في عالم الذكاء الاصطناعي، يتزايد الاهتمام بموضوع التعلم المستمر للرسوم البيانية (Continual Graph Learning - CGL) نظراً لأن الرسوم البيانية تتطور بشكل ديناميكي في الحياة الواقعية. ولكن، تواجه هذه الطرق التقليدية بعض الصعوبات، إذ تفترض معظمها أن البيانات خالية من الأخطاء، وهذا في الغالب ليس الواقع. عادةً ما تحمل الأجزاء الجديدة من الرسم البياني ضوضاء ناتجة عن أخطاء في التوصيف أو تلاعب خبيث.

تتناول ورقة بحثية جديدة مفهوم التعلم المستمر للرسوم البيانية من منظور أكثر مرونة من خلال تقديم إطار عمل موحد يسمى UFO (Unified Flow-Oriented framework). يُظهر هذا الإطار كيفية التعامل مع مفهوم النسيان الكارثي (catastrophic forgetting) والتعامل مع البيانات الجديدة الضوضائية.

تبحث الدراسة في كيفية تأثير ضوضاء التصنيف على فعالية النموذج، حيث تظهر مشكلة جديدة تُعرف باسم تذكر الكارثي (catastrophic remembering)؛ حيث يعزز النموذج المعرفة الفاسدة بسبب الأخطاء المتكررة. للتغلب على هذه التحديات، يعتمد UFO على بناء نماذج توزيع ميزات شرطية عبر نمذجة قائمة على التدفق (flow-based generative modeling) ويمكّن التمثل لإعادة التشغيل مما يساعد في تقليل النسيان دون الحاجة لتخزين بيانات تاريخية.

علاوة على ذلك، يقوم UFO بتقدير درجات موثوقية على مستوى العينة لتمييز العناصر النظيفة عن العناصر الملوثة، مما يخفف من آثار الإشراف الفاسد. أظهرت التجارب الواسعة على أربعة مجموعات بيانات مرجعية أن UFO يتفوق بشكل منتظم على الأساليب الحالية في دقة النتائج وقياسات النسيان. الرمز المصدري متاح للتجربة على: [رابط_المقال]. لا تفوتوا فرصة اكتشاف هذا الابتكار!