أعمق رؤى في شبكات التحويل الرسومية للتعلم شبه المشرف عليه

يُعاد النظر في العديد من المشكلات المثيرة للاهتمام في تعلم الآلة باستخدام أدوات التعلم العميق الجديدة. بالنسبة للتعلم شبه المشرف القائم على الرسوم البيانية، فإن تطورًا مهمًا حديثًا هو شبكات التجميع الرسمية (Graph Convolutional Networks - GCNs)، والتي تقوم بدمج ميزات الرأس المحلية وطوبولوجيا الرسم البياني بشكل جيد في طبقات التجميع. رغم أن نموذج GCN يتفوق على الطرق الأخرى المتقدمة، إلا أن آلياته غير واضحة وما زال يحتاج إلى كمية كبيرة من البيانات المصنفة للتحقق والاختيار النموذجي. في هذا البحث، نطور فهمًا أعمق لنموذج GCN ونعالج حدوده الأساسية. أولاً، نوضح أن عملية التجميع الرسمية في نموذج GCN هي في الواقع شكل خاص من تسوية لابلاسيان (Laplacian Smoothing)، وهي السبب الرئيسي وراء فعالية GCNs، ولكنها أيضًا تحمل مخاوف محتملة من الإفراط في التسوية عند استخدام العديد من طبقات التجميع. ثانياً، لتجاوز حدود نموذج GCN مع الهياكل الضحلة، نقترح أساليب التعاون الذاتي والتدريب الذاتي لتدريب GCNs. تحسّن أساليبنا بشكل كبير من أداء GCNs عند التعلم باستخدام عدد قليل جدًا من العلامات، وتُعفيها من الحاجة إلى بيانات إضافية مصنفة للتحقق. تم التحقق من نظريتنا واقتراحاتنا عبر تجارب واسعة النطاق على مقاييس الأداء.