التعلم التمثيلي الاستقرائي على الرسوم البيانية الكبيرة

أثبتت التمثيلات ذات الأبعاد المنخفضة للعقد في الرسوم البيانية الكبيرة فائدة كبيرة في مجموعة متنوعة من مهام التنبؤ، بدءًا من توصية المحتوى وصولاً إلى تحديد وظائف البروتينات. ومع ذلك، فإن معظم النهج الحالية تتطلب وجود جميع العقد في الرسم البياني أثناء تدريب التمثيلات؛ هذه النماذج السابقة هي بطبيعتها نقلية (transductive) ولا تعمم بشكل طبيعي على العقد غير المرئية. هنا نقدم GraphSAGE، وهو إطار عام وإنتاجي يستخدم معلومات خصائص العقد (مثل السمات النصية) لإنشاء تمثيلات فعالة للبيانات غير المرئية سابقًا. بدلاً من تدريب تمثيلات فردية لكل عقد، نتعلم دالة تولد التمثيلات عن طريق أخذ عينات وتجميع الخصائص من الجوار المحلي للعقدة. يتفوق خوارزمياتنا على القواعد الأساسية القوية في ثلاثة مقاييس لتصنيف العقد الإنتاجي: نصنف فئة العقد غير المرئية في الرسوم البيانية المعلوماتية المتغيرة بناءً على بيانات الاستشهادات ومعلومات المشاركات في Reddit، ونظهر أن خوارزميتنا تعمم إلى رسوم بيانية تمامًا غير مرئية باستخدام مجموعة بيانات متعددة الرسوم البيانية لتفاعلات البروتين-البروتين.