التجهيز التدرجي للتعلم العميق متعدد المعدلات على الرسوم البيانية

نقدّم إطار العمل الجديد Gradient Gating (G$^2$)، وهو إطار مبتكر لتحسين أداء الشبكات العصبية الرسومية (GNNs). يعتمد هذا الإطار على تمرير معلومات التبادل الرسومي عبر العقد باستخدام آلية تُسمح بتدفق متعدد المعدلات، مع تمرير مخرجات طبقات GNN عبر آلية تصفية (Gating). كما نستفيد من التدرجات المحلية لتعديل إضافي لعمليات تحديث التبادل الرسومي. يتيح هذا الإطار مرونة عالية في استخدام أي طبقة GNN أساسية كغلاف حوله يُبنى عليه آلية التصفية المبنية على التدرجات متعددة المعدلات. ونُثبت بشكل دقيق أن G$^2$ يُخفف من مشكلة التمويه الزائد (oversmoothing)، ويُمكّن من تصميم شبكات GNN عميقة. ونُقدّم نتائج تجريبية تُظهر أن الإطار المقترح يحقق أداءً من الدرجة الأولى في مجموعة متنوعة من مهام التعلّم الرسومي، بما في ذلك على الرسوم البيانية الكبيرة ذات الطبيعة غير المتجانسة (heterophilic).