في عالم الذكاء الاصطناعي، تشكل شبكات العصبونات الرسومية (Graph Neural Networks - GNNs) نقطة انطلاق هامة لفهم البيانات الموزعة في شكل رسومي. رغم نجاحاتها البارزة، إلا أن هذه الشبكات تواجه تحديات كبيرة، خاصة حين يتعلق الأمر بالاعتماد على اتساق تسميات العقد المرتبطة، مما يحد من قدرتها على العمل في بيئات ذات تشابه منخفض (low-homophily).

من خلال الآلية التقليدية للتواصل بين الرسوم (message passing)، تكافح GNNs لالتقاط الاعتماديات الطويلة المدى. ومع زيادة عمق الشبكة، يتزايد الضجيج الهيكلي على الحواف غير المتشابهة، مما يؤدي إلى مشكلة تعرف بالـ (over-smoothing). تتفاقم هذه المشكلة في الرسوميات ذات التشابه العالي، حيث تتسرب السياقات غير المتسقة عبر الهيكلية، مما يؤدي إلى عملية تجميع غير صحيحة.

للتغلب على هذه التحديات، قدمنا نموذجًا جديدًا يُعرف باسم Layer Embedding Deep Fusion Graph Neural Network (LEDF-GNN). يعتمد هذا النموذج على مشغل دمج طبقات عميق (Layer Embedding Deep Fusion - LEDF) لدمج تمثيلات متعددة الطبقات غير خطيًا، مما يساعد في التقاط الاعتماديات بين الطبقات والتخفيف من تأثير الانحلال العميق.

علاوة على ذلك، للتصدي للهيكلية غير المشابهة، يستخدم LEDF-GNN استراتيجية متوازية ثنائية الشكل (Dual-Topology Parallel Strategy - DTPS)، مما يتيح استخدام الهيكليتين الأصليتين والمعاد بناؤهما بشكل متزامن، في إطار تحسين مشترك بين الهيكلية والدلالة تحت ظروف تشابه متنوعة.

من خلال تجارب واسعة في التصنيف شبه المراقب على معايير الاقتباس والصور، أثبت LEDF-GNN أداءً متفوقًا مقارنةً بأفضل النماذج الحالية، مما يُظهر فعاليته وقدرته على التعميم عبر أنواع الرسوم المختلفة.