تظهر الشبكات العصبية الهايبرغرافية (Hypergraph Neural Networks - HGNNs) إمكانيات مذهلة في معالجة العلاقات ذات الأبعاد العليا، إلا أن أدائها يعتمد بشكل كبير على بيانات المصنفة، مما يجعلها عرضة لمشاكل ضجيج التسميات. على الرغم من التقدم في تقنيات التعلم مع ضجيج التسميات (Learning with Label Noise - LLN) والتعلم الشبكي مع ضجيج التسميات (Graph Learning with Label Noise - GLN)، فإن التعلم من التسميات الملوثة في الشبكات الهايبرغرافية لا يزال موضوعاً قيد البحث.

تقدم هذه الدراسة دراسة منهجية لتصنيف العقد في الشبكات الهايبرغرافية تحت تأثير ضجيج التسميات. البداية كانت بتكييف أساليب LLN و GLN الممثلة لتتناسب مع الشبكات الهايبرغرافية، ومن ثم تقييمها تحت معيار موحد يكشف عن القيود الحالية لاستراتيجيات التعلم القوي.

استناداً إلى ذلك، قام الباحثون بتقديم إطار جديد يسمى HyperTrust، الذي يقدر في البداية موثوقية الروابط من خلال استراتيجية قائمة على التدريب المسبق وواعية بالإنتروبيا. يتضمن هذا الإطار أيضًا وحدة HyperedgeBoost لتعزيز الإشراف الموثوق عن طريق ربط العقد غير المصنفة بالروابط الموثوقة، بالإضافة إلى وحدة HyperedgePrune للحد من انتشار الضجيج عبر إزالة الروابط غير الموثوقة.

تعمل الوحدتان معًا لتعديل بنية الشبكة الهايبرغرافية وتوليد التنبؤات النهائية. وأظهرت التجارب المكثفة والتحليل النظري فعالية وقوة HyperTrust عبر عدة مجموعات بيانات تحت إعدادات ضجيج متنوعة. توفر هذه الدراسة معياراً موحداً وحلاً فعالاً لتعلم الشبكات الهايبرغرافية مع ضجيج التسميات، مما يضع الأساس للبحوث المستقبلية في هذا الاتجاه.