Retrieval-Augmented Generation - RAG) التي تسعى لدمج المعرفة الخارجية خلال مرحلة الاستدلال. على الرغم من ذلك، تعاني الأطر الموجودة RAG التي تعمل في الفضاء الإقليدي من قيود هندسية جوهرية، حيث تنمو أحجام الفضاء الإقليدي بشكل غير متناسب مع قواعد بيانات المعرفة المهيكلة كالأشجار. هذه المشكلة تؤدي إلى فقدان الدقة الدلالية في آلية الاسترجاع، مما يسبب ظاهرة تُعرف بـ "hubness".

لذلك، قمنا بتقديم إطار العمل الجديد المسمى (Hyperbolic Retrieval-Augmented Generation - HyRAG) المعدل لتعزيز قدرات التعميم لنماذج الجراف. يوفر هذا الإطار مكون (Hyperbolic Knowledge Indexing) الذي يعيد تمثيل الهياكل الشجرية للمعرفة الخارجية ضمن الفضاء الهايبربولي. كما يتيح مكون (Multi-granularity Retrieval) لنماذج الجراف الوصول إلى مفاهيم دلالية عالمية محلية من خلال استرجاع المعرفة بدرجات مختلفة من التفصيل.

بالإضافة إلى ذلك، يحقق مكون (Dual-path Fusion) تكاملاً فعالًا للمعرفة أثناء معالجة المهام المتعلقة بالجراف على المستويين الهيكلي والوظيفي.

أظهرت التجارب على عدة نماذج الجراف تحسنًا ملحوظًا في البيئات التي تحتاج إلى قدرات تعميم قوية، مما يعكس قوة منهجية HyRAG في تحقيق استنتاجات موثوقة.