🤖 machine learning

Cross-Resolution Semantic Learning for Graph Domain Adaptation

تقترح هذه الورقة البحثية التعلم الدلالي عبر الدقة المتعددة (CReSL)، وهي طريقة جديدة لتكيف نطاق الرسم البياني تعالج تحولات الدقة الدلالية من خلال تعلم مراسلات الدقة الناعمة من المصدر إلى الهدف عبر بنوك تمثيل متعددة الدقة، ونقل النماذج الأولية، والترقيع المستهدف لتحسين نقل المعرفة عبر نطاقات الجوار المتفاوتة.

المؤلفون الأصليون: Yingxu Wang, Haoze Huang, Zhongkai Zheng, Shangsong Liang

نُشر 2026-08-03

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yingxu Wang, Haoze Huang, Zhongkai Zheng, Shangsong Liang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم طالب من بلد ما كيفية ممارسة رياضة في بلد مختلف تماماً. قواعد اللعبة (التي تمثل "الفئات" أو "الأصناف") هي نفسها، لكن الملعب مختلف: العشب أطول، والرياح تهب بقوة أكبر، والكرة ترتد بشكل مختلف. في عالم الذكاء الاصطناعي، يسمى هذا "تكييف النطاق الرسومي" (Graph Domain Adaptation). فكر في "الرسم البياني" (Graph) كخريطة من الروابط—مثل شبكة اجتماعية حيث الناس هم نقاط والصداقات هي خطوط. تتعلم نماذج الذكاء الاصطناعي التنبؤ بالأشياء (مثل ما إذا كان الشخص يحب فيلماً معيناً) من خلال النظر إلى هذه الروابط.

الجزء الصعب هو أن ما ينجح في "الملعب المحلي" (بيانات المصدر) قد لا ينجح دائماً في "الملعب البعيد" (بيانات الهدف). أحياناً، لفهم اهتمامات صديق، قد تحتاج إلى النظر إلى أصدقائه المقربين (مسافة قصيرة). ولكن في ملعب مختلف، قد تحتاج إلى النظر إلى أصدقاء أصدقائهم، أو حتى أصدقاء أصدقاء أصدقائهم (مسافة أطول) للحصول على نفس الإشارة. يتناول هذا البحث مشكلة محددة: ماذا لو تغيرت "المسافة الصحيحة" للنظر عند الانتقال من مجال إلى آخر؟ يطلق المؤلفون على هذا "انزياح الدقة الدلالية" (semantic resolution shift). إنه يشبه لو أخبرك معلمك أن تدرس الحي المحيط بمنزلك للعثور على لعبة مفقودة، ولكن عندما تنتقل إلى مدينة جديدة، تكون اللعبة مختبئة في الواقع على بعد ثلاثة شوارع. إذا استمررت في البحث في نفس قطر الدائرة، فلن تجدها أبداً.

المشكلة: النظر من المسافة الخاطئة

لاحظ المؤلفون أن أساليب الذكاء الاصطناعي الحالية غالباً ما تقع في خطأ بسيط. فهي تفترض أنه إذا تعلمت شيئاً من خلال النظر إلى جيرة "خطوة واحدة" (الجيران المباشرين) في الرسم البياني المصدر، فيجب عليك النظر إلى جيرة "خطوة واحدة" في الرسم البياني الهدف. لكن الورقة البحثية تجادل بأن هذا غالباً ما يكون خاطئاً. فمجرد كون "المعنى" للبيانات هو نفسه، لا يعني أن "المسافة" المطلوبة لفهمه هي نفسها.

يطلقون على المسافة التي ينظر إليها الذكيز الاصطناعي اسم "دقة الانتشار" (propagation resolution). في بعض الحالات، قد توجد أهم الأدلة لفئة معينة على مسافة "خطوتين" في بيانات المصدر، ولكن على مسافة "4 خطوات" في بيانات الهدف. إذا قام الذكاء الاصطناعي بربطهما بشكل أعمى (خطوة واحدة مع خطوة واحدة، خطوتان مع خطوتان)، فإنه يشبه محاولة وضع وتد مربع في ثقب مستدير. والنتيجة هي "النقل السلبي" (negative transfer)، حيث يصبح الذكاء الاصطناعي في الواقع أسوأ لأنه يتعلم من منظور خاطئ.

الحل: CReSL، المحقق المرن

لحل هذه المشكلة، اقترح الباحثون طريقة جديدة تسمى CReSL (التعلم الدلالي عبر الدقة المتعددة). بدلاً من فرض مطابقة جامدة، يعمل CReSL كمحقق مرن يتعلم كيفية مطابقة "مسافة الرؤية" الصحيحة من المصدر مع أفضل "مسافة رؤية" في الهدف.

إليك كيف يعمل، مقسماً إلى ثلاث خطوات مرحة:

بنك الدقة المتعددة: تخيل أن لدى الذكاء الاصطناعي مجموعة من عدسات الكاميرا المختلفة. إحدى العدسات تقرب الرؤية بشدة (0 خطوة)، وأخرى تنظر أبعد قليلاً (خطوة واحدة)، وأخرى تقرب الرؤية أكثر (خطوتان، 4 خطوات، إلخ). يلتقط الذكاء الاصطناعي صورة للرسم البياني من خلال كل عدسة في وقت واحد. هذا ينشئ "بنكاً" من التمثيلات. والأهم من ذلك، أنه يبقي هذه المشاهد منفصلة حتى لا يطمس التفاصيل، لكنه يستخدم عقلاً مشتركاً لفهمها جميعاً.
نقل النماذج الأولية (الخاطبة): هذا هو الجزء الذكي. ينظر الذكاء الاصطناعي إلى "النماذج الأولية" (المتوسطات للأمثلة) للفئات المختلفة في بيانات المصدر. ثم يسأل: "إذا نظرت إلى بيانات الهدف من خلال عدسة الخطوتين، فهل تبدو مثل بيانات المصدر التي تُرى من خلال عدسة الـ 4 خطوات؟" هو لا يحتاج إلى معرفة الإجابات الدقيقة (التسميات/Labels) لبيانات الهدف لمعرفة ذلك. إنه يستخدم تخميناً ناعماً واحتمالياً ليرى أي عدسة من المصدر تتطابق بشكل أفضل مع أي عدسة من الهدف. الأمر يشبه قول: "المشهد من عدسة الخطوتين في المدينة الجديدة يشبه إلى حد كبير مشهد الـ 4 خطوات من المدينة القديمة، لذا دعونا نستخدم هذا الاتصال".
تطعيم الهدف (الخياط): بمجرد أن يعرف الذكاء الاصطناعي أي العدسات تتطابق، فإنه لا يقوم فقط باستبدالها؛ بل يقوم بـ "تطعيم" المعرفة. يأخذ رسماً بيانياً معيناً للهدف ويدفعه بلطف نحو هيكل المصدر، ولكن فقط بالقدر الذي يكون فيه الذكاء الاصطناعي واثقاً بشأن الفئة. إذا لم يكن الذكاء الاصطناعي متأكداً مما إذا كان الرسم البياني ينتمي إلى "الفئة أ" أو "الفئة ب"، فإنه يمزج التعديلات لكلتا الفئتين. هذا يمنع الذكاء الاصطناعي من اتخاذ تخمين قاطع، وربما خاطئ. إنه يشبه خياطاً يعدل بدلة: إذا لم تكن متأكداً مما إذا كان الزبون طويلاً أم قصيراً، فإنك تقوم بتعديل صغير ومتوازن بدلاً من قص القماش تماماً.

ما وجدوه

اختبر الباحثون CReSL على مجموعات بيانات رسومية متنوعة، بما في ذلك الجزيئات الكيميائية وهياكل البروتينات، حيث قاموا بتغيير الهيكل أو السمات اصطناعياً لمحاكاة الانتقال إلى "نطاق" جديد.

تشير النتائج إلى أن CReSL فعال للغاية. في تجاربهم، تفوق CReSL باستمرار على الأساليب القوية الأخرى. على سبيل المثال، في مجموعة بيانات تسمى Mutagenicity، عند الانتقال من تحول هيكلي إلى آخر (M0→M1)، حقق CReSL دقة بلغت 83.0%، متفوقاً على الطريقة التالية الأفضل (GAA) التي حققت 79.3%. وفي تحول آخر (M0→M2)، وصل إلى 74.6% مقارنة بـ 71.2%.

تضمنت الورقة أيضاً "تحليل الحساسية"، وهو ما يشبه التحقق من مدى "تطلّب" الطريقة. وجدوا أن الطريقة تعمل بشكل أفضل عندما تنظر إلى مسافة تصل إلى 4 خطوات (عمق دقة قدره J=3، أي 0، 1، 2، و4 خطوات) وعندما يتم ضبط "قوة التطعيم" (مقدار تعديل البيانات) عند 0.5. إذا قاموا بتعديل البيانات كثيراً أو قليلاً جداً، انخفض الأداء.

الخلاصة

لا تدعي الورقة أنها حلت مشكلة تكييف الذكافة بالكامل، لكنها تشير إلى أن الطريقة القديمة التي تفترض أن "نفس المسافة تعني نفس المعنى" هي طريقة معيبة. ومن خلال تعلم كيفية مطابقة "مسافات الرؤية" المختلفة عبر النطاقات المختلفة بشكل صريح، ومن خلال كونها لطيفة واحتمالية في كيفية تطبيق تلك المعرفة، ينجح CReSL في نقل المعرفة بشكل أكثر فعالية. إنه تذكير بأنه في عالم الذكاء الاصطناعي، أحياناً يتعين عليك النظر بعيداً لرؤية الصورة بوضوح، ويجب أن تكون ذكياً بشأن أي "مستوى زووم" تستخدمه للمهمة.

ملخص تقني: التعلم الدلالي عبر دقة الانتشار لـ تكييف نطاق الرسم البياني

تعريف المشكلة

تتناول الورقة البحثية مسألة تكييف نطاق الرسم البياني (GDA)، وهي مهمة نقل المعرفة التنبؤية من نطاق رسم بياني مُصنف (مصدر) إلى نطاق غير مُصنف (هدف) في ظل وجود تحولات في التوزيع. وبينما تركز الطرق الحالية على محاذاة التمثيلات أو تنظيم الهياكل البيانية، حدد المؤلفون قصوراً حرجاً لم يتم معالجته بعد، وهو: تحول دقة المعنى (Semantic Resolution Shift).

في عملية الـ GDA، تشير "دقة الانتشار" (propagation resolution) إلى مدى النطاق الجوار الذي يتم ترميزه بواسطة تمثيل الرسم البياني (على سبيل المثال: 0-hop للميزات العقدية، 1-hop للجيران المباشرين، إلخ). لاحظ المؤلفون أن دقة الانتشار التي تكون عندها الأدلة المميزة للفئة (class-discriminative evidence) في أقوى حالاتها غالباً ما تختلف بين نطاق المصدر ونطاق الهدف. على سبيل المثال، الميزة التي يتم تعلمها عند نطاق 1-hop في نطاق المصدر قد تكون أكثر إفادة عند نطاق 2-hop في نطاق الهدف. تفرض الطرق الحالية عادةً نقلاً ضمنياً لنفس الدقة، بافتراض أن المعرفة المتعلمة عند الدقة $r$ في المصدر يُفضل تطبيقها عند الدقة $r$ في الهدف. هذا الافتراض يؤدي إلى أداء دون المستوى ونقل سلبي (negative transfer) عندما لا تتوافق الدقات المثلى.

التحدي الجوهي هو تعلم ارتباط ناعم (soft correspondence) بين دقة المصدر ودقة الهدف دون توفر تسميات للهدف، مع التعامل مع ثلاث صعوبات محددة:

تمثيلات قابلة للمقارنة لكل دقة: الحفاظ على أدلة متميزة لدقات مختلفة ضمن فضاء كامن مشترك دون محو هوية الدقة.
الارتباط بدون تسميات الهدف: استنتاج توافق الدقة دون وجود حقائق أرضية (ground truth)، وتجنب مشكلة "التقدير المقترن" حيث تعزز التعيينات الصلبة المبكرة الأخطاء.
النقل على مستوى المثيل (Instance-Level) تحت عدم اليقين الفئوي: تطبيق الارتباط العالمي للدقة على رسوم بيانية فردية للهدف تكون عضويتها في الفئات غير مؤكدة، وتجنب التعيينات الصلبة التي قد تنقل التمثيلات إلى مناطق دلالية خاطئة.

المنهجية: CReSL

يقترح المؤلفون إطار عمل التعلم الدلالي عبر دقة الانتشار (CReSL)، وهو مصمم لتعلم واستغلال الارتباطات عبر الدقات المختلفة. يتكون الأسلوب من ثلاثة مكونات رئيسية:

1. بنك تمثيلات متعدد الدقات مع خبراء المصدر

لالتقاط الأدلة عبر نطاقات جوارية مختلفة، يبني CReSL بنكاً من التمثيلات باستخدام مشفر شبكة عصبية رسومية (GNN) مشتركة وتضمينات دقة قابلة للتعلم.

ترميز الدقة: للرسم البياني $G$ ، يتم نشر الميزات عبر عدة درجات محددة مسبقاً $R = \{r_0, \dots, r_J\}$ (على سبيل المثال: 0، 1، 2، 4 hops).
الفضاء المشترك: يقوم مشفر مشترك $\Phi_\theta$ بمعالجة هذه المدخلات متعددة الدقات. وللحفاظ على هوية الدقة، يتم دمج تضمينات قابلة للتعلم $E_{res}$ مع ميزات العقد قبل الترميز.
خبراء المصدر: يرتبط كل خبير مصدر $j$ بخبير خطي خفيف الوزن $h_j$ . وتحدد أوزان مزيج عالمي $\alpha_j$ مساهمة كل خبير. يسمح هذا الإعداد للنموذج بتقييم تمثيلات الهدف عند أي دقة $k$ باستخدام الخبير المدرب على دقة المصدر $j$ ، مما يتيح التوجيه عبر الدقات (cross-resolution routing).

2. نقل النماذج الأولية عبر الدقات (CRPT)

يتعلم هذا الوحدة الارتباط الناعم بين دقات المصدر والهدف من خلال تحليل الهياكل المشروطة بالفئة.

بناء النماذج الأولية: يتم بناء نماذج أولية (prototypes) مرتبطة بالفئة والدقة لكل من المصدر (باستخدام التسميات الحقيقية) والهدف (باست using الاحتمالات الناعمة/posteriors).
- النموذج الأولي للمصدر $\mu^s_{c,j}$ : متوسط تمثيلات المصدر للفئة $c$ عند الدقة $j$ .
- النموذج الأولي للهدف $\mu^t_{c,k}$ : المتوسط المرجح بالاحتمال لتمثيلات الهدف للفئة $c$ عند الدقة $k$ .
قياس التفاوت: يتم قياس التوافق بين دقة المصدر $j$ ودقة الهدف $k$ عبر المسافة الإقليدية المتوسطة للفئات بين نماذجهم الأولية ( $D_{j,k}$ ).
مصفوفة التوجيه: يتم تحديث مصفوفة توجيه ناعمة $\Gamma$ عبر تسوية "softmax" لكل صف للقيم السالبة للتفاوتات. تحدد هذه المصفوفة مقدار الوزن الذي يجب أن يضعه خبير المصدر $h_j$ على دقة الهدف $k$ .
الهدف: يقلل فقدان CRPT من تفاوت النماذج الأولية الموجه بالأوزان، مما يشجع النموذج على توجيه الخبراء إلى دقات الهدف المتوافقة.

3. تطعيم الهدف عبر الدقات (CRTG)

لتكييف الرسوم البيانية الفردية للهدف تحت عدم اليقين الفئوي، يقوم CRTG بترجمة الارتباط العالمي إلى تعديلات محددة لكل مثيل.

إزاحة النموذج الأولي: لكل فئة $c$ وزوج من الدقات $(j, k)$ ، يتم حساب متجه إزاحة $\Delta^{j \leftarrow k}_c = \mu^s_{c,j} - \mu^t_{c,k}$ ، والذي يمثل الإزاحة من نموذج الهدف الأولي إلى نموذج المصدر.
الخلط المرجح بالاحتمال اللاحق: بالنسبة للرسم البياني للهدف $G^t_i$ ، يتم حساب الإزاحة كمجموع مرجح للإزاحات المشروطة بالفئة بناءً على الاحتمال اللاحق المتوقع الحالي $p^t_{i,c}$ . وهذا يتجنب التعيين الصلب للفئة.
التطعيم (Grafting): يتم "تطعيم" تمثيل الهدف عند الدقة $k$ نحو هيكل المصدر عن طريق إضافة الإزاحة المرجحة: $\tilde{z}^{j \leftarrow k}_{G^t_i} = z^{(k)}_{G^t_i} + \beta \Delta^{j \leftarrow k}_i$ .
هدف الاتساق: يفرض فقدان تباعد KL أن يكون التنبؤ من التمثيل المطعم (عبر الخبير $h_j$ ) متوافقاً مع الاحتمال اللاحق الإجمالي للهدف، والموزون بمصفوفة التوجيه $\Gamma$ .

المساهمات الرئيسية

صياغة المشكلة: تحدد الورقة رسمياً تحول دقة المعنى في GDA كالتغير عبر النطاقات في ملف دقة الأدلة المميزة للفئة، مما يحدد أوجه القصور في النقل ذي الدقة الثابتة.
إطار عمل CReSL: يقترح المؤلفون طريقة مبتكرة تتميز بـ:
- بنك تمثيلات متعدد الدقات مع خبراء خاصين بكل دقة.
- CRPT: آلية لتعلم الارتباط الناعم عبر الدقات باستخدام النماذج الأولية للفئة والدقة دون الحاجة لتسميات الهدف.
- CRTG: آلية تطعيم مشروطة بالاحتمال اللاحق تقوم بتكييف محدد للمثيل تحت عدم اليقين الفئوي.
التحقق التجريبي: أظهرت التجارب المكثفة على معايير تصنيف الرسوم البيانية تحت تحولات متنوعة في النطاق (سواء في الهيكل أو توزيع الميزات) أن CReSL يتفوق على النماذج المرجعية القوية (baselines).

النتائج التجريبية

قيم المؤلفون CReSL على عدة مجموعات بيانات، بما في ذلك Mutagenicity, PROTEINS, NCI1, ogbg-molhiv, DD, BZR, و COX2، تحت تحولات في كثافة العقد/الحواف وتحولات في توزيع الميزات.

الأداء: حقق CReSL أفضل أداء في معظم الإعدادات، متفوقاً على نماذج قوية مثل GAA و TDSS و DEAL والنماذج القياسية للـ GNN (مثل GCN و GIN).
دراسات الاستئصال (Ablation Studies): أدى حذف بنك تعدد الدقات (CReSL w/o MR) أو حذف التوجيه المتعلم (CReSL w/o CRR) إلى تدهور الأداء بشكل كبير، مما يؤكد ضرورة التعامل مع تحولات الدقة. كما أدى حذف CRPT أو CRTG إلى انخفاض في الأداء، مما يثبت أدوارهم التكاملية في محاذاة الهياكل الفئوية وتدقيق التمثيلات على مستوى المثيل.
التحليل:
- الارتباط: أظهرت عمليات التصور أن مصفوفة التوجيه المتعلمة $\Gamma$ طابقت بدقة "المصفوفة المثالية" (Oracle matrix) (المحسوبة باستخدام تسميات الهدف)، حيث حددت بشكل صحيح أن، على سبيل المثال، خبراء المصدر لـ 0-hop و 1-hop يجب أن يوجهوا إلى دقات الهدف 2-hop.
- التطعيم: أظهرت تصورات t-SNE أن CRTG ينقل بفعالية تمثيلات الهدف المشتتة نحو عناقيد فئوية أكثر تماسكاً ومحاذاة للمصدر، دون إجراء ترجمة موحدة، مما يحافظ على الفروق الدقيقة الخاصة بكل مثيل.

الأهمية والادعاءات

تدعي الورقة أن CReSL تطور مجال تكييف نطاق الرسم البياني (GDA) من خلال النمذجة الصريحة لـ عدم تطابق دقة الانتشار بين النطاقات. وخلافاً للطرق السابقة التي تحاذي التمثيلات عند مستوى نطاق واحد أو تفترض اقتراناً ثابتاً للدقة، يتعلم CReSL ارتباطاً ناعماً مدفوعاً بالبيانات يقوم بتوجيه معرفة المصدر إلى دقات الهدف الأكثر توافقاً.

يؤكد المؤلفون أن نهجهم:

يتجنب النقل السلبي الناتج عن فرض تطبيق المعرفة المتعلمة عند دقة واحدة في نفس الدقة في الهدف.
يتعامل مع عدم اليقين الفئوي في نطاق الهدف باستخدام الاحتمالات اللاحقة الناعمة لكل من تعلم الارتباط والتطعيم على مستوى المثيل، بدلاً من الاعتماد على التسميات الزائفة الصلبة.
يوفر حداً نظرياً للمخاطرة في الهدف، موضحاً أن تقليل تفاوت النماذج الأولية عبر الدقات وعدم اتساق التطعيم يؤدي إلى تضييق حد التعميم.

تخلص الورقة إلى أن معالجة تحول دقة المعنى بشكل صريح أمر بالغ الأهمية لعملية GDA الفعالة، وتقترح توجهات مستقبلية لتوسيع هذه المفاهيم إلى مساحات دقة مستمرة.