إعادة النظر في التغاير لشبكات الرسم العصبية

تُوسِّع شبكات العصبونات الرسومية (GNNs) الشبكات العصبونية الأساسية (NNs) من خلال استخدام هياكل الرسوم البيانية المستندة إلى التحيز الاستقرائي العلائقي (افتراض المماثلة). رغم اعتقاد العديد بأن شبكات العصبونات الرسومية تتفوق على الشبكات العصبونية في المهام الحقيقية، فقد أظهرت الدراسات الحديثة وجود مجموعة غير تافهة من قواعد البيانات حيث تكون أداؤها مقارنة بالشبكات العصبونية غير مرضٍ. يعتبر التنوع في العلاقات (Heterophily) السبب الرئيسي لهذا الملاحظة التجريبية، وقد تم تقديم العديد من الأعمال لمعالجة هذه المشكلة.في هذا البحث، نعيد النظر أولاً في مقاييس المماثلة الشائعة الاستخدام ونشير إلى أن اعتبارها فقط لتوافق التسميات مع الهيكل الرسومي هو عيب. ثم ندرس التنوع في العلاقات من وجهة نظر تشابه العقد بعد التجميع ونحدد مقاييس جديدة للمماثلة، والتي قد تكون أفضل مقارنة بالمقاييس الموجودة. بناءً على هذا البحث، نثبت أنه يمكن التعامل بفعالية مع بعض الحالات الضارة للتنوع في العلاقات من خلال عملية التنويع المحلية.ثم نقترح إطار العمل "خلط القنوات التكيفي" (Adaptive Channel Mixing - ACM)، وهو إطار يعمل على استغلال القنوات التجميعية والتنويعية وقنوات الهوية بشكل تكيفي ومتعلق بكل عقد لاستخراج معلومات محلية أكثر غنى لمواقف مختلفة من التنوع في العلاقات. يعتبر خلط القنوات التكيفي أكثر قوة من الإطار الأحادي القناة الشائع الاستخدام في مهام تصنيف العقد على الرسوم البيانية ذات التنوع في العلاقات، كما أنه سهل التنفيذ في طبقات شبكات العصبونات الرسومية الأساسية. عند تقييمه على 10 مهمة تصنيف عقد أساسية، حقق الإطارات الأساسية المعززة بـ ACM ارتفاعًا كبيرًا وأداءً ثابتًا، فاقَت أحدث شبكات العصبونات الرسومية في معظم المهام دون زيادة العبء الحسابي بشكل كبير.