N-GCN: التحليل الشجري متعدد المقياس للتصنيف شبه الإشرافي للعقد

شبكات التجميع الرسومية (GCNs) أظهرت تحسينات كبيرة في التعلم شبه المشرف على البيانات ذات الهيكل الرسومي. وفي الوقت نفسه، استفاد التعلم غير المشرف للتمثيلات الرسومية من المعلومات الواردة في المسارات العشوائية. في هذا البحث، نقترح نموذجًا جديدًا: شبكة من شبكات التجميع الرسومية (N-GCN)، والذي يجمع بين هذين المسارين من العمل. في جوهره، يقوم N-GCN بتدريب عدة حالات من شبكات التجميع الرسومية على أزواج العقد التي تم اكتشافها على مسافات مختلفة في المسارات العشوائية، ويتعلم مزيجًا من مخرجات الحالات التي تُحسِّن الهدف التصنيفي. تُظهِر تجاربنا أن النموذج المقترح N-GCN يحسن النماذج الأساسية الأكثر تقدمًا في جميع مهمات تصنيف العقد الصعبة التي ندرسها: Cora، Citeseer، Pubmed و PPI. بالإضافة إلى ذلك، يتمتع النهج المقترح بخصائص مرغوبة أخرى، بما في ذلك قابلية التعميم إلى طرق التعلم شبه المشرف المقترحة حديثًا مثل GraphSAGE، مما يسمح لنا بتقديم N-SAGE، والمقاومة للتلاعبات المعادية في الإدخال.请注意，对于特定的人名和术语（如Cora, Citeseer, Pubmed, PPI, GraphSAGE），通常在阿拉伯语文献中保留其英文原名，以确保专业性和信息的准确性。