DDGK: تعلم تمثيلات الرسم البياني ل núcleos الرسم البياني الانحراف العميقة

هل يمكن للشبكات العصبية التعلم من أجل مقارنة الرسوم البيانية دون هندسة الميزات؟ في هذا البحث، نوضح أنه من الممكن تعلم تمثيلات لتشابه الرسوم البيانية دون الحاجة إلى معرفة مجالية أو إشراف (أي هندسة الميزات أو رسوم بيانية مشمولة بالتصنيف). نقترح استخدام نواة التباعد العميقة للرسوم البيانية (Deep Divergence Graph Kernels)، وهي طريقة غير مشرف عليها لتعلم تمثيلات على الرسوم البيانية التي تحتوي على مفهوم مرن للتماثل بين الرسوم البيانية.طريقتنا تتكون من ثلاثة أجزاء. أولاً، نتعلم كودرًا لكل رسم بياني أساسي لتقاطع هيكله. ثانيًا، لكل زوج من الرسوم البيانية، ندرب شبكة انتباه بين الرسوم البيانية التي تستخدم تمثيلات العقد من رسم بياني أساسي لإعادة بناء رسم بياني آخر. هذه الطريقة، التي نطلق عليها اسم انتباه التماثل (isomorphism attention)، تلتقط مدى قدرة تمثيلات رسم بياني واحد على ترميز آخر. نستخدم توقعات الكودر المعزز بالانتباه لتحديد درجة التباعد لكل زوج من الرسوم البيانية. ثالثًا وأخيرًا، ننشئ فضاء تمثيلي لكافة الرسوم البيانية باستخدام هذه الدرجات الثنائية للتباعد.على عكس الأبحاث السابقة، والتي تعتمد بشكل كبير على 1) الإشراف، 2) المعرفة الخاصة بالمجال (مثل الاعتماد على نواة Weisfeiler-Lehman)، و3) تناسق العقد المعروف، فإن طريقتنا غير المشرف عليها تتعلم بشكل مشترك تمثيلات العقد، وتمثيلات الرسوم البيانية، وتناسق يعتمد على الانتباه بين الرسوم البيانية.نتائجنا التجريبية تظهر أن نواة التباعد العميقة للرسوم البيانية يمكنها تعلم تناسق غير مشرف عليه بين الرسوم البيانية، وأن التمثيلات المستفادة تكون ذات نتيجة تنافسية عند استخدامها كميزات في عدد من مهمات تصنيف الرسوم البيانية الصعبة. بالإضافة إلى ذلك، نوضح كيف يمكن للانتباه المستفاد توفير رؤى حول تناسق الأجزاء الفرعية عبر الرسوم البيانية.