شبكات الرسوم المتعددة الطيف لاكتشاف ودمج العلاقات في الجزيئات

شبكات التجميع الطيفية للبيانات الرسمية (GCNs) هي تعميم لشبكات التجميع على البيانات ذات الهيكل الرسومي. قد حققت تطبيقات شبكات GCN الطيفية نجاحًا، ولكنها كانت محدودة ببعض المسائل حيث يكون الرسم البياني ثابتًا، مثل مطابقة الأشكال تصنيف العقد. في هذا العمل، نعالج هذه الحدود بإعادة النظر في عائلة معينة من شبكات الرسم البياني الطيفية، وهي شبكات Chebyshev GCN، ونظهر فعاليتها في حل مهام تصنيف الرسوم البيانية ذات الهيكل والحجم المتغيرين. تقيّد شبكات Chebyshev GCN الرسوم البيانية بأن يكون هناك حافة واحدة على الأكثر بين أي زوج من العقد. لهذا الغرض، نقترح شبكة متعددة الرسوم البيانية جديدة تتعلم من الرسوم البيانية متعددة العلاقات. نقوم بنمذجة الحواف المُتعلمة بمعنى مجرّد ونجرّب طرقًا مختلفة لدمج التمثيلات المستخرجة من الحواف المُشَرحة والحافات المُتعلمة، مما يحقق نتائج تنافسية على مجموعة متنوعة من مقاييس تصنيف المواد الكيميائية.请注意，这里“化学分类基准”被翻译为“مقاييس تصنيف المواد الكيميائية”，更符合阿拉伯语的表达习惯。同时，“抽象意义”被翻译为“معنى مجرّد”，以保持表述的专业性和准确性。其他术语如"Spectral Graph Convolutional Networks"（شبكات التجميع الطيفية للبيانات الرسمية）、"Chebyshev GCNs"（شبكات Chebyshev GCN）等也采用了通用且专业的译法。