الترجمة:التشبع الزائد (\emph{over-fitting}) والتسطيح الزائد (\emph{over-smoothing}) هما العقبتان الرئيسيتان في تطوير شبكات التجميع الرسومية العميقة (GCNs) لتصنيف العقد. بصفة خاصة، يؤدي التشبع الزائد إلى تقويض قدرة التعميم على مجموعات البيانات الصغيرة، بينما يعيق التسطيح الزائد تدريب النموذج من خلال عزل التمثيلات الخرج عن الميزات الإدخال مع زيادة عمق الشبكة. يقدم هذا البحث تقنية جديدة ومرونة تسمى DropEdge لحل كلا المشكلتين. في جوهرها، تقوم DropEdge بإزالة عدد معين من الحواف من الرسم البياني الإدخالي بشكل عشوائي في كل حقبة تدريبية، مما يجعلها تعمل كمكمل بيانات وكمساعد لتقليل نقل الرسائل أيضًا. بالإضافة إلى ذلك، نثبت نظريًا أن DropEdge إما تبطئ سرعة التقارب للتسطيح الزائد أو تخفف من فقدان المعلومات الناجم عنه. وأهم من ذلك، تعد DropEdge مهارة عامة يمكن دمجها مع العديد من النماذج الأساسية الأخرى (مثل GCN وResGCN وGraphSAGE وJKNet) لتحسين الأداء. أجريت التجارب الواسعة على عدة مقاييس مرجعية للتحقق من أن DropEdge تحسن الأداء باستمرار على مجموعة متنوعة من شبكات GCN السطحية والعميقة. كما تم تصوير وتقييم تأثير DropEdge في منع التسطيح الزائد بشكل تجريبي أيضًا. تم إطلاق الكود على \url{https://github.com/DropEdge/DropEdge}.