تشكل الرسوم البيانية (Graphs) هيكلاً معقداً ومرناً للبيانات، يُستخدم في مجالات متعددة، حيث تلعب العقد متعددة العلامات (Multi-Label Nodes) دوراً حاسماً. تتنوع أمثلة هذه العقد، مثل البروتينات في الشبكات البروتينية (PPI networks) التي تؤدي وظائف متعددة، والمستخدمين في الشبكات الاجتماعية أو التجارية الذين لديهم اهتمامات متنوعة.

تحدي تصنيف العقد المتعدد في الشبكات (Multi-Label Node Classification - MLNC) أدى إلى تطوير عدة أساليب، واستندت بعض هذه الأساليب إلى الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) للاستفادة من correlations تواجد العلامات، بينما دمجت أخرى تمثيلات العلامات (Label Embeddings) لالتقاط قرب العلامات.

ومع ذلك، تبقى هذه الأساليب عاجزة عن التعامل مع التأثيرات المعقدة بين العلامات في البيانات غير الإقليدية. للتغلب على هذه المعضلة، قام الباحثون بتفصيل عملية نقل الرسائل في الشبكات العصبية الرسومية إلى عمليتين: الانتشار (Propagation) والتحويل (Transformation).

بعد ذلك، قاموا بإجراء تحليل شامل وكمّي للعلاقات التأثيرية بين العلامات في كل عملية. بناءً على هذه الرؤى، تم تقديم نموذج مبتكر يعرف باسم تأثير انتشار العلامات (Label Influence Propagation - LIP). يتضمن هذا النموذج إنشاء رسم بياني لتأثير العلامات بناءً على العلاقات المدمجة بين العلامات، ثم يتم نقل التأثيرات العالية من خلال هذا الرسم البياني، مع ضبط عملية التعلم بشكل ديناميكي عن طريق تكبير العلامات ذات المساهمات الإيجابية والتقليل من تأثير العلامات السلبية.

أخيرًا، تم تقييم إطار العمل هذا على مجموعة من بيانات المعايير الشاملة، حيث أظهر أداءً يتفوق على الطرق الرائجة (SOTA Methods) في إعدادات متعددة، مما يبرز فعاليته في مهام تصنيف العقد المتعددة.