كسر عقبات التعبير في شبكات الجراف العصبية

في الآونة الأخيرة، تم استخدام اختبار تكافؤ الرسوم البيانية لـ Weisfeiler-Lehman (WL) لقياس قوة التعبير في شبكات العصبونات الرسومية (GNNs)، مما أظهر أن شبكات العصبونات الرسومية التي تعتمد على تجميع الجوار كانت قوية بحد أقصى مثل اختبار 1-WL في تمييز هياكل الرسوم البيانية. كما تم اقتراح تحسينات مستوحاة من اختبار $k$-WL ($k>1$). ومع ذلك، فإن المجمعات في هذه شبكات العصبونات الرسومية بعيدة كل البعد عن الكمونية المطلوبة من قبل اختبار WL، وتتعرض لضعف في القدرة على التمييز، مما يجعلها نقاط ضعف في التعبير. في هذا البحث، نحسن القوة التعبيرية من خلال استكشاف مجمعات قوية. نعيد صياغة عملية التجميع باستخدام مصفوفة معاملات التجميع المقابلة، ثم نقوم بتحليل منهجي لمتطلبات مصفوفة معاملات التجميع لبناء مجمعات أكثر قوة وحتى مجمعات كمونية. يمكن أيضًا اعتبار هذا الاستراتيجية للحفاظ على رتبة الخصائص المخفية، ويشير إلى أن المجمعات الأساسية تتوافق مع حالة خاصة من تحويلات ذات رتبة منخفضة. كما نوضح ضرورة تطبيق الوحدات غير الخطية قبل عملية التجميع، وهو ما يختلف عن معظم شبكات العصبونات الرسومية المستندة إلى التجميع. بناءً على تحليلنا النظري، طورنا طبقتين جديدتين لشبكات العصبونات الرسومية، وهما ExpandingConv و CombConv. أظهرت النتائج التجريبية أن نماذجنا تعزز الأداء بشكل كبير، خاصة بالنسبة للرسوم البيانية الكبيرة والمرتبطة بكثافة.