GraphAIR: تعلم التمثيل الرسومي مع التجميع والتفاعل الجاريين

يُعد التمثيل الرسومي للرسوم البيانية ذا أهمية بالغة لسلسلة من المهام التحليلية للرسوم البيانية، بدءًا من تصنيف العقد وصولاً إلى اكتشاف المجتمعات. في الآونة الأخيرة، تم تطبيق الشبكات العصبية التلافيفية للرسوم البيانية (GCNs) بنجاح في مجال تمثيل الرسوم البيانية. حيث تُولّد هذه الشبكات تمثيلات العقد من خلال تجميع الخصائص من الجيران، وذلك وفقًا لمنهجية "تجميع الجوار". وعلى الرغم من تحقيق أداءً واعدًا في مهام متعددة، إلا أن النماذج القائمة على GCNs تواجه صعوبات في التقاط التفاعلات غير الخطية المعقدة في بيانات الرسوم البيانية بشكل فعّال. في هذه الورقة، نقدم أولًا إثباتًا نظريًا يُبيّن أن معاملات الحدود التفاعلية للجوار صغيرة نسبيًا في النماذج الحالية، وهو ما يفسّر سبب تفوق النماذج الخطية على نماذج GCNs بشكل طفيف. ثم، من أجل تحسين التقاط التفاعلات غير الخطية المعقدة في بيانات الرسوم البيانية، نُقدّم إطارًا جديدًا يُسمى GraphAIR، الذي يُعدّل تفاعل الجوار إلى جانب تجميعه. وقد أظهرت تجارب شاملة أُجريت على مهام معيارية، بما في ذلك تصنيف العقد وتوقع الروابط، باستخدام مجموعات بيانات عامة، فعالية المنهج المقترح.