EvolveGCN: شبكات الت➡️volution المتغيرة للبيانات الرسمية الديناميكية 请注意，" EvolveGCN " 是专有名词，通常在翻译时会保留原样。另外，“图形卷积网络”在阿拉伯语中更准确的表达是“شبكات الت". 修正后的翻译： EvolveGCN: شبكات التجميع المتغيرة للرسوم البيانية الديناميكية

إعادة تعلم تمثيل الرسوم البيانية تعود كموضوع بحثي رائج بفضل الاستخدام الواسع للتعلم العميق على البيانات الأقليدية، مما يلهم تصاميم متنوعة لشبكات العصبونات في المجال غير الأقليدي، وبشكل خاص الرسوم البيانية. مع نجاح هذه الشبكات العصبية للرسوم البيانية (GNN) في الإعداد الثابت، نقترب من سيناريوهات عملية أكثر حيث تتغير الرسمة البيانية بشكل ديناميكي. تتجه الأساليب الحالية عادةً إلى تمثيلات العقد وتستخدم شبكة عصبية متكررة (RNN، بشكل عام) لتنظيم التمثيلات وتعلم الديناميكيات الزمنية. تتطلب هذه الطرق معرفة العقد على مدى زمني كامل (يشمل التدريب والاختبار) وهي أقل قابلية للتطبيق عند حدوث تغييرات متكررة في مجموعة العقد. وفي بعض السيناريوهات القصوى، قد تختلف مجموعات العقد تمامًا في خطوات زمنية مختلفة. لحل هذا التحدي، نقترح EvolveGCN، والذي يتكيف مع نموذج شبكة التجميع البياني (GCN) على البعد الزمني دون اللجوء إلى تمثيلات العقد. يلتقط النهج المقترح دينامية سلسلة الرسوم البيانية باستخدام RNN لتتطور معلمات GCN. يتم النظر في هندستين للتطور المعلمي. نقيم النهج المقترح على مهام مثل التنبؤ بالروابط تصنيف الحواف وتصنيف العقد. تشير النتائج التجريبية إلى أداء أعلى بشكل عام لـ EvolveGCN مقارنة بالأساليب ذات الصلة. يمكن الحصول على الكود من \url{https://github.com/IBM/EvolveGCN}.