شبكات الرسم البياني القابلة للتشويه

الشبكات العصبية الرسومية (GNNs) قد أحدثت تحسينات كبيرة في قوة التمثيل للبيانات ذات الهيكل الرسومي. على الرغم من النجاحات الحديثة للشبكات العصبية الرسومية، فإن التحويل الرسومي في معظم الشبكات العصبية الرسومية يعاني من قيودين رئيسيين. نظرًا لأن التحويل الرسومي يتم في جوار محلي صغير على الرسم البياني المدخل، فإنه غير قادر بشكل متأصل على التقاط الارتباطات طويلة المدى بين العقد البعيدة. بالإضافة إلى ذلك، عندما يكون لعقدة جيران تنتمي إلى فئات مختلفة، أي عدم التجانس (heterophily)، غالبًا ما تؤثر الرسائل المتجمعة منهم سلبًا على تعلم التمثيل. لحل هذين المشكلتين الشائعتين في التحويل الرسومي، نقترح في هذا البحث شبكات تحويل رسومية مرنة (Deformable GCNs) التي تقوم بتحويل مرن بشكل تكيفي في فضاءات كامنة متعددة وتقتنص الارتباطات القصيرة والطويلة بين العقد. منفصلة عن تمثيلات العقد (الميزات)، يقوم إطارنا بتعلم غمر المواقع للعقد (الإحداثيات) لتحديد العلاقات بين العقد بطريقة شاملة ومتكاملة. اعتمادًا على موقع العقدة، يتم تشويه نواة التحويل بواسطة متجهات التشوه ويتم تطبيق تحولات مختلفة على عقد الجوار. تُظهر تجاربنا الواسعة أن شبكات تحويل رسومية مرنة (Deformable GCNs) تعامل مع عدم التجانس بشكل مرن وتحقق أفضل الأداء في مهام تصنيف العقد على ستة مجموعات بيانات رسومية غير مجانسة.