في الآونة الأخيرة، حققت نماذج الفضاء الحالتية (State-Space Models - SSMs) نجاحًا كبيرًا في نمذجة التسلسل، مما دفع الباحثين إلى استكشاف إمكانية تطبيقها على تعلم الرسوم البيانية. وهذا ما أدى إلى ظهور نماذج الرسوم البيانية الحالتية (Graph State-Space Models - GSSMs).

لكن التحديات كانت قائمة، حيث كانت نماذج GSSMs التقليدية تعاني من بعض العوائق، مثل استخدام وحدات SSM على تسلسلات مستخرجة من الرسوم البيانية، مما يؤثر على الخصائص الأساسية مثل توافق ترتيب العناصر وكفاءة نقل الرسائل. وفي هذا السياق، نقدم في ورقتنا البحثية وجهة نظر جديدة تدمج المبادئ الأساسية للحساب في نماذج SSM الحديثة مباشرةً ضمن إطار عمل الشبكات العصبية القابلة للتمرير (Message-Passing Neural Networks).

لقد طوّرنا نموذجًا فريدًا باسم MP-SSM، والذي يتيح نقل المعلومات بكفاءة ودقة، مع الحفاظ على بساطة التصميم المعماري لعملية تمرير الرسائل. علاوة على ذلك، يوفر MP-SSM تحليل حساسية دقيق، مما يساعدنا في فهم تدفق المعلومات ومعالجة القضايا مثل تصاعد التدرجات والانهيارات في النماذج العميقة.

وقد تم اختبار MP-SSM على مجموعة واسعة من المهام، بما في ذلك تصنيف العقد، وتنبؤ خصائص الرسوم، والمعايير البعيدة المدى، والتنبؤات الزمانية-المكانية، حيث أظهر نموذجنا أداءً قويًا ومرونة كبيرة.

هل أنتم مستعدون لاستكشاف كيف يمكن لهذا التطور أن يغير مجرى تعلم الرسوم البيانية؟