هل التمايز المتمايز حقيقةً كابوسًا حقيقيًا لشبكات التعلم العصبي الرسومية في إجراء تصنيف العقد؟

تمتد الشبكات العصبية الرسومية (GNNs) على الشبكات العصبية الأساسية (NNs) من خلال الاستفادة من الهياكل الرسومية المبنية على الانحياز الاستنتاجي الارتباطي (فرضية التجانس). وعلى الرغم من أن GNNs تُعتبر أداءً أفضل من NNs في المهام الواقعية، إلا أن الميزة الأداءية لـ GNNs مقارنة بالـ NNs التي لا تأخذ بعين الاعتبار البنية الرسومية لا تبدو مرضية بشكل عام. واعتُبرت التمايز (Heterophily) سببًا رئيسيًا لهذا التفاوت، وقد تم تقديم العديد من الدراسات لمعالجة هذه المشكلة. في هذه الورقة، نُظهر أولًا أن ليس جميع الحالات التي تظهر فيها التمايز ضارة بـ GNNs عند استخدام عملية التجميع. ثم نقترح مقاييس جديدة تعتمد على مصفوفة التشابه، والتي تأخذ بعين الاعتبار تأثير كل من البنية الرسومية والميزات المدخلة على أداء GNNs. وتبين هذه المقاييس ميزة واضحة مقارنة بالمقاييس الشائعة للتجانس، وذلك من خلال اختبارات أُجريت على رسوم بيانية اصطناعية. وباستنادًا إلى هذه المقاييس والملاحظات التي تم التوصل إليها، نكتشف أن بعض حالات التمايز الضارة يمكن التغلب عليها من خلال عملية التنويع (Diversification). وباعتماد هذا المعلومة ومعرفة التراكيب الترددية (Filterbanks)، نقترح إطارًا جديدًا يُسمى "خلط القنوات التكيفية" (Adaptive Channel Mixing - ACM)، والذي يتكيف في كل طبقة من طبقات GNN باستغلال قنوات التجميع، والتنويع، والهوية (Identity) بشكل تكيفي، بهدف التصدي للتمايز الضار. وقد تم التحقق من أداء النماذج المحسّنة بفضل إطار ACM عبر 10 مهام واقعية لتصنيف العقد. وقد أظهرت هذه النماذج تحسنًا كبيرًا في الأداء بشكل متسق، وتفوقت على أحدث النماذج GNN في معظم المهام، دون أن تؤدي إلى عبء حسابي ملحوظ.