شبكات النورونات الكبسولية لتصنيف الرسوم البيانية باستخدام تمثيلات رسومية تنسورية صريحة

تصنيف الرسوم البيانية هو مشكلة مهمة في العديد من المجالات العلمية. يتناول هذا الموضوع مهام مثل تصنيف البروتينات والمركبات الكيميائية إلى فئات بناءً على وظائفها أو خصائصها الكيميائية والهيكلية. في الإعداد المراقب، يمكن صياغة هذه المشكلة كتعلم الهيكل والخصائص والعلاقات بين الخصائص ضمن مجموعة من الرسوم البيانية المصنفة، مع القدرة على التنبؤ بشكل صحيح بالتصنيفات أو الفئات للرسوم البيانية غير المعروفة.تظهر صعوبة كبيرة في هذا المهمة عند محاولة تطبيق خوارزميات التصنيف التقليدية بسبب الحاجة إلى تمثيلات مصفوفية أو متعددة الأبعاد ثابتة الحجم للرسوم البيانية، والتي قد تختلف بشكل كبير في عدد العقد والأضلاع. بناءً على العمل السابق الذي يجمع بين التمثيلات المتعددة الأبعاد الصريحة مع تصنيف الصور القياسي، نقترح نموذجًا لإجراء تصنيف الرسوم البيانية من خلال استخراج المعلومات المتعددة الأبعاد الثابتة الحجم من كل رسم بياني في مجموعة معينة، واستخدام شبكة الكبسولات (Capsule Network) لأداء التصنيف.الرسوم البيانية التي نعتبرها هنا هي غير موجهة ولديها خصائص فئوية على العقد. باستخدام قواعد بيانات كيميائية وبروتينية قياسية، نثبت أن نموذج تصنيف الرسوم البيانية الخاص بنا باستخدام تمثيل متعدد الأبعاد صريح للرسوم البيانية تنافسي مع أفضل النماذج الحالية لـ نواة الرسوم البيانية (graph kernels) وشبكات العصبونات للرسوم البيانية رغم البحث المحدود عن المعلمات الفائقة (hyper-parameters).