في عالم الذكاء الاصطناعي، يعد تصنيف العقد (Node Classification) في الرسوم البيانية من التحديات العملية، حيث تواجه الكثير من التطبيقات مشكلة عدم التوازن في الفئات. غالبًا ما تهيمن الفئات الكبرى على التدريب، مما يؤدي إلى أداء متحيز للنموذج. تعاني نماذج الشبكة العصبية المسجلة (GNNs) التقليدية من صعوبة في معالجة هذه الحالات، فتتجه نحو التركيز على الفئات الكبرى وتتجاهل الأقل تمثيلًا.

قدمت الدراسة الجديدة نموذج NodeImport، الذي يوصي بنهج مبتكر لمعالجة تصنيف العقد الغير متوازن. يعتمد هذا النموذج على مجموعة ميتا متوازنة لقياس أهمية العقد، حيث يعتبر العقدة التدريبية ذات أهمية إذا ساهمت فعليًا في تعزيز أداء النموذج في إطار غير متحيز.

تتمثل فكرة النموذج في تحديد العقد الهامة التي يمكنها مواجهة مشكلة عدم التوازن واستخدامها لتدريب النموذج، مما يسمح باختيار ديناميكي دقيق للعقد أثناء عملية التدريب. وقد تم تطوير صيغة نظرية لتقييم أهمية العقد مباشرةً، مما يقلل من العبء الحسابي ويقدم سُلمًا بديهيًا لاختيار العقد.

من خلال استناد هذا النموذج لهذا المقياس، تم تصميم إطار عمل جديد يقوم بتصفية العقد ذات التسمية القيمة، غير المسمى، والعقد الاصطناعية، لتعزيز أداء النموذج في سياق غير متحيز. تتمثل ميزة رئيسية لهذا الإطار في فصل عملية توليد العقد الاصطناعية عن عملية التصفية، مما يضمن توافقه مع طرق توليد العقد المختلفة.

علاوة على ذلك، تم تقديم استراتيجية لبناء مجموعة ميتا عالية الجودة تتقارب عن كثب مع توزيع الميزات الإجمالي، مما يضمن تمثيل متوازن لكل فئة. تم تقييم نموذج NodeImport عبر مجموعة من مجموعات البيانات باستخدام بنى GNN شائعة، مما أظهر تفوقه على الأساليب الحالية. تؤكد النتائج على مرونة وفعالية الإطار في تخفيف مشكلة عدم التوازن، مما يؤدي إلى تحسين النتائج بشكل ملحوظ.