الاستخلاص الذاتي متعدد المهام للتعلم شبه المراقب القائم على الرسوم البيانية

أحرزت الشبكات التلافيفية الرسومية تقدماً كبيراً في التعلم شبه المراقب القائم على الرسومات. وتعتمد الطرق الحالية بشكل رئيسي على افتراض أن العقد المتصلة بحواف رسومية تكون على احتمال عالٍ من أن تمتلك صفات وعلامات مماثلة، مما يسمح بتقنيات تمهيد الميزات عبر الهياكل المحلية للرسم البياني بكشف تشابه الفئات. ومع ذلك، غالبًا ما توجد تناقضات بين الهياكل الرسومية والعلامات في العديد من السياقات الواقعية، حيث قد تُشَغِّل الهياكل نقلًا لميزات أو علامات مضللة، مما يؤثر في النهاية على أداء النموذج. في هذه الورقة، نقترح إطاراً متعدد المهام للإسقاط الذاتي (self-distillation) يُضفي التعلم الذاتي (self-supervised learning) والإسقاط الذاتي على الشبكات التلافيفية الرسومية، بهدف معالجة مشكلة عدم التوافق من الجانب الهيكلي والجانب التصنيفي بشكل منفصل. أولاً، نُصِّغ مساراً للتعلم الذاتي يستند إلى مهام مسبقة (pre-text tasks) لالتقاط مستويات مختلفة من التشابه داخل الرسومات. ويُشجَّع عملية استخلاص الميزات على اكتساب تقارب أكثر تعقيداً من خلال تحسين مزدوج للمهمة المسبقة والمهام المستهدفة. وبذلك، تُحسَّن عمليات تجميع الميزات المحلية من الناحية الهيكلية. ثانيًا، يستخدم الإسقاط الذاتي علامات ناعمة (soft labels) التي يُنتجها النموذج نفسه كمصدر إضافي للإشراف، وهو ما يُحقق تأثيرات مشابهة لتخفيف العلامات (label smoothing). ويتم تجميع المعرفة المستمدة من مسار التصنيف ومسار التعلم الذاتي لتحسين قدرة النموذج على التعميم من الناحية التصنيفية. وأظهرت نتائج التجارب تحسنًا ملحوظًا في الأداء باستخدام عدة هياكل شهيرة للشبكات التلافيفية الرسومية.