إيجاد التشابه العالمي في شبكات العصبونات الرسومية عند مواجهة الاختلاف

نقوم بدراسة الشبكات العصبية الرسومية على الرسوم البيانية ذات التباين (الهتروفيليا). بعض الطرق الحالية تضخم جوار العقدة بضم الجيران متعددي الخطوات لتشمل المزيد من العقد ذات التشابه (الهوموفيليا). ومع ذلك، فإن تحديد أحجام جوار شخصية لمختلف العقد يمثل تحديًا كبيرًا. بالإضافة إلى ذلك، يتم تجاهل العقد الأخرى المتشابهة التي تم استبعادها من الجوار في عملية تجميع المعلومات. لحل هذه المشكلات، نقترح نموذجين هما GloGNN و GloGNN++، اللذان يولدان تمثيل عقدة من خلال تجميع المعلومات من العقد العالمية في الرسم البياني. في كل طبقة، يتعلم كلا النموذجين مصفوفة معاملات لتقدير العلاقات بين العقد، بناءً عليها يتم تنفيذ عملية تجميع الجوار. تسمح مصفوفة المعاملات بالقيم الموقعة وتستمد من مشكلة أمثلية لها حل مغلق. نسرع أيضًا عملية تجميع الجوار ونستنتج تعقيد زمني خطي. نشرح فعالية النماذج نظريًا من خلال إثبات أن كلًا من مصفوفة المعاملات ومصفوفة التمثيل المولدة للعقد لديها التأثير المطلوب في التجميع. أجرينا العديد من التجارب الواسعة لمقارنة نماذجنا مع 11 منافسًا آخر على 15 مجموعة بيانات معيارية في مجالات مختلفة وأحجام ومستويات تباين للرسوم البيانية. أظهرت نتائج التجارب أن طرقنا تحقق أداءً أفضل بكفاءة عالية أيضًا.