في عالم الذكاء الاصطناعي اليوم، تنتشر شبكات الجيران القابلة للتراكم (GNN) بشكل متزايد، ومن الضروري تحسين أدائها لجعلها أكثر كفاءة في الاستخدام العملي. تعتبر عملية تقليل حجم هذه الشبكات بمثابة تحدٍ حقيقي، إذ تواجه الطرق الحالية مشاكل كثيرة تتعلق بزيادة الحمل الناتج عن تقليل الحجم، مما يحد من استخدامها الفعال.

في ضوء هذه التحديات، نُقدم لكم TopGQ، وهو إطار عمل مبتكر يقدم حلاً لهذا التحدي. يعتمد TopGQ على تقنية تقليل الحجم بعد التدريب، ويقلل من الأعباء الزائدة بشكل كبير. يتم ذلك عبر تنفيذ آلية جديدة تعرف باسم "امتصاص المقياس الثنائي المحاور"، التي تسمح بتحويل قيم التنشيط في كلا المحورين الداخلي والخارجي، مما يساهم في دمجها في مصفوفة الجوار (adjacency matrix).

لكن ما يميز TopGQ فعلاً هو إدخال مفهوم TopPIN، وهو بروكسي يمثل التركيب المحلي للعقد، والذي يُستخدم لتجميع العقد ذات التركيب المماثل أثناء تقليل الحجم. من خلال هذه الوسائل، تم إثبات أن TopGQ يقلل من زمن تقليل الحجم بمقدار كبير، بينما يحافظ على دقة النموذج.

إن التحسينات المتنوعة التي يقدمها TopGQ تجعل منه خياراً مثالياً لأي تطبيق يتطلب استخدام نماذج الشبكات العصبية بفاعلية وسرعة. فهل أنتم مستعدون للانطلاق في عالم تقنيات الذكاء الاصطناعي المتطورة؟