Sosyal ağlardan öneri sistemlerine kadar geniş bir uygulama alanına sahip graf tabanlı yapay zeka sistemlerinde çığır açabilecek yeni bir yöntem geliştirildi. FC-GSSL (Frequency-Corrupt Based Graph Self-Supervised Learning) adı verilen bu teknik, veri graflarındaki frekans bilgilerini daha etkin kullanarak öğrenme kalitesini artırıyor.
Mevcut graf öğrenme yöntemlerinin temel sorunu, yüksek frekanslı sinyalleri yeterince kullanamaması ve belirli yerel kalıplara aşırı uyum sağlaması. Bu durum, algoritmaların genel geçerliğini ve temsil kalitesini sınırlıyor. Yeni yaklaşım bu sorunu çözmek için farklı bir strateji benimsiyor.
FC-GSSL yöntemi, düşük frekanslı katkılara göre graf düğümlerini ve bağlantılarını sistematik olarak bozarak, yüksek frekanslı bilgilere odaklanan alternatif graflar oluşturuyor. Bu bozuk graflar bir otokodlayıcıya girdi olarak verilirken, düşük frekanslı ve genel özellikler hedef olarak belirleniyor. Bu süreç, modeli farklı frekans bantlarından gelen bilgileri birleştirmeye zorluyor.
Araştırmacılar ayrıca çeşitli örnekleme stratejileri tasarlayarak, farklı örnekleme sonuçlarının kesişim ve birleşimlerinden çeşitli bozuk graflar üretiyor. Bu yaklaşım, düğüm temsillerini hizalayarak daha robust öğrenme sağlıyor.