ASAP: تجميع مُتكيف يُراعي البنية لتعلم تمثيلات رسمية هرمية

أُظهر أن الشبكات العصبية الرسومية (GNN) تعمل بكفاءة في نمذجة البيانات ذات البنية الرسومية لحل مهام مثل تصنيف العقد، وتقدير الروابط، وتصنيف الرسومات. وقد شهدت الأبحاث الحديثة تقدماً في تعريف مفهوم التجميع (pooling) في الرسومات، حيث يسعى النموذج إلى إنتاج تمثيل على مستوى الرسمة من خلال تقليل الحجم وتلخيص المعلومات الموجودة في العقد. إلا أن الطرق الحالية للتجميع تفشل غالبًا في التقاط البنية الفرعية للرسمة، أو لا تتماشى بسهولة مع الرسومات الكبيرة. في هذا العمل، نقترح ASAP (التجميع المُتكيف المُدرك للهيكل)، وهي طريقة تجميع نادرة وقابلة للتفاضل تعالج القيود المفروضة على الهياكل السابقة للتجميع في الرسومات. تعتمد ASAP على شبكة انتباه ذاتية مبتكرة إلى جانب صيغة معدلة للشبكة العصبية الرسومية لاستيعاب أهمية كل عقدة ضمن رسمة معينة. كما تتعلم ASAP تعيينًا ناعمًا ونادرًا للمجموعات للعقد في كل طبقة، مما يسمح بجمع الفرعيات الرسومية بشكل فعّال لتكوين الرسمة المُجمعة. من خلال تجارب واسعة على عدة مجموعات بيانات، وتحليل نظري، نبرر اختيار المكونات المستخدمة في ASAP. تُظهر نتائج التجارب أن دمج الهياكل الحالية للشبكات العصبية الرسومية مع ASAP يؤدي إلى نتائج من الطراز الرائد على عدة معايير تصنيف الرسومات. وتشير النتائج إلى تحسين متوسطه بنسبة 4% مقارنة بالطريقة الحالية الأفضل في التجميع الهرمي النادر.