في عصر الذكاء الاصطناعي، تلعب شبكات الاستشعار دورًا حيويًا في إدارة البنية التحتية الحديثة، لكن غالبًا ما تواجه هذه الشبكات مشكلة فقدان البيانات التي لا تتوافق مع الأنماط العشوائية التي تفترضها المعايير التقليدية لإعادة الإعمار. فقد تذهب أجهزة الاستشعار في المواقع إلى حالة عدم الاتصال أثناء المعايرة، وقد تتعرض وحدات القياس القريبة للانقطاع، مما يؤدي إلى نقص في البيانات.

تمثل هذه الفجوات الهيكلية تحديًا، حيث يجب النظر إلى القيم المفقودة من منظور العلاقات المعقدة بين مجموعات الاستشعار وليس فقط بناءً على القرب بين الأجهزة. هنا تأتي تقنية Multi-Scale Hypergraph Laplacians (MSHL) لتقديم حل مبتكر. يتضمن الإطار المكون من مرحلتين:

- **مرحلة الاكتشاف**، حيث يتم بناء رسم بياني متعدّد المقاييس باستخدام أدلة من الطوبولوجيا والتفاوت المتبقي، مع اختيار يعتمد فقط على الملاحظات ويكيّف مع نطاق التفاعل المدعوم.
- **مرحلة التكرير**، التي تضيف شبكة شرطية صغيرة تتعلق بالرسم البياني، حيث تتعلم التصحيحات غير الخطية في حالة وجود ميزات متبقية مفيدة، أو تعود إلى التقدير الخطي في عكس ذلك.

ثبت أن MSHL يمثل أنماط حفظ المجموعات التي لا يمكن الوصول إليها من خلال النماذج الثنائية، ويتكيف مع أفضل مقاييس ثابتة حتى عامل لوغاريتمي. كما يضمن تحسين أداء الفحص الإحصائي في البيانات غير المكتملة.

من خلال اختبار هذه التقنية على شبكات مرورية حقيقية، تم تحسين النتائج بشكل كبير مقارنةً بأساليب التحليل التقليدية عندما تتواجد هيكلية أعلى من العلاقات، مما يشير إلى مبدأ أوسع لتعلم البنية التحتية الموثوقة: يجب اعتبار البيانات المفقودة كنقاط حيوية للكشف عن الهياكل، بدلاً من التعامل معها كألوان عشوائية تحتاج إلى ملء.