التعلم على الرسوم البيانية غير المتجانسة بحجم كبير: مقاييس جديدة وطرق بسيطة قوية

كثير من المجموعات البيانات الشائعة المستخدمة في مهام تعلم الآلة على الرسوم البيانية كانت عادةً متجانسة، حيث تتصل العقد ذات التسميات المتشابهة ببعضها البعض. مؤخرًا، تم تطوير شبكات عصبية بيانية جديدة (GNNs) تتجاوز نطاق التجانس؛ ومع ذلك، غالبًا ما تم إجراء تقييمها على رسوم بيانية صغيرة ذات مجالات تطبيق محدودة. قمنا بتجميع وتقديم مجموعة متنوعة من المجموعات البيانات غير المتجانسة من مجالات تطبيق مختلفة تحتوي على ما يصل إلى 384 مرة أكثر من العقد و1398 مرة أكثر من الأضلاع مقارنة بالمجموعات البيانات السابقة. كما أظهرنا أن التقنيات الحالية لتعلم الرسوم البيانية القابل للتوسع والتقسيم الصغير للرسوم البيانية تؤدي إلى انخفاض الأداء على هذه المجموعات البيانات غير المتجانسة، مما يؤكد الحاجة إلى المزيد من العمل في مجال الطرق القابلة للتوسع وغير المتجانسة. لمعالجة هذه المخاوف، نقدم LINKX -- طريقة بسيطة وقوية تعترف بالتدريب والاستدلال بالتقسيم الصغير بشكل مباشر. النتائج التجريبية الواسعة باستخدام الأساليب البسيطة والممثلة وشبكات العصب البيانية (GNNs) عبر مجموعات البيانات المقترحة لدينا تظهر أن LINKX يحقق أداءً رائدًا في تعلم الرسوم البيانية غير المتجانسة. يمكن الوصول إلى كودنا ومجموعات بياناتنا عبر الرابط: https://github.com/CUAI/Non-Homophily-Large-Scale.