في عالم الذكاء الاصطناعي، يعتبر تدريب الرسوم البيانية عبر المجالات المتعددة خطوة أساسية لبناء نماذج قادرة على التعميم عبر نطاقات مختلفة. لكن التحديات كانت ولا تزال قائمة، حيث تعتمد معظم الطرق الحالية على تدريب جميع الرسوم البيانية المصدريّة بشكل مشترك، مما يؤدي إلى تكاليف حسابية مرتفعة.

ومع ذلك، تبين أن ليس كل بيانات الرسوم البيانية المصدريّة تسهم بشكل متساوٍ في تحقيق نقل فعّال. من خلال الأبحاث التي تم تقديمها في ورقة MDGMIX، تم الكشف عن وجود تكرار كبير في البيانات في عملية التدريب على الرسوم البيانية المتعددة المجالات.

استنادًا إلى هذه النتائج، تم اقتراح إطار عمل جديد يُعرف باسم MDGMIX، الذي يجمع بين خلط الرسوم الفرعية القائم على الحدود (Boundary-Aware Subgraph Mixing) والتفريق الهرمي (Hierarchical Discrimination). هذا الإطار يقوم باختيار العقد الحدودية من أجل بناء رسومات فرعية مختلطة ذات تحديات، ويدمج تقنيات مثل الخسائر المبنية على تمييز المجالات الخشنة والتفكيك الدقيق لنماذج البيانات المشتركة.

أثناء عملية التكيف، يعتمد MDGMIX على آلية وزن الخلط الخفيفة لنقل المعرفة من المجالات المصدرية بشكل فعال.

أظهرت التجارب المكثفة أن MDGMIX يتفوق في الأداء على نماذج مرجعية قوية في مهام تصنيف الحالات القليلة، مع توفير كفاءة ملحوظة في الوقت والذاكرة. يمكنكم الاطلاع على الكود البرمجي لهذا الإطار عبر الرابط: https://github.com/zhengziyu77/MDGMIX.

في الختام، يمثل MDGMIX خطوة بارزة نحو تجسير الفجوات بين المجالات وتحسين فعالية النماذج الرسومية في مختلف التطبيقات. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.