تعلم دقيق لتمثيلات الرسوم البيانية باستخدام تجميع متعدد المجموعات للرسوم البيانية

تم استخدام الشبكات العصبية الرسومية على نطاق واسع في نمذجة بيانات الرسوم البيانية، حيث حققت نتائج مبهرة في مهام تصنيف العقد وتنبؤ الروابط. ومع ذلك، يتطلب الحصول على تمثيل دقيق للرسم البياني وظيفة تجميع (pooling) تحوّل مجموعة من تمثيلات العقد إلى شكل مكثّف. وتعتمد الطرق البسيطة مثل الجمع أو المتوسط على جميع ميزات العقد بالتساوي، دون أخذ الترابطات الهيكلية بينها أو أهميتها في المهمة بعين الاعتبار. من ناحية أخرى، قد تُنتج الطرق الحديثة لجمع الرسومات الهرمية تمثيلات متماثلة لرسمين مختلفين، حتى وإن كانتا متمايزتين وفقًا لاختبار ويسيفيلر-ليهمن (Weisfeiler-Lehman)، وذلك لأنها لا تحافظ بشكل مثالي على المعلومات المستمدة من ميزات العقد. لمعالجة هذه القيود في الطرق الحالية لجمع الرسومات، نُصِف أولًا مشكلة تجميع الرسومات كمهمة ترميز متعدّد المجموعات (multiset encoding) مع معلومات إضافية حول البنية الهيكلية للرسم، ونُقدّم نموذجًا يُسمى "مُحول متعدد المجموعات للرسومات" (Graph Multiset Transformer - GMT)، وهو طبقة تجميع عالمية تعتمد على الانتباه متعدد الرؤوس، وتُمكّن من التقاط التفاعلات بين العقد وفقًا لعلاقتها الهيكلية. ونُظهر أن GMT يحقق كلا الخصائص: التمييز (injectiveness) والثبات تجاه التبديل (permutation invariance)، مما يجعله قويًا على الأقل مثل اختبار مطابقة الرسومات ويسيفيلر-ليهمن. علاوة على ذلك، يمكن توسيع طرقنا بسهولة لتمديد النهج السابقة لتصنيف العقد في سياق تجميع الرسومات الهرمية. وأظهرت النتائج التجريبية أن GMT يتفوّق بشكل كبير على أفضل الطرق الحالية في تجميع الرسومات على معايير تصنيف الرسومات، مع كفاءة عالية من حيث الذاكرة والوقت، كما يحقق تحسينًا أكبر في أداء مهام إعادة بناء الرسومات وإنشائها.