في ظل التطورات المستمرة في مجال الذكاء الاصطناعي، باتت الشبكات العصبية الرسومية (Graph Neural Networks) واحدة من الأدوات الأساسية التي يعتمد عليها الباحثون والمبتكرون. ولكن، كان هنالك تحدٍ كبير يواجه هذه الشبكات، وهو مشكلة التبسيط المفرط في الهياكل العميقة. هنا تأتي تقنية مHC-GNN (Manifold-Constrained Hyper-Connections) كحلاً مبتكراً.

تعتمد هذه التقنية الجديدة على توسيع تمثيلات العقد عبر n تيارات موازية، حيث يتم تقييد مصفوفات المزج في ضوابط بيرهكوف (Birkhoff polytope) عن طريق تطبيع سينكهورن-كنوب (Sinkhorn-Knopp normalization).

تم إثبات فعالية تقنية مHC-GNN في تقليل التبسيط المفرط، حيث يظهر التحليل الطبقي أن تفاوتات أزواج العقد تتناقص بمعدل أبطأ بكثير من الطرق التقليدية. في التجارب التي شملت من 2 إلى 128 طبقة، أظهرت الشبكات التقليدية أداءً قريبًا من العشوائية بعد 16 طبقة، بينما استطاعت مHC-GNN الحفاظ على دقة تتجاوز 74% حتى مع 128 طبقة.

كما ثبت في التجارب على الرسوم البيانية غير المتجانسة (heterophilic graphs) ومعايير التعبير أن القيود على الفضاءات الضمنية ضرورية للحفاظ على الأداء القوي.

يمكنكم العثور على كود هذه التقنية الجديدة متاحًا على GitHub. ما رأيكم في هذه التطورات الجديدة في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات.