أساس بسيط ومعتمد لتصنيف الرسوم البيانية غير المنسوبة

الرسوم البيانية هي أشياء معقدة لا تتناسب بسهولة مع المهام التعليمية التقليدية. في الآونة الأخيرة، تم تطوير مجموعة من الأساليب المستندة إلى نواة الرسوم البيانية أو الشبكات العصبية للرسوم البيانية لأغراض تصنيف الرسوم البيانية وتعلم التمثيل على الرسوم البيانية بشكل عام. مع تعقيد المنهجيات المطورة بشكل متزايد، من المهم فهم أي مكونات لهذه الطرق المعقدة المتزايدة هي ضرورية أو الأكثر فعالية.كخطوة أولى، قمنا بتطوير تمثيل بسيط ومعنى للرسم البياني واستكشفنا فعاليته في تصنيف الرسوم البيانية. اختبرنا تمثيلنا الأساسي لمهام تصنيف الرسم البياني على مجموعة متنوعة من قواعد بيانات الرسوم البيانية. وبشكل مثير للاهتمام، حقق هذا التمثيل البسيط أداءً مشابهاً لأنظمة نواة الرسوم البيانية وشبكات الأعصاب للرسوم البيانية الأكثر تطوراً في تصنيف الرسوم البيانية غير المرتبطة بالصفات (non-attributed graph classification). كان أداؤه على تصنيف الرسوم البيانية المرتبطة بالصفات (attributed graphs) أضعف قليلاً لأنه لا يدمج الصفات. ومع ذلك، نظرًا لبساطته وكفاءته، نعتقد أنه ما زال يمثل أساسًا فعالًا لتصنيف الرسوم البيانية المرتبطة بالصفات. يتم حساب تمثيلنا للرسم البياني بكفاءة (في وقت خطي).لدينا أيضًا علاقة بسيطة مع شبكات الأعصاب للرسوم البيانية. يجب ملاحظة أن هذه الملاحظات تنطبق فقط على مهمة تصنيف الرسم البياني بينما غالبًا ما تصمم الأساليب الحالية لمجال أوسع يشمل غرز العقد (node embedding) وتوقع الروابط (link prediction). قد يكون النتائج أيضًا متحيزة بسبب عدد محدود من قواعد البيانات القياسية المتاحة. ومع ذلك، فإن الأداء الجيد لأساسنا البسيط يدعو إلى تطوير قواعد بيانات قياسية جديدة وأكثر شمولية لتقييم وتحليل طرق تعلم الرسم البياني المختلفة بشكل أفضل. بالإضافة إلى ذلك، نظرًا لكفاءة حساب ملخص رسمنا البياني، نعتقد أنه مرشح جيد كأساس لمدراس المستقبل في تصنيف الرسم البياني (أو حتى دراسات أخرى في تعلم الرسم البياني).