في عالم التكنولوجيا الحديثة، تظهر أهمية التعلم المستمر للبيانات الهيكلية (Graph Continual Learning) مع تزايد تدفق البيانات متعددة الأنماط. في هذا السياق، تم الإعلان عن نظام جديد يُعرف باسم UNIT، والذي يهدف إلى استغلال إمكانيات نماذج اللغات الضخمة (Large Language Models) لتحسين هذا النوع من التعلم.

تواجه تقنيات التعلم المستمر للبيانات الهيكلية تحديين رئيسيين. الأول هو "فصل المعنى والبنية"، حيث تتفوق الأساليب القائمة على نماذج البيانات الهيكلية في نمذجة العلاقات الرائسية، لكنها تتجاهل العمق الدلالي. الثاني هو "نقل المعرفة غير المتوازن" حيث تفشل النماذج الحالية في استغلال المعلومات العامة التي تم اكتسابها من المهام السابقة لصالح المهام الجديدة.

لمعالجة هذه القضايا، يقدم نظام UNIT إطار عمل مبتكر يقوم بتعديل نماذج اللغات الضخمة فقط على المهمة الأولى. هذا الجهد يُساعد في تقليص الفجوات بين مجموعة بيانات النموذج المدرب مسبقًا ومجموعة بيانات المهام المستهدفة، مما يعزز قدرة نماذج اللغات الضخمة على التعامل مع المهام الهيكلية.

بالإضافة إلى ذلك، يتم تقديم آلية لتوليد نقاط مرجعية واعية بالعدم (Uncertain-aware anchor generation) للحفاظ على المعرفة التمثيلية عبر المهام، مما يمنع تهميش المعرفة العامة المكتسبة من المهام السابقة. كما يتم تقديم نمذجة التوافق الهيكلي (Structural Confluence Modeling) التي تدمج بصورة واضحة بين المعلومات الهيكلية والدلالية، مما يعزز القدرة التعاونية بين الفهم الدلالي والنمذجة الهيكلية.

تظهر التجارب الواسعة أن الطريقة المقترحة تحقق أداءً رائدًا في مهام التعلم المستمر للبيانات الهيكلية، مما يفتح آفاقًا جديدة في هذا المجال.