التعلم التمثيلي الهرمي في الشبكات العصبية الرسومية باستخدام تجميع التخفيف العقدية

في الشبكات العصبية الرسومية (GNNs)، تُحسب مشغلات التجميع ملخصات محلية للرسومات المدخلة لالتقاط خصائصها الشاملة، وهي أساسية لبناء شبكات GNN عميقة تتعلم تمثيلات هرمية. في هذا العمل، نقترح مشغل التجميع المُقلِّص للعقد (NDP)، وهو مشغل تجميع لشبكات GNN يُنشئ رسومًا مُبسطة مع الحفاظ على البنية الشاملة للرسم الأصلي. أثناء التدريب، تتعلم شبكة GNN تمثيلات جديدة للعقد وتناسبها مع هرم من الرسوم المُبسطة، والتي تُحسب مسبقًا في مرحلة ما قبل المعالجة. يتكون NDP من ثلاث خطوات: أولاً، يُنفَّذ إجراء تقليل العقد لاختيار العقد الواقعة على جانب واحد من التقسيم الذي يحدده خوارزمية طيفية تُقدّر حلّ مسألة \maxcut{}. ثم، تُربط العقد المختارة باستخدام تقليل كرون لتكوين الرسم المُبسط. أخيرًا، وبما أن الرسم الناتج يكون كثيفًا جدًا، نطبّق إجراء تخفيف الكثافة الذي يزيل بعض العناصر من مصفوفة المجاورة للرسم المُبسط، بهدف تقليل التكلفة الحسابية في شبكة GNN. ومن الملاحظ بشكل خاص أننا نُظهر إمكانية إزالة العديد من الحواف دون التأثير بشكل كبير على بنية الرسم. وتُظهر النتائج التجريبية أن NDP أكثر كفاءة مقارنةً بمشغلي التجميع الرسومية الرائدة، مع تحقيق أداءً تنافسيًا على مجموعة واسعة من مهام تصنيف الرسوم.