DGCNN: شبكة عصبية تلافيفية غير منظمة للبيانات البيانية المستندة إلى نموذج مزيج الجاوسية

يمكن تطبيق الشبكات العصبية المتشابكة (CNNs) على مطابقة تشابه الرسوم البيانية، وفي هذه الحالة تُعرف بـ "الشبكات العصبية المتشابكة للرسوم البيانية" (Graph CNNs). تجذب الشبكات العصبية المتشابكة للرسوم البيانية اهتمامًا متزايدًا بسبب فعاليتها وكفاءتها. ومع ذلك، فإن النهج التجميعية الحالية تركز فقط على أشكال البيانات المنتظمة وتتطلب تحويل الرسم البياني أو الجوارات الرئيسية للرسم البياني إلى نفس الشكل الثابت. خلال عملية التحويل هذه، يمكن أن يفقد الرسم البياني معلوماته الهيكلية ويتم دمج بعض المعلومات الزائدة. لتجاوز هذه المشكلة، نقترح شبكات عصبية متشابكة غير منتظمة للرسوم البيانية (DGCNN) بناءً على نموذج غاوس المختلط، والذي يوسع الشبكة العصبية المتشابكة بإضافة طبقة معالجة أولية تُعرف بـ "طبقة التجميع غير المنظم للرسوم البيانية" (DGCL). تستعمل الطبقة DGCL وظيفة غاوس المختلطة لتحقيق الخريطة بين نواة التجميع والعقد في جوار الرسم البياني. يكون إخراج الطبقة DGCL هو الإدخال للشبكة العصبية المتشابكة (CNN). نقوم أيضًا بتنفيذ عملية تحسين انتشار عكسي للطبقة التجميعية، والتي من خلالها ندمج نموذج تعلم السمات لهيكل الجوار غير المنتظم للعقد في الشبكة. بعد ذلك، يصبح تحسين نواة التجميع جزءًا من عملية تعلم الشبكة العصبية. يمكن للشبكة DGCNN قبول أي هياكل جوار رسوم بيانية ذات مقاييس مختلفة وغير منظمة كحقول استقبال للشبكات العصبية المتشابكة (CNNs)، مما يقلل من فقدان المعلومات أثناء تحويل الرسم البياني. أخيرًا، نجري التجارب على عدة مجموعات بيانات رسوم بيانية قياسية. أظهرت النتائج أن الطريقة المقترحة تتقدم على أفضل الطرق المعروفة في تصنيف واسترجاع الرسوم البيانية.