شبكات العصبونات الرسومية القابلة للتوسيع للمخططات المتنوعة

الشبكات العصبية الرسومية (GNNs) هي فئة شائعة من النماذج المعلمة المستخدمة في تعلم البيانات ذات الهيكل الرسومي. الأبحاث الحديثة قد حاجت إلى أن الشبكات العصبية الرسومية تستغل الرسم البياني بشكل أساسي للتمهيد الخاص بالخصائص، وأظهرت نتائج تنافسية في مهام الاختبار القياسية من خلال العمل ببساطة على خصائص العقد الممهدة بالرسم البياني، بدلاً من استخدام هياكل الخصائص التي يتم تعلمها من البداية إلى النهاية والتي تكون صعبة التوسع إلى رسومات كبيرة. في هذا البحث، نسأل عما إذا كانت هذه النتائج يمكن توسيعها إلى الرسومات غير المتجانسة، التي ترميز أنواع متعددة من العلاقات بين الكيانات المختلفة. نقترح "متوسط الجيران عبر الرسومات الجزئية للعلاقات" (NARS)، والذي يدرب تصنيفًا على خصائص متوسطة الجيران لرسومات جزئية تم اختيارها عشوائيًا من "الرسم البياني الأعلى" للعلاقات. نصف أيضًا التحسينات التي تتيح حساب هذه المجموعات من خصائص العقد بطريقة فعالة من حيث الذاكرة، سواء أثناء التدريب أو الاستدلال. يحقق NARS دقة جديدة تعتبر أفضل ما وصل إليه العلم في عدة مجموعات بيانات قياسية، ويتفوق على طرق GNN الأكثر تكلفة.