تُعتبر معلمات الهايبر بارامتر مثل معدل التعلم (Learning Rate) ووزن التراجع (Weight Decay) أموراً أساسية لتحديد أداء نماذج التعلم العميق. ومن خلال مفهوم "نقل المعلمات" (Hyperparameter Transfer)، يسعى الباحثون لجعل إعدادات الهايبر بارامتر المثلى متناسقة عبر نطاق النماذج، مما يسهل تحسين النماذج الكبيرة عن طريق تعديل النماذج الأصغر التي يمكن تحسينها بسهولة.

على الرغم من أن مفاهيم النقل قد تم دراستها جيداً في سياق الشبكات العصبية الكثيفة (Dense Neural Networks) ضمن مهام اللغة والرؤية، إلا أنها لا تزال غير مستكشفة بشكل كافٍ في سياق الشبكات العصبية البيانية (Graph Neural Networks - GNNs). لقد قام فريق البحث بتطوير والتحقق من صحة نظام نقل المعلمات لشبكات GNN باستخدام أساليب التدريب المختلفة مثل خوارزمية SGD وAdam وAdamW.

عبر التحليلات النظرية والتجارب المحكمة، أظهر البحث أن هذه التوصيفات المقترحة تؤدي إلى تحديثات ميزات مستقرة، ونقل معدل التعلم، وأداء محسن مع زيادة العرض والعمق. بالنسبة لطريقة SGD، تم التعرف على عوامل تصحيح الطبقة الأولى المعتمدة على الرسم البياني، مما يسرع التدريب المبكر في الرسوم البيانية ذات المدخلات المتناثرة. في خوارزمية Adam، تمت دراسة كيفية تأثير تطبيع تمرير الرسائل على سلوك النقل في المراحل المبكرة والمتأخرة من التدريب، مما يبرز أهمية تطبيع الرسائل.

أما بالنسبة لـ AdamW، فقد تم تعديل التوصيف ليسمح بنقل وزن التراجع ومعدل التعلم بشكل مشترك. تُعدّ هذه النتائج بمثابة وصفة عملية لتوسيع نطاق تطبيقات GNN عبر مجموعة متنوعة من المهام التعليمية وسيناريوهات التدريب.