GCNH: طريقة بسيطة لتعلم التمثيل على الرسوم البيانية غير المتجانسة

شبكات العصبونات الرسومية (GNNs) مناسبة بشكل جيد للتعلم على الرسوم المتجانسة، أي الرسوم التي تميل فيها الأضلاع إلى ربط العقد من نفس النوع. ومع ذلك، فإن تحقيق أداء متسق لـ GNNs على الرسوم غير المتجانسة لا يزال مشكلة بحثية مفتوحة. اقترح عمل حديث تعديلات على هياكل شبكات العصبونات الرسومية القياسية لتحسين الأداء على الرسوم غير المتجانسة، مع التضحية ببساطة النموذج من أجل دقة التنبؤ. ومع ذلك، فشلت هذه النماذج في التقاط خصائص أساسية للرسم البياني، مثل توزيع تسميات الجوار، والتي تعتبر أساسية للتعلم. في هذا العمل، نقترح GCN للغير التجانس (GCNH)، وهي بنية شبكة عصبية رسومية بسيطة وفعالة تنطبق على السيناريوهات الغير متجانسة والمتجانسة على حد سواء. يقوم GCNH بتعلم ودمج تمثيلات منفصلة للعقد وجيرانها، باستخدام معامل أهمية واحد مُعلم لكل طبقة لتوازن بين مساهمات العقد المركزية والجوار. نجري تجارب واسعة النطاق على ثماني رسوم بيانية حقيقية ومجموعة من الرسوم البيانية الاصطناعية ذات درجات مختلفة من الغير التجانس لإظهار كيف يؤدي اختيارات التصميم لـ GCNH إلى تحسين كبير فوق GCN البسيط. بالإضافة إلى ذلك، يتفوق GCNH على نماذج الحالة الفنية الأكثر تعقيدًا في أربعة من ثماني مقاييس المعايرة، بينما ينتج نتائج مقارنة على باقي مجموعة البيانات. وأخيرًا، نناقش ونحلل التعقيد الأقل لـ GCNH، مما يؤدي إلى وجود عدد أقل من المعالم القابلة للتدريب وأوقات تدريب أسرع من الأساليب الأخرى، ونوضح كيف يخفف GCNH من مشكلة الإفراط في التسويف (oversmoothing).