تقليل الأبعاد يلتقي بنقل الرسائل لتحقيق تمثيلات عقد الرسم البياني

أصبحت الشبكات العصبية الرسومية (GNNs) من الأساليب الشائعة في تطبيقات متنوعة، تشمل تحليل الشبكات الاجتماعية ونمذجة الخصائص الكيميائية للجزيئات. وعلى الرغم من الأداء المتميز الذي تظهره الشبكات العصبية الرسومية عادةً على المجموعات العامة للبيانات، إلا أنها قد تواجه صعوبة في التعلم من الاعتماديات طويلة المدى في البيانات بسبب ميلها إلى التسطيح الزائد (over-smoothing) والتقلص الزائد (over-squashing). لمعالجة هذه التحديات، نقترح طريقة تُسمى PCAPass، التي تجمع بين تحليل المكونات الرئيسية (PCA) وآلية تمرير الرسائل (message passing) لإنشاء تمثيلات للعقد (node embeddings) بطريقة غير مراقبة، وتستفيد من أشجار القرار المُحسَّنة بالتدفق التدريجي (gradient boosted decision trees) في المهام التصنيفية. نُظهر تجريبيًا أن هذه الطريقة تحقق أداءً تنافسيًا مقارنةً بالشبكات العصبية الرسومية الشهيرة في معايير تصنيف العقد، مع القدرة على جمع معلومات من جيران أبعد مسافة. تُظهر أبحاثنا أن تطبيق تقليل الأبعاد مع تمرير الرسائل والاتصالات المُتعددة (skip connections) يُعد آلية واعدة لجمع الاعتماديات طويلة المدى في البيانات ذات الهيكل الرسومي.