التحسين المتين كتعمية للبيانات لشبكات ضخمة

تساهم تقنية تكبير البيانات في تحسين قدرة الشبكات العصبية العميقة على التعميم من خلال توسيع مجموعة التدريب، ولكن ما يزال يُعدّ سؤالاً مفتوحاً كيفية تكبير بيانات الرسوم البيانية بشكل فعّال لتعزيز أداء الشبكات العصبية للرسوم (GNNs). في حين أن معظم منظمات الرسوم الحالية تركز على تعديل البنية الهيكلية للرسم البياني من خلال إضافة أو إزالة الحواف، نقدم طريقة جديدة لتكبير ميزات العقد لتحسين الأداء. نقترح طريقة تُسمى FLAG (تكبير مضاد على نطاق واسع بدون قيود على الرسوم البيانية)، والتي تقوم بتضخيم ميزات العقد بشكل تكراري باستخدام اضطرابات مضادة تعتمد على المشتقة خلال عملية التدريب. وبجعل النموذج غير حساس للتقلبات الصغيرة في البيانات المدخلة، تساعد هذه الطريقة النموذج على التعميم على عينات خارج التوزيع التدريبي، وتعزز الأداء عند الاختبار. تُعدّ FLAG منهجية عامة تنطبق على بيانات الرسوم البيانية، وتعمل بشكل موحد في مهام تصنيف العقد، وتصنيف الروابط، وتصنيف الرسوم البيانية. كما تتميز FLAG بالمرونة العالية والقابلية للتوسع، ويمكن تطبيقها مع أي بنية أساسية للشبكات العصبية للرسوم (GNNs) وبيانات ضخمة. نُظهر فعالية وثبات طريقة FLAG من خلال تجارب واسعة ودراسات تحليلية تفصيلية. كما نقدم ملاحظات توضيحية تُسهم في فهم أعمق لآلية عمل طريقة FLAG.