شبكة ت(Convolutional) رسمية حسب التسمية للرسوم البيانية غير المتجانسة

لقد حققت الشبكات العصبية الرسومية (GNNs) أداءً ملحوظًا في نمذجة الرسوم البيانية لتطبيقات مختلفة. ومع ذلك، فإن معظم الشبكات العصبية الرسومية الحالية تفترض أن الرسوم البيانية تُظهر تقاربًا قويًا في التصنيفات المرتبطة بالعقد، أي أن العقد ذات التصنيفات المشابهة تكون مرتبطة ببعضها البعض في الرسوم البيانية. وتُفشل هذه النماذج في التعميم على الرسوم البيانية غير المتماثلة (heterophilic)، حيث قد تكون العقد المرتبطة ببعضها البعض ذات تصنيفات وخصائص مختلفة. ولذلك، في هذا البحث، نستعرض إطارًا جديدًا يعمل بكفاءة على الرسوم البيانية التي تتميز بالتقارب أو غير التقارب. وبشكل أكثر تحديدًا، نقترح آلية تمرير الرسائل حسب التصنيف (label-wise message passing) لتجنب الآثار السلبية الناتجة عن تجميع تمثيلات العقد غير المتشابهة، وحفظ السياقات غير المتماثلة (heterophilic contexts) لتعلم التمثيلات. كما نقترح طريقة تحسين ذات مستويين (bi-level optimization) لاختيار النموذج تلقائيًا حسب طبيعة الرسم البياني (تقارب أو غير تقارب). وتوحي التحليلات النظرية والتجارب الواسعة بفعالية الإطار المقترح في تصنيف العقد على الرسوم البيانية المتماثلة وغير المتماثلة.