شبكات العصبونات التسلسلية المحددة بالرسوم البيانية المعزولة

البيانات ذات الهيكل الرسومي تظهر بشكل متكرر في مجالات مثل الكيمياء، دلاليات اللغة الطبيعية، الشبكات الاجتماعية، وقواعد المعرفة. في هذا البحث، ندرس تقنيات تعلم السمات للإدخالات ذات الهيكل الرسومي. نقطة انطلاقنا هي العمل السابق حول شبكات العصبونات الرسومية (Scarselli et al., 2009)، والذي قمنا بتعديله لاستخدام وحدات التكرار المحكمة والتقنيات الأمثلية الحديثة، ثم توسيعه ليشمل إخراج التسلسلات. النتيجة هي فئة مرنة ومفيدة على نطاق واسع من نماذج الشبكات العصبية التي لديها تحيزات استقرائية مفضلة مقارنة بالنماذج القائمة على التسلسل فقط (مثل LSTM) عند تكون المشكلة ذات هيكل رسومي. نوضح قدراتها من خلال بعض المهام البسيطة في الذكاء الاصطناعي (bAbI) وتعلم خوارزميات الرسم البياني. ثم نظهر أنها تحقق أداءً يتفوق على أفضل ما هو معروف في مشكلة من مجال التحقق من البرامج، حيث يجب مطابقة الرسوم الفرعية مع الهياكل البيانات التجريدية.