في عالم الذكاء الاصطناعي، تواجه الشبكات العصبية الرسومية (Graph Neural Networks) محنتين رئيسيتين تتمثلان في التمثيل الزائد (over-smoothing) والضغط الزائد (over-squashing). التمثيل الزائد يحدث عندما تصبح تمثيلات العقد متشابهة بشكل مفرط مع العمق، مما يصعب التفريق بينها، بينما يحدث الضغط الزائد بسبب ضغط المعلومات على قنوات الاتصال المحدودة.

في ورقتنا البحثية الجديدة، نقدم مفهوم LEED (Local Embedding Evolution Distance) كأداة محلية جديدة لتحديد وقياس آثار التمثيل الزائد. هذه الأداة تتيح لنا تتبع تغيرات تمثيلات العقد الفردية عبر الطبقات بطريقة دقيقة، مما يكشف عن أنماط التمثيل الزائد غير المتجانسة التي لا يمكن رؤيتها من خلال مقاييس الطاقة العامة مثل طاقة ديريشلي (Dirichlet energy).

بفضل LEED، يمكننا أيضاً تحليل ديناميكيات التمثيل على مستوى العقد بشكل أدق، مما يؤدي إلى تكوين معايير لقياس أهمية العقد. هذه المعايير تعزز من اتخاذ القرارات في اختيار العقد الافتراضية (Virtual Nodes) بشكل أكثر فاعلية، بعكس الأساليب الحالية التي تعتمد على مقاييس مركزية متعددة.

تظهر التجارب أن LEED يقدم تشخيصات أكثر إفادة مقارنة بمقاييس الطاقة التقليدية، ويحقق تحسينات جذابة في أداء الشبكات العصبية الرسومية عبر مجموعة واسعة من مجموعات البيانات. مع LEED، يبدو أن المستقبل يحمل في طياته الكثير من الإمكانيات في عالم الذكاء الاصطناعي والشبكات العصبية الرسومية.