تطور جديد في الذكاء الاصطناعي: نموذج التمييز بين الحالات لتنبؤ الروابط

في السنوات الأخيرة، برزت نماذج التمييز بين الحالات (Instance Discrimination Models) كحل رئيسي في مجالات التعلم الذاتي (Self-Supervised Learning)، حيث أثبتت هذه النماذج قدرتها المذهلة في مجال معالجة الصور. واليوم، تتجه هذه النماذج نحو إثبات فعاليتها أيضًا في مجال الرسوم البيانية، وخصوصًا في تصنيف العقد (Node Classification).

ومع ذلك، لا تزال الدراسات التي تتناول مهمة تنبؤ الروابط (Link Prediction) قليلة. وفي هذا السياق، نقدم مقاربة جديدة تهدف إلى تعديل الأساليب الموجودة لتناسب هذه المهمة. نبدأ بتقديم تقييم دقيق للنماذج الذاتي التعلم الموجودة في حقل تنبؤ الروابط، موضحين أن الأداء الرئيسي يعتمد على عملية التعزيز (Augmentation Process)، كما هو الحال في رؤية الكمبيوتر (Computer Vision).

نطرح أيضًا طريقة تعزيز هيكلية جديدة تعتمد على بنية المجتمعات (Community Structure) التي تعتبر ذات صلة كبيرة بمهمة تنبؤ الروابط. تقديمنا الرئيسي يتضمن نموذجين جديدين، هما نموذج L-GRACE وL-BGRL، وهما مستندان إلى تمثيلات الروابط بدلاً من تمثيلات العقد. وهذا يعزز من أداء الأساليب الحالية، خاصةً في الرسوم البيانية التي لا تحتوي على سمات (Unattributed Graphs). بالإضافة إلى ذلك، نوضح أن هذه النماذج توفر أداءً يضاهي أحدث الأساليب المتاحة، سواء في السياقات المُشرفة (Supervised) أو غير المُشرفة (Self-Supervised).

بهذا، تدفعنا هذه التطورات إلى إعادة التفكير في استراتيجيات تعلم الآلة، حيث تفتح آفاقًا جديدة لفهم العلاقات ضمن الهياكل البيانية.