كسر حدود شبكات العصبونات الرسومية من خلال تحسين الترتيب الذاتي للرسوم البيانية باستخدام أنماط الخلط المحلية

حققت شبكات الجراف العصبية (GNNs) نجاحًا كبيرًا في مهام التعلم القائمة على الجراف من خلال دمج بنية الشبكة وخصائص العقد. يتم بناء النماذج الحديثة لشبكات الجراف العصبية على أساس تجميع متكرر لخصائص الجيران أو القرب من خلال تمرير الرسائل. أظهرت قدرة التنبؤ لهذه النماذج أنها مقيدة بشكل كبير بخلط المتشابهات في الجراف، وهي خاصية رئيسية تتمثل في اتصال العقد ذات الخصائص المماثلة ببعضها البعض. نلاحظ أن الشبكات الحقيقية تظهر أنماط خلط متنوعة أو غير متجانسة، وقد لا تكون القياسات التقليدية للخلط العالمي، مثل معامل الخلط العالمي، إحصائيات تمثيلية في تقدير هذا الخلط. نعتمد مفهومًا عامًا أكثر وهو خلط العقد على مستوى العقد، والذي يركز على مستوى العقد لتمثيل الأنماط المتنوعة وتقدير قابلية التعلم لشبكات الجراف العصبية بدقة أكبر. نجد أن أداء التنبؤ لنطاق واسع من نماذج شبكات الجراف العصبية يرتبط ارتباطًا وثيقًا بخلط العقد على المستوى المحلي. لتجاوز هذه الحدود، نركز في هذا العمل على تحويل الرسم البياني الإدخالي إلى رسم بياني للحساب يحتوي على معلومات القرب والبنية كأنواع مختلفة من الأطراف. يمتلك الرسم البياني المتعدد العلاقات الناتج مستوى أعلى من الخلط المتشابهات وأهم من ذلك أنه يحافظ على المعلومات الغنية من الرسم البياني الأصلي. ثم نقترح تشغيل شبكات الجراف العصبية على هذا الرسم البياني للحساب ونوضح أن الاختيار التكيفي بين البنية والقرب يؤدي إلى تحسين الأداء تحت أنماط الخلط المتنوعة. عمليًا، نوضح فوائد تبني إطار عمل تحويلنا للمهمة شبه المنظمة لتصنيف العقد على مجموعة متنوعة من مقاييس التعلم الحقيقية للرسم البياني.请注意，对于一些不常见的术语，我在翻译中保留了英文注释以确保信息的完整性。例如 "node-level assortativity" 翻译为 "خلط العقد على مستوى العقد" (node-level assortativity)，以及 "multi-relational graph" 翻译为 "الرسم البياني المتعدد العلاقات" (multi-relational graph)。