في عصر البيانات الضخمة والتعلم الآلي، يبرز التناسق كعامل حاسم في تعزيز فعالية الشبكات العصبية. في هذا الإطار، تمثل شبكة الجراف التلافيفية المتعددة المناظر (MGCN-FLC) تقدمًا ملحوظًا في طريقة استغلال التناسق في البيانات متعددة المناظر. يتطلب هذا النوع من التعلم استخدام الروابط بين العقد لتبادل المعلومات عبر الجراف، مما يعزز الأثر الإيجابي للتناسق بين البيانات متعددة المناظر.

تُعاني الطرق الحالية من عدة قيود، حيث تعتمد معظمها على تقنية الجوار الأقرب (KNN) لبناء التوبولوجيا، مما يفرض قيودًا كبيرة على استغلال التناسق بين العقد. بالإضافة إلى ذلك، يتم تجاهل التناسق بين الميزات داخل كل منظر، مما يؤثر سلبًا على جودة تمثيلات البيانات النهائية. علاوة على ذلك، لا تستغل معظم الأساليب التناسق بين المناظر بشكل كامل، حيث يتم دمج تمثيلات البيانات بعد تنفيذ عملية تلافيف الجراف داخل المنظر.

للتغلب على هذه التحديات، يقدم هذا البحث نموذج MGCN-FLC الذي يستغل ثلاثة أنواع من التناسق من خلال ثلاثة وحدات رئيسية:

1. **وحدة بناء التوبولوجيا**: تعتمد على خوارزمية الكرة الدقيقة، حيث تقوم بتجميع العقد في كرات دقيقة ذات تشابه داخلي مرتفع لالتقاط التناسق بين العقد.
2. **وحدة تحسين الميزات**: تعمل على تحسين تمثيلات الميزات من خلال التقاط التناسق بين الميزات.
3. **وحدة الدمج التفاعلي**: تتيح لكل منظر التفاعل بعمق مع جميع المناظر الأخرى، مما يولد تناسقًا شاملًا بين المناظر.

أثبتت التجارب على تسع مجموعات بيانات أن النموذج المقترح يتفوق على أبرز الطرق الحالية في تصنيف العقد شبه المراقب، مما يمهد الطريق لنقل أبحاث التعلم المتعدد المناظر إلى آفاق جديدة.