تُعد الشبكات العصبية البيانية (Graph Neural Networks - GNNs) من أبرز التطورات في مجال الذكاء الاصطناعي، ولكنها تواجه تحدي ضغط المعلومات الزائد خلال عملية نقل الرسائل العميقة. حيث يتم ضغط المعلومات من جيران متزايدين بشكل أسي إلى تمثيلات ثابتة الأبعاد، مما يؤدي إلى فقدان بعض من قيمتها.

في حالة الرسوم البيانية متعددة التسميات، تصبح المشكلة أكثر تعقيدًا. كثيرًا ما تشترك العقد المجاورة في تسميات محدودة بينما تختلف في تسميات أخرى غير ذات صلة، مما يؤدي إلى تشويش إشارات التنبؤ بالمعلومات الضائعة. لمواجهة هذا التحدي، تم اقتراح تقنية جديدة تُدعى MLGIB (Multi-Label Graph Information Bottleneck) والتي تصوغ عملية نقل الرسائل متعددة التسميات كعملية نقل معلومات مقيدة تحت ضوضاء تسميات غير ذات صلة.

يعتمد MLGIB على توازن دقيق بين القدرة على التعبير والمرونة، حيث يعمل على الحفاظ على إشارات التنبؤ الهامة مع كبح الضوضاء غير ذات الصلة. تظهر النتائج من خلال إنشاء فضاء اعتماد ماركوفي، مما يمنح إطار عمل قادر على تحسين كفاءة عمليات نقل الرسائل في السياقات المتعددة.

من خلال التجارب الواسعة على عدة معايير مرجعية، أثبت النظام علو كعبه باستمرار على الطرق الحالية، مما يُسجل نجاح تقنية MLGIB كحل مستدام وفعال.