DropGNN: التقليل العشوائي يُعزز التعبيرية في الشبكات العصبية الرسومية
يدرس هذا البحث الشبكات العصبية الرسومية المُتَخَلِّية (DropGNNs)، وهي منهجية جديدة تهدف إلى التغلب على القيود المفروضة على الإطارات القياسية للشبكات العصبية الرسومية. في إطار DropGNNs، نُنفِّذ عدة محاكاة لشبكة عصبية رسومية على الرسم البياني المدخل، مع حذف بعض العقد عشوائيًا وبشكل مستقل في كل محاكاة. ثم نُجمِع نتائج هذه المحاكاة للحصول على النتيجة النهائية. ونُثبت أن DropGNNs قادرة على التمييز بين جيران رسومية مختلفة لا يمكن للشبكات العصبية الرسومية القائمة على تبادل الرسائل التمييز بينها. كما نُستنتج حدودًا نظرية لعدد المحاكاة المطلوب لضمان توزيع موثوق للحذف العشوائي، ونُثبت عدة خصائص تتعلق بقدرات التعبير والحدود المفروضة على DropGNNs. ونُختبر نتائجنا النظرية المتعلقة بقدرة التعبير بشكل تجريبي. علاوةً على ذلك، نُظهر أن DropGNNs تُحقق أداءً تنافسيًا على معايير معيارية مُعتمدة للشبكات العصبية الرسومية.