GREAD: شبكات تفاعل-انتشار عصبية رسمية

تمثّل الشبكات العصبية الرسومية (GNNs) أحد أكثر المواضيع بحثًا شعبية في مجال التعلم العميق. عادةً ما تم تصميم طرق GNN على أساس نظرية معالجة إشارات الرسوم البيانية. وبشكل خاص، تم استخدام معادلات الانتشار على نطاق واسع لتصميم الطبقة الأساسية المعالجة في الشبكات العصبية الرسومية، وبالتالي فإنها عرضة بالضرورة لمشكلة التمويه المفرط الشهيرة. في الآونة الأخيرة، ركّز عدد قليل من الدراسات على معادلات التفاعل بالتزامن مع معادلات الانتشار، ولكنها جميعها تناولت أشكالًا محدودة من معادلات التفاعل. ولحل هذه المشكلة، نقدّم طريقة جديدة قائمة على معادلات التفاعل والانتشار، تأخذ بعين الاعتبار جميع الأنواع الشائعة لمعادلات التفاعل، بالإضافة إلى معادلة تفاعل خاصة صمّمناها نحن. وبما نعرفه، فإن بحثنا يُعد من أكثر الدراسات شمولاً في مجال الشبكات العصبية الرسومية القائمة على معادلات التفاعل والانتشار. وفي تجاربنا على 9 مجموعات بيانات و28 من الأساليب الأساسية، أظهرت طريقةنا، المُسمّاة GREAD، تفوقًا في معظم الحالات. كما أظهرت تجارب البيانات الاصطناعية إضافية أن الطريقة تقلل من مشكلة التمويه المفرط، وتعمل بكفاءة عالية في مختلف معدلات التشابه (homophily).