تحسين استخراج المعلومات داخل الفئة للرسوم البيانية غير المتجانسة: نهج واحد لبحث البنية العصبية

في السنوات الأخيرة، أصبحت الشبكات العصبية الرسومية (GNNs) شائعة في تعلم تمثيل الرسوم البيانية، بافتراض خاصية التماثل (homophily)، أي أن العقد المتصلة تمتلك نفس التصنيف أو ميزات مشابهة. ومع ذلك، قد تفشل هذه النماذج في التعميم على الرسوم البيانية غير المتماثلة (heterophilous)، التي تتميز بمستوى منخفض أو متوسط من التماثل. تسعى الطرق الحالية لمعالجة هذه المشكلة من خلال تعزيز استخراج المعلومات داخل الفئة، إما من خلال تصميم نماذج GNN أكثر كفاءة لتحسين أداء النموذج، أو بإعادة تصميم هيكل الرسم البياني لدمج المزيد من العقد داخل الفئة من مسافات بعيدة. وعلى الرغم من النجاحات المحققة، نلاحظ جوانب يمكن تحسينها أكثر: (أ) تعزيز استخراج المعلومات المميزة للعقدة نفسها (ego feature)، والتي تُعد أكثر موثوقية في استخراج المعلومات داخل الفئة؛ (ب) تصميم نماذج GNN حسب كل عقدة (node-wise GNNs) يمكنها التكيف بشكل أفضل مع العقد التي تختلف نسب التماثل بينها. في هذا البحث، نقترح طريقة جديدة تُسمى IIE-GNN (الشبكات العصبية الرسومية المعززة للمعلومات داخل الفئة) لتحقيق هذين التحسينين. نُقدّم إطارًا موحدًا مستندًا إلى الأدبيات السابقة، يتيح استخراج المعلومات داخل الفئة من العقدة نفسها وجيرانها من خلال سبعة كتل مصممة بعناية. وباستخدام تقنية البحث في الهيكل العصبي (Neural Architecture Search - NAS)، نقترح فضاء بحث جديد مبنيًا على هذا الإطار، ثم نقدم مُقدّرًا للهياكل (architecture predictor) لتصميم نماذج GNN لكل عقدة على حدة. ونُجري تجارب إضافية تُظهر أن IIE-GNN يمكنها تحسين أداء النموذج من خلال تصميم نماذج GNN حسب كل عقدة لتعزيز استخراج المعلومات داخل الفئة.