الشبكات الرسومية البسيطة والعميقة

الشبكات الإدراكية الرسومية (GCNs) هي نهج قوي للتعلم العميق يُستخدم للبيانات ذات الهيكل الرسومي. في الآونة الأخيرة، أظهرت الشبكات الإدراكية الرسومية ونماذجها اللاحقة أداءً متفوقًا في مجالات تطبيقية متنوعة على مجموعة بيانات حقيقية. ومع ذلك، فإن معظم النماذج الحالية للشبكات الإدراكية الرسومية سطحية بسبب مشكلة {\em التسطيح الزائد} (over-smoothing). في هذا البحث، ندرس مشكلة تصميم وتحليل الشبكات الإدراكية الرسومية العميقة. نقترح GCNII، وهو توسيع لنموذج GCN الأساسي يتضمن تقنيتين بسيطتين ولكنهما فعالتان: {\em البواقي الأولي} (Initial residual) و{\em الخريطة المتطابقة} (Identity mapping). نقدم أدلة نظرية وتجريبية على أن التقنيتين تخففان بشكل فعال من مشكلة التسطيح الزائد. تُظهر تجاربنا أن نموذج GCNII العميق يتفوق على أفضل الأساليب الحالية في مهام متعددة تحت إشراف جزئي وكامل. يمكن الحصول على الكود من الرابط https://github.com/chennnM/GCNII .