تحسين مطابقة الرسوم البيانية غير المتجانسة مع الشبكات العصبية الرسومية: نهج إعادة توصيل الرسوم

تمثّل الشبكات العصبية الرسومية (GNNs) أساليب شائعة في التعلم الآلي لتمثيل البيانات الرسومية. وقد أظهرت العديد من نماذج GNNs أداءً جيدًا على الرسومات ذات الخصائص المتماثلة (homophily)، لكنها تُظهر أداءً غير راضٍ على الرسومات ذات الخصائص المختلفة (heterophily). في الآونة الأخيرة، اتجه بعض الباحثين إلى تصميم نماذج GNN مخصصة للرسومات ذات الخصائص المختلفة من خلال تعديل آلية تبادل الرسائل أو توسيع مجال الاستقبال (receptive field) لهذه الآلية. وعلى عكس الدراسات السابقة التي تسعى إلى التخفيف من مشكلات الخصائص المختلفة من منظور تصميم النموذج، نقترح دراسة الرسومات ذات الخصائص المختلفة من منظور متعامد، وذلك من خلال إعادة تشكيل هيكل الرسم (graph rewiring) لتقليل مستوى الخصائص المختلفة، مما يُمكّن النماذج التقليدية من GNNs من تحقيق أداء أفضل. وقد تأكدّنا من الإمكانات الكامنة في أساليب إعادة التشكيل من خلال دراسات تجريبية شاملة وتحليلات متعمقة. ولاستغلال هذه الإمكانات بشكل كامل، نقترح طريقة تُسمى "إعادة تشكيل الرسم الرسومي للخصائص المختلفة العميقة" (Deep Heterophily Graph Rewiring - DHGR)، التي تعيد تشكيل الرسوم من خلال إضافة حواف متماثلة (homophilic edges) وحذف الحواف المختلفة (heterophilic edges). وتُحدد الطريقة الدقيقة لإعادة التشكيل من خلال مقارنة توزيعات الميزات أو التصنيفات بين الجيران. بالإضافة إلى ذلك، صممنا نسخة قابلة للتوسع من DHGR لضمان الكفاءة العالية. ويمكن استخدام DHGR بسهولة كوحدة مدمجة (plug-in module)، أي كخطوة ما قبل معالجة للرسم، مع أي نموذج GNN، سواء كان مخصصًا للرسومات المتماثلة أو المختلفة، بهدف تعزيز أدائه في مهام تصنيف العقد. إلى حد علمنا، فإن هذه الدراسة تمثل أول عمل يُعنى بإعادة تشكيل الرسوم لتحسين الأداء على الرسومات ذات الخصائص المختلفة. وقد أظهرت التجارب الواسعة على 11 مجموعة بيانات رسومية عامة تفوق الطريقة المقترحة مقارنةً بالطرق الأخرى.