يشهد مجال الذكاء الاصطناعي (AI) تطورًا ملحوظًا في نماذج الرسوم البيانية (Graph Foundation Models - GFMs) التي تهدف إلى تحقيق تمثيلات قابلة للتحويل عبر مجالات الرسوم البيانية المختلفة. لكن، تقف بعض التحديات أمام فاعليتها، مثل التباين الهيكلي وعدم توافق المساحات المميزة للعقد (Node Feature Spaces).

لذا، تم اقتراح نموذج جديد تحت عنوان "النموذج المؤسسي المركز على الهيكلية" (Structure-Centric Graph Foundation Models - SCGFM) الذي يعتبر الهيكلية الأساسية للرسوم البيانية مصدراً رئيسياً للمعرفة القابلة للتحويل. يعتمد هذا النموذج على تمثيل الرسوم البيانية كمساحات قياسية مقياسية، ويقدم أسسًا هندسية قابلة للتعلم التي تحدد نظام إحداثي هيكلي مشترك.

تتم مواءمة الرسوم البيانية إلى هذه الأسس باستخدام مسافات جراموف-فاسرشتاين (Gromov-Wasserstein Distances)، مما يؤدي إلى تمثيلات كامنة متوافقة مع الهياكل المتنوعة، وبالتالي تسهيل التنقل بين مجالات متعددة.

ولمعالجة عدم توافق الميزات، يستخدم نموذج SCGFM آلية إعادة ترميز ميزات واعية للهيكلية، مما يوحد تمثيلات العقد دون الحاجة لتحديد أبعاد ميزات ثابتة أو إجراء معالجة مسبقة خاصة بالبيانات.

تظهر التجارب التي أجريت على مهام الرسوم البيانية والمستويات العقدية (Node-Level Tasks) أداءً قويًا من حيث تعميم الأداء في كل من المجالين الداخلي والخارجي، متجاوزة بذلك الأساليب الحالية لنماذج GFMs. بإمكان هذا الابتكار أن يمهد الطريق لفهم أعمق وتحليل أكثر دقة للبيانات البيانية المتنوعة.