التنبؤ بالروابط العصبية باستخدام التجميع المُشَمَّل

تحقيق الشبكات العصبية الرسومية دقة عالية في توقع الروابط من خلال الاستفادة المشتركة من هيكل الرسم البياني وخصائص العقد. ومع ذلك، يتم تمثيل الهيكل بشكل غير مباشر؛ فتُعطي الطرق الحديثة القائمة على تصنيف الرسوم الفرعية العقد تسميات تُشير إلى المسافة بينها وبين الرابط المستهدف، مما يعني أن رغم وجود معلومات هيكلية، فإنها تُخفّض عبر عملية التجميع (pooling). هذا يُعدّ تحديًا في استغلال السمات مثل الدوائر والأنماط (motifs) المرتبطة بآليات تكوّن الشبكة. نقترح خوارزمية لتوقع الروابط تعتمد على.scheme جديدة للتجميع تُسمى WalkPool. تُجمع WalkPool بين قدرة الخوارزميات الهيكلية على التعبير عن المعلومات (expressivity) وقُدرة الشبكات العصبية على تعلم السمات. فهي تلخّص الرابط المُفترض من خلال احتمالات المشي العشوائي على المسارات المجاورة. بدلًا من استخلاص احتمالات الانتقال من الرسم البياني الأصلي، تقوم بحساب مصفوفة الانتقال لرسم بياني "توقعي" خفي من خلال تطبيق آلية الانتباه على السمات المُتعلمة؛ ويمكن تفسير ذلك على أنه تسمية هيكلية حساسة للسمات. تُمكن WalkPool من استخدام السمات غير المُشرَّحة للعقد، أو دمجها مع الشبكات العصبية الرسومية (GNNs) وتدريبها بشكل متكامل (end-to-end). وتفوق الطرق الرائدة في مجال توقع الروابط على جميع المعايير الشائعة، سواء في البيئات المتمايزة (homophilic) أو غير المتمايزة (heterophilic)، مع أو بدون استخدام خصائص العقد. وعند تطبيق WalkPool على مجموعة من الشبكات العصبية الرسومية غير المُشرَّحة، يُلاحظ تحسّن ملحوظ في دقة التوقع، مما يشير إلى إمكانية استخدامها كمخطط تجميع عام للرسوم البيانية.