مقارنة عادلة بين الشبكات العصبية الرسومية للتصنيف الرسومي

القابلية للتكرار والقابلية لإعادة التكرار في التجارب تُعد موضوعات بالغة الأهمية في مجال التعلم الآلي. وقد أبدى الباحثون في كثير من الأحيان قلقهم إزاء نقصها في المنشورات العلمية، بهدف تحسين جودة المجال. في الآونة الأخيرة، اجتذب مجال تمثيل الرسوم البيانية انتباه مجتمع بحثي واسع، مما أدى إلى تدفق كبير من الأوراق البحثية. ونتيجة لذلك، تم تطوير العديد من نماذج الشبكات العصبية للرسوم البيانية (GNN) لمعالجة مهام تصنيف الرسوم البيانية بكفاءة. ومع ذلك، غالبًا ما تفتقر الإجراءات التجريبية إلى الدقة، وتصبح صعبة التكرار. ومستلهمين من هذه المشكلة، نقدم نظرة عامة على الممارسات الشائعة التي ينبغي تجنبها لضمان مقارنات عادلة مع أحدث النماذج المطورة. وللتصدي لهذا الاتجاه المقلق، أجرينا أكثر من 47000 تجربة في إطار موحد ومحكم، بهدف إعادة تقييم خمسة نماذج شهيرة على تسع معايير شائعة. علاوةً على ذلك، وبالمقارنة بين نماذج GNN والأساليب الأساسية التي لا تعتمد على البنية، نقدم أدلة مقنعة تُظهر أن المعلومات البنائية لم تُستغل بعد في بعض المجموعات البيانات. نعتقد أن هذا العمل يمكن أن يسهم في تطوير مجال تعلم الرسوم البيانية، من خلال توفير أساس متين لتقييمات صارمة لنموذج تصنيف الرسوم البيانية.