تُعتبر مسألة التعلم بالطرق القليلة (Few-Shot Learning) في الرسوم البيانية (Graph) من القضايا الأكثر إثارة للاهتمام في مجال الذكاء الاصطناعي، حيث تهدف إلى تصنيف العقد (Nodes) من فئات جديدة باستخدام عدد قليل من الأمثلة المعلّمة فقط. رغم ذلك، تواجه الأساليب الحالية قيودًا كبيرة. أولا، تعتمد معظم النماذج على مهام إشرافية، مما يجعلها تفوت على نفسها الاستفادة من العدد الكبير من العقد غير المعلّمة. وثانيا، تتطلب العديد من هذه الطرق تكييفًا معقدًا أو إعادة ضبط أثناء فترة الاستدلال، مما يحد من كفاءتها وقابلية تطبيقها.

است Inspired by the potential الهائل للتعلم في السياق (In-Context Learning) الذي توفره نماذج اللغات الضخمة (Large Language Models)، قمنا بإطلاق نموذج VISION. يهدف هذا النموذج لرسم مسار جديد لتجاوز تحديات التعلم بالطرق القليلة. يقوم النموذج بإعادة صياغة هذه المسألة على أنها مشكلة استدلال تسلسلي بغرض تنفيذ التعلم دون الحاجة إلى إعادة ضبط.

يعمل نموذج VISION من خلال شبكة واعية للسياق (Context-Aware Network) تعيد بناء العقد باستخدام تمثيلات دورية (Role Embeddings). كما يستخدم نموذج دمج ثنائي السياق (Dual-Context Fusion Module) لدمج هيكلية البيانات المحلية مع التبعية على مستوى المهام. نتيجة لذلك، يمكن للنموذج أن يخلق تمثيلات واعية بالفئة لمجموعة الاستعلام بناءً على سياق مجموعة الدعم ضمن عملية واحدة.

لتدريب النموذج بشكل فعّال، قدمنا مولّد مهام غير إشرافي (Unsupervised Task Generator) يقوم بإنشاء ميزات متكيفة مع البنية، بالإضافة إلى بناء مهام زائفة متنوعة باستخدام بيانات غير معلّمة وفيرة. يحقق أسلوبنا دمج التعلم الذاتي مع التعلم السياقي في الرسوم البيانية، مما يعزز فعالية الاستدلال.

تظهر التجارب المكثفة على عدة مجموعات بيانات معروفة تفوق نموذج VISION، مما يجعله أحد النماذج الرائدة في هذا المجال. يمكنكم الاطلاع على الشيفرة العامة الخاصة بالنموذج وخوض تجربة هذا التطور المثير للذكاء الاصطناعي.