في عالم الذكاء الاصطناعي، يمثل تمثيل البيانات الرسومية تحدياً كبيراً يعوق تطور العديد من التطبيقات. ولعلّ أبرز التقنيات التي ظهرت مؤخراً هي تقنية تقسيم الكود (Vector Quantization - VQ)، التي حققت نتائج مثيرة للأعجاب في تعلم تمثيلات مضغوطة ومتفونة للبيانات الهيكلية.

لكن، كما هو الحال في كل فائدة تقنية تأتي مع تحدياتها. إذ يحافظ ظاهرة انهيار دفاتر الأكواد (codebook collapse) على مكانتها كعائق رئيسي، مما يحد من قدرة التوكنات الرسومية على التعبير والتعميم.

في دراسة جديدة، وُجد أن هذا الانهيار يحدث باستمرار أثناء تدريب VQ بالتزامن مع الشبكات العصبية الرسومية (Graph Neural Networks) عند التعامل مع مهام إعادة بناء الرسوم البيانية، بالرغم من الاستراتيجيات المضادة المقترحة في مجالات الرؤية واللغة.

الفريق البحثي لم يقف مكتوف الأيدي، بل قام بتحليل الظاهرة من منظور البيانات والتدريب، وأظهروا أن العديد من البيانات الجرافية مثل زيادة تكرار الميزات والكثافة الترابطية تؤدي إلى هذه المشكلة، ويعززها أيضًا ديناميكيات التدريب التي تعتمد على التخصيص الثابت الصارم.

لمواجهة هذه التحديات، تم تقديم الطريقة الجديدة المعروفة باسم RGVQ، التي تدمج بين بنية الرسم البياني ومشابهة الخصائص كإشارات تنظيمية لتحقيق أقصى استفادة من دفاتر الأكواد وتعزيز تنوع التوكنات. أي أن RGVQ لا يُعد مُجرد تحديث بسيط، بل يُقدم تخصيصاً لينا من خلال إعادة تمثيل Gumbel-Softmax، مما يضمن تحديث جميع رموز الأكواد.

علاوة على ذلك، تتضمن RGVQ تنظيمًا تفاضلياً يراعي البنية، مما يُثقل على تخصيص نفس التوكن لأزواج متباينة من العقد.

تظهر التجارب الشاملة أن RGVQ تحسن بشكل كبير من استخدام دفاتر الأكواد وتعزز أداء أسس VQ الرائجة عبر مهام جراف متعددة، مما يمكّن من تمثيلات توكنات رسومية أكثر تعبيراً وقابلية للنقل. في الوقت الذي نتطلع فيه جميعا لطموحات الذكاء الاصطناعي، تبدو هذه التقنية كخطوة مهمة نحو تمثيل البيانات الرسومية.