جيو-جي سي إن: شبكات التعلم العميق الجغرافية

تم تطبيق شبكات العصبونات المتنقلة للرسائل (MPNNs) بنجاح في تعلم التمثيل على الرسوم البيانية في مجموعة متنوعة من التطبيقات الواقعية. ومع ذلك، فإن هناك ضعفين أساسيين في جامعات MPNNs يحدان من قدرتها على تمثيل البيانات ذات الهيكل الرسومي: فقدان المعلومات الهيكلية للعقد في الجوار ونقص القدرة على التقاط الارتباطات طويلة المدى في الرسوم غير المتجانسة. لم يلاحظ العديد من الدراسات هذه الضعف من وجهات نظر مختلفة. استنادًا إلى الملاحظات حول الشبكات العصبية الكلاسيكية وهندسة الشبكة، نقترح مخطط تجميع هندسي جديد لشبكات العصبونات الرسومية لتجاوز هذين الضعف. الفكرة الأساسية وراء هذا هي أن التجميع على رسم بياني يمكن أن يستفيد من فضاء مستمر يكمن تحت الرسم البياني. يتكون المخطط التجميع المقترح من ثلاثة وحدات وهو ثابت بالنسبة للأذون: تمثيل العقد، والجوار الهيكلي، والتجميع ثنائي المستوى. كما نقدم تنفيذًا لهذا المخطط في شبكات التجميع الرسومية، والتي أطلقنا عليها اسم Geom-GCN (شبكات التجميع الرسومية الهندسية)، لأداء التعلم الاستدلالي على الرسوم البيانية. أظهرت النتائج التجريبية أن Geom-GCN المقترحة حققت أداءً متفوقًا على نطاق واسع من قواعد بيانات الرسوم البيانية المفتوحة. يمكن الوصول إلى الكود عبر الرابط https://github.com/graphdml-uiuc-jlu/geom-gcn.