InductWave يدرب نماذج رسوم بيانية للمعرفة بنصف عدد الطبقات من المنافسين

قدم فريق من الباحثين InductWave—طريقة دمج حثي قائمة على الموجات للإجابة على استعلامات منطقية متعددة الخطوات لرسوم بيانية المعرفة، والتي تعمل مع نصف عدد طبقات تمرير الرسائل لنماذج الأساس. تم نشر الورقة على arXiv في 7 يوليو 2026.

ما هي مشكلة النماذج الاستقرائية

يتم صياغة الاستعلامات المنطقية متعددة الخطوات لرسوم بيانية المعرفة (الإجابة على الاستعلامات متعددة الخطوات) كاستعلامات بافتراض ضمني لاكتمال البيانات وعادة ما تحتوي على عوامل الاقتران والفصل والنفي (المنطق الوجودي من الدرجة الأولى). تستخدم معظم النماذج الموجودة التفكير الاستقرائي—مما يعني أنها لا تستطيع التفكير في الكيانات التي لم تشاهدها أثناء التدريب. في العالم الحقيقي، هذا قيد خطير: تدريب نموذج على جميع عقد رسم بياني معرفة كبير مرة واحدة غالباً ما يكون مستحيلاً بسبب قيود الموارد.

كيف يتم هيكلة InductWave

InductWave هي طريقة حثية: رسم البياني الذي يتم تدريب النموذج عليه يحتوي على عقد أقل من رسم البياني الذي يتم اختباره عليه.

• تعتمد الطريقة على دمج الموجات
• مع نصف عدد طبقات تمرير الرسائل، يعرض InductWave نتائج تعادل نماذج الأساس
• مع 75% من عدد طبقات نماذج الأساس، يتجاوز InductWave نماذجها في معظم الحالات
• سمحت متطلبات الموارد الأكثر تواضعاً باختبار النموذج على رسوم بيانية ضخمة، بما في ذلك Wiki-KG
• تم إجراء التجارب على نسب مختلفة من رسوم البيانات التدريبية والاختبار من مجموعة البيانات FB15k-237

تم جعل كود النموذج ومجموعات البيانات متاحة للعموم على GitHub.

ماذا يعني هذا

عدد أقل من طبقات تمرير الرسائل يقلل بشكل مباشر من التكاليف الحسابية للتدريب والاستدلال—مما يعني أن الطرق الحثية مثل InductWave تجعل العمل مع رسوم بيانية معرفة كبيرة حقاً، مثل Wiki-KG، ممكناً بشكل عملي بدون مجموعات حوسبة ضخمة.

الأسئلة المتكررة

ما هو التعلم الحثي على رسوم بيانية المعرفة؟

هذا نهج يتم فيه تدريب النموذج على رسم بياني يحتوي على عقد أقل من الذي يتم اختباره عليه لاحقاً، ويجب أن يكون قادراً على التفكير في الكيانات التي لم يرها أثناء التدريب—بخلاف النماذج الاستقرائية.

ما هي مجموعات البيانات التي تم اختبار InductWave عليها؟

تم اختبار النموذج على نسب مختلفة من رسوم البيانات التدريبية والاختبار من مجموعة البيانات FB15k-237، وكذلك على رسم البياني المعرفي الكبير Wiki-KG، حيث أثبتت متطلبات الموارد الأقل أهميتها بشكل خاص.