تعتبر عملية تقدير تأثير العلاج الفردي (ITE) من بيانات الرسوم البيانية موضوعًا ذا أهمية خاصة، حيث يلعب دوراً حيوياً في دعم اتخاذ القرارات في مجالات مثل التجارة والطب. إلا أن هذه المهمة تواجه العديد من التحديات بسبب التداخل، إذ يمكن أن تتأثر النتائج الفردية بالعلاجات والعوامل المتغيرة من جيرانهم.

ورغم محاولات الأساليب الحالية في نمذجة هذا التداخل للحصول على تقديرات دقيقة لـITE، فإن نقطة قوية بالغة الأهمية غالبًا ما يتم تجاهلها وهي تأثير الشبكات المتميز (DNE)، وهو التأثير الناتج عن الشبكات المحلية التي تتكون من جيران ذوي درجات متفاوتة من الأهمية والقياس. إن التقاط تأثير DNE يعد أمرًا حيويًا، وإلا سننتهي بتقديرات غير دقيقة لـITE، مما قد يؤدي إلى قرارات خاطئة.

لذا، نحن نقدم آلية مبتكرة لنمذجة التداخل التي تعتمد على آليتين جزئيتين من الانتباه ومعزز للرسائل. تعمل الآليتان الجزئيتان على تقدير أهمية الجيران المختلفين في المساهمة في التداخل، بينما يقوم معزز الرسائل بضبط نتائج نموذج التداخل بناءً على مقياس الجيران. هذا يمكن النموذج من التقاط تأثير DNE بشكل فعّال.

تثبت التجارب على ثلاث رسومات بيانية حقيقية أن أساليبنا تتفوق على الطرق السابقة لتقدير ITE من بيانات الرسوم البيانية، مما يبرز أهمية التقاط تأثير DNE بشكل صريح. هذا البحث ليس مجرد خطوة إضافية في مجال الذكاء الاصطناعي بل يمثل تحولًا في كيفية تعاملنا مع التداخل في البيانات.