AdaGCN: تعميق شبكات التحويل الرسومية باستخدام Adaboosting

ما زال تصميم نماذج الرسم البياني العميقة بحاجة إلى البحث، والجزء الأكثر أهمية هو كيفية استكشاف واستغلال المعرفة من جيران مختلفين على نحو فعال. في هذا البحث، نقترح هندسة شبكة عصبية بيانية عميقة جديدة تشبه الشبكات العصبية التكرارية (RNN) من خلال دمج تقنية AdaBoost في حسابات الشبكة؛ والشبكة التلافيفية البيانية المقترحة والتي تُعرف باسم AdaGCN (AdaBoosting Graph Convolutional Network) لديها القدرة على استخراج المعرفة بكفاءة من جيران من الرتب العليا للعقد الحالية ومن ثم دمج المعرفة من جيران مختلفين في الشبكة بطريقة AdaBoost. يختلف AdaGCN عن باقي شبكات الرسم البياني التي تتراكم فيها طبقات التلفيف البياني مباشرة، حيث يشارك AdaGCN في نفس الهيكل الأساسي للشبكة العصبية بين جميع "الطبقات" ويتم تحسينه بشكل متكرر، وهو ما يشبه الشبكات العصبية التكرارية (RNN). بالإضافة إلى ذلك، أقمنا نظريًا العلاقة بين AdaGCN وطرق التلفيف البياني الموجودة، مما يوضح مزايا مقترحنا. وأخيرًا، تثبت التجارب الواسعة الأداء المتقدم والمتسق لـ AdaGCN في التنبؤ بالرسوم البيانية عبر معدلات مختلفة للتصنيفات وميزة الحساب الخاصة بنهجنا.\footnote{الكود متاح على الرابط \url{https://github.com/datake/AdaGCN}}