معيار جديد للتعلم على الرسوم البيانية غير المتجانسة

معظم البيانات ذات الهياكل الرسمية (البيانات البيانية) تحقق مبدأ التشابه، مما يعني أن العقد المتصلة تميل إلى أن تكون مشابهة فيما يتعلق بخصلة معينة. ولذلك، فإن معظم المجموعات البيانات الشائعة المستخدمة في مهام تعلم الآلة على الرسوم البيانية تكون عادة ذات درجة عالية من التشابه. أشارت الدراسات الحديثة إلى هذا التركيز الخاص، حيث تم تقديم مجموعات بيانات جديدة غير مشابهة وتطوير نماذج تعلم تمثيل الرسوم البيانية أكثر ملاءمة للبيئات ذات التشابه المنخفض. ومع ذلك، فإن هذه المجموعات البيانات صغيرة ولا تناسب بشكل جيد اختبار فعالية الأساليب الجديدة في بيئات غير مشابهة. نقدم سلسلة من مجموعات البيانات البيانية المحسنة التي لا تحقق فيها علاقات تصنيف العقد مبدأ التشابه. بالإضافة إلى ذلك، نقدم مقاييس جديدة لوجود أو عدم وجود التشابه تكون أكثر ملاءمة من المقاييس الحالية في الأنظمة المختلفة. قمنا بإجراء اختبار لمجموعة من الأساليب البسيطة وشبكات العصبونات البيانية عبر مجموعات البيانات المقترحة لدينا، مستخلصين رؤى جديدة لدعم البحث المستقبلي. يمكن العثور على البيانات والرموز البرمجية في https://github.com/CUAI/Non-Homophily-Benchmarks.