تصنيف الكائنات المهيكلة باستخدام شبكات العصبونات الرسومية

تم تطبيق شبكات العصبونات الرسومية (GNNs) بنجاح في العديد من المجالات التي تعتمد على البيانات المهيكلة، بدءًا من التنبؤ بخصائص الجزيئات وصولاً إلى تحليل الشبكات الاجتماعية. مستوحىً من نطاق التطبيق الواسع لـ GNNs، نقترح عائلة ما يُعرف بـ RankGNNs، وهي مزيج من طرق التعلم العصبي لترتيب الأولويات (LtR) وشبكات العصبونات الرسومية. يتم تدريب RankGNNs باستخدام مجموعة من التفضيلات الثنائية بين الرسوم البيانية، مما يشير إلى أن واحدة منها مفضلة على الأخرى. أحد التطبيقات العملية لهذه المشكلة هو فحص الأدوية، حيث يرغب الخبير في تحديد الجزيئات الأكثر وعودًا في مجموعة كبيرة من مرشحي الأدوية. نثبت بالتجربة أن نهج RankGNN الثنائي المقترح إما أنه يتفوق بشكل كبير أو على الأقل يساوي أداء الترتيب للنهج النقطي البسيط، الذي يتم فيه حل مشكلة ترتيب الأولويات عبر الانحدار الرسومي القائم على GNNs.