في عالم البيانات الضخم، تبرز ضرورة تقنيات تقليل الأبعاد، وتعتبر تقنية تقليل الأبعاد للرسوم البيانية (Graph Coarsening) واحدة من أبرز الحلول. تهدف هذه التقنية إلى بناء رسم بياني أصغر وأكثر ملاءمة مع الحفاظ على الخصائص الهيكلية والدلالية الأساسية للرسم البياني الأصلي.

ومع ذلك، تفتقر العديد من الطرق الحالية إلى الكفاءة، حيث تعتمد على نموذج المباراة الذاتية التي تجعل كل عقدة تبحث عن شريكها المثالي بشكل مستقل، مما يسبب عبئًا كبيرًا على الموارد الحسابية والذاكرة. هنا يأتي الابتكار مع مبدأ عدم الأنانية، الذي يركز على التأثير الجماعي للجوار أثناء عملية التقليل.

ويتمثل هذا الابتكار في الأداة الجديدة المسماة NOPE، التي توفر استهلاك الذاكرة بشكل خطي وتعقيد حسابي شبه خطي بالنسبة لعدد العقد.

لكن الأمر لا يتوقف هنا، بل تم تطوير نسخة أسرع تُدعى NOPE*، حيث يتم تقليل تقييم التدخل من O(δ·d) إلى O(d) بناءً على فرضية الموصلية المحلية، مما يقلل من عنق الزجاجة الحسابي للعقد ذات الدرجة العالية.

أظهرت النتائج التجريبية أن NOPE* تحقق تسريعًا يتراوح بين 1.8 إلى 10 مرات مقارنةً بـ NOPE، متجاوزةً معظم الأنظمة التقليدية بزيادة ملحوظة في الأداء.

علاوةً على ذلك، أظهر التعلم على الرسوم البيانية المصغرة أداءً مُقارباً أو حتى متفوقًا على تقنيات التفكير القائم على نماذج اللغة الكبيرة (LLM)، بفضل المعلومات المركزة في الرسوم البيانية. يمكنك الاطلاع على الشيفرة على الموقع الرسمي [GitHub](https://github.com/dazonglian/NOPE-main).