تتطور تقنيات الذكاء الاصطناعي بشكل متسارع، حيث نقدم اليوم نموذجًا جديدًا يُعرف باسم Schema، والذي يُحدث طفرة في مجال توليد الرسومات البيانية المُنسبة (attributed graphs). في كثير من الأحيان، يحتاج توليد الرسومات البيانية الكبيرة إلى إعادة إنتاج الطبوغرافيا، وتوليد الخصائص ذات الصلة بالشكل، مع الحفاظ على إمكانية التوسع.

إن العديد من الرسومات البيانية الواقعية توجد كرسومات كبيرة واحدة، مما يتطلب من النموذج التوليدي تعميم النتائج على هذه الرسمة دون وجود عينات مستقلة.

نموذج Schema يقدم طريقة مبتكرة تقوم بتقسيم رسم بياني مرجعي إلى هرم من المجتمعات الناعمة، حيث يتم تعيين توزيع العضوية لكل عقدة. عملية التوليد مُقسمة إلى ثلاث مراحل، يتم تدريب كل منها بشكل مستقل:

1. **توليد خصائص العقد**: تعتمد هذه المرحلة على العضويات الناعمة، مما يسمح بإنشاء خصائص تعكس التنوع داخل المجموعات.
2. **إنشاء الروابط الداخلية بين المجتمعات**: في هذه المرحلة، تُولد الحواف داخل المجتمعات من السياق الهيكلي المحلي، مما يحسن الترابط بين العقد.
3. **نمذجة الاتصالات بين المجتمعات**: تركز على عقد الجسر التي تُوزع عليها العضوية عبر مجتمعات متعددة.

تتميز هذه العملية بأنها لا تشكل كامل مصفوفة الاقتران مباشرة، بل تعمل على مجموعة فرعية مقيدة بحجم المجتمع. كما نقدم بروتوكول تقييم يغطي العناصر الهيكلية والدقة، وفائدة النتائج، وإمكانية التوسع.

أظهرت التجارب على أربع رسومات بيانية مُنسبة أن نموذج Schema يتفوق في استعادة التوازن بين الهيكل المحلي والبعيد مقارنة بأي نموذج آخر، دون أن يتجاوز دقة الرسمة المرجعية. وقد أُثبتت كفاءته أيضًا خلال قياس إمكانية التوسع على ست رسومات بيانية إضافية تحتوي على ما يصل إلى 10 ملايين عقدة.

بفضل هذه الابتكارات، يبدو أن نموذج Schema سيكون الخيار الأمثل مستقبلاً لتوليد الرسومات البيانية الكبيرة والمعقدة.
هل تعتقد أن هذا النموذج سيفتح آفاق جديدة في أبحاث البيانات؟ شاركونا آرائكم في التعليقات.