في عالم الذكاء الاصطناعي والتحليل البياني، يعد تجميع الرسوم البيانية (Graph Coarsening) من أهم العمليات التي تستهدف تقليل تكاليف الحساب، وبخاصة في الشبكات البيانية المعتمدة على تقنيات الشبكات العصبية التلافيفية (Convolutional Neural Networks). في الآونة الأخيرة، اقترح الباحثون تحويل عملية التجميع إلى عملية مشابهة لتجميع العقد في الشبكات التلافيفية، لكنهم واجهوا تحديات تتعلق بفهم الروابط المتبادلة الأعلى بين الجيران.
هذه الدراسة تستعرض ابتكاراً جديداً يدعى RicciPool، الذي يعتمد على قياس انحناء الرسوم البيانية (Graph Curvature) لكي يقدم طريقة جديدة لتجميع البيانات. يستفيد RicciPool من المعلومات المحلية للرابطات بين العقد ويستخدم انحناء أوليفير-ريتشّي (Ollivier-Ricci curvature) لقياس الخصائص العالية للترابط حول أية حافة.
بناءً على هذا القياس، تم تطوير صيغة خاصة لاحتساب تدفق أوليفير-ريتشّي لتعديل أوزان الحواف، مما يساعد في استخراج الكتل في الرسوم البيانية بشكل أكثر دقة.
أظهرت التجارب التي أجريت على مجموعة متنوعة من مجموعات البيانات في علم الأحياء الاجتماعي كفاءة هذه الطريقة الجديدة، مما يشير إلى أنها ستغير الكثير في مجالات متعددة. فإلى أين ستقودنا هذه التطورات في الذكاء الاصطناعي؟