العَيْنُ العَمِيقَةُ المُتَنَوِّعَةُ لِلْجِرافات

التعلم التمثيلي للرسوم البيانية هو عملية تعلم تمثيلات عقدية شاملة تحافظ على خصائص العقد والمعلومات الهيكلية. يمكن استخدام التمثيلات العقدية المستخرجة لخدمة مهام مختلفة لاحقة، مثل تصنيف العقد وتجميعها. عندما تكون الرسمة البيانية غير متجانسة، يصبح المشكلة أكثر تحديًا من مشكلة تعلم العقد في الرسوم البيانية المتجانسة. مستوحى من الخوارزميات الجديدة القائمة على نظرية المعلومات، نقترح في هذا البحث شبكة عصبية بيانية غير مراقبة تُعرف بـ Heterogeneous Deep Graph Infomax (HDGI) لتعلم التمثيلات في الرسوم البيانية غير المتجانسة. نستخدم بنية المسار الفائق لتحليل الاتصالات التي تتضمن الدلالات في الرسوم البيانية غير المتجانسة ونستفيد من وحدة التفاف الرسم البياني وآلية الانتباه على مستوى الدلالة لتقاطع التمثيلات المحلية. من خلال تعظيم المعلومات المتبادلة بين المحلي والعالمي، يتمكن HDGI من تعلم تمثيلات عقدية عالية المستوى يمكن استخدامها في المهام ذات الصلة بالرسم البياني اللاحقة. أظهرت نتائج التجارب أن HDGI يتفوق بشكل كبير على أفضل طرق التعلم التمثيلي للرسوم البيانية غير المراقبة في كل من مهام التصنيف والتجميع. حتى عند إدخال التمثيلات المستخرجة إلى نموذج بارامטרי، مثل الانحدار اللوجستي، فإننا نحقق أداءً مكافئًا في مهام تصنيف العقد عند المقارنة مع أفضل النماذج الشاملة المرتبطة بالشبكات العصبية البيانية (GNN) المراقبة.