أصبح تعلم تمثيل المسارات (Trajectory Representation Learning) تقنية رئيسية في مجموعة واسعة من مهام تحليل المسارات. ومع ذلك، فقد واجهت معظم الأساليب الحالية ذات التعلم الذاتي، سواء كانت تمييزية أو توليدية، قيودًا بسبب اعتمادها على نموذج مفتوح ودون تغذية راجعة. هنا، يأتي دور آلية REFINE، وهي إطار متقدم للتعلم عبر تنقيح النصوص في الحلقة المغلقة، مما يغير قواعد اللعبة.

تعتمد REFINE على نظرية التحكم في التغذية الراجعة، حيث تربط بين إعادة البناء الجيلانية المستندة إلى شبكات الطرق والتعلم المتباين المدفوع بالتغذية الراجعة. هذه الآلية تمكّن النموذج من فهم الحركات المحلية بدقة، والاستفادة من الاعتمادية الزمكانية العالمية، دون الحاجة لتصميم طرق تعزيز محددة يدويًا.

كما يتضمن البحث تحليلًا من منظور نظرية التحكم، مما يوفر ضمانات تقارب لتحسين الحلقة المغلقة المعتمدة.

أظهرت التجارب الواسعة التي أجريت على أربع مجموعات بيانات حقيقية أن REFINE تتفوق باستمرار على الأساليب الرائدة الأخرى عبر مهام متعددة، مع الحفاظ على الكفاءة الحسابية وسهولة التوسع. هذه المقالة هي نسخة موسعة من العمل السابق، لتظهر في مؤتمر KDD 2026، مما يعد بشيء مثير جدًا في عالم الذكاء الاصطناعي.