الشبكات العصبية الرسومية القابلة للتحليل

تم اعتماد الرسوم البيانية على نطاق واسع لتوضيح الاتصالات الهيكلية بين الكيانات. في كثير من الحالات، تكون العلاقات متنوعة، ولكنها متشابكة معًا وتُمثَّل ببساطة بحافة واحدة فقط بين زوج من العقد. على سبيل المثال، في رسم بياني لشبكة اجتماعية، يرتبط المستخدمون الذين يشتركون في علاقات خفية مختلفة مثل الأصدقاء والزملاء عادةً عبر حافة بسيطة تُخفي هذه الاتصالات الجوهرية. في هذا البحث، نقدّم شبكة ت.Convolutional جديدة للرسم البياني (GCN)، تُسمى بشبكة التجميع التفكيكية للرسم البياني (FactorGCN)، التي تُفكك بشكل صريح العلاقات المتشابكة المُشفرة في الرسم البياني. تعتمد FactorGCN على رسم بياني بسيط كمدخل، ثم تقوم بتفكيكه إلى عدة رسوم بيانية مُفككة، حيث يمثل كل رسم بياني واحدًا من العلاقات الخفية والمنفصلة بين العقد. بعد ذلك، يتم تجميع ميزات العقد بشكل منفصل في كل فضاء خفي مُفكك لإنتاج ميزات منفصلة، مما يؤدي بدوره إلى أداء أفضل في المهام اللاحقة. تم تقييم FactorGCN بشكل نوعي وكمي على مجموعات بيانات اصطناعية وواقعية، وأظهرت النتائج تقدماً ملحوظاً من حيث فك التشابك وجمع الميزات. يُتاح الكود بشكل عام عبر الرابط التالي: https://github.com/ihollywhy/FactorGCN.PyTorch.