اتجاهية الحواف تحسن التعلم على الرسوم البيانية غير المتجانسة

باتت شبكات العصبونات الرسومية (GNNs) أداة المعيار الفعلي لنمذجة البيانات ذات الطابع العلائقي. ومع ذلك، بينما تكون العديد من الرسوم البيانية في العالم الحقيقي موجهة، فإن معظم نماذج GNN الحالية تتجاهل هذه المعلومات تمامًا بجعل الرسم البياني غير موجه. وتعود أسباب هذا الأمر إلى التاريخ: 1) كانت العديد من النسخ المبكرة من شبكات العصبونات الطيفية تتطلب بشكل صريح رسومًا بيانية غير موجهة، و2) لم تجد الدراسات الأولى على الرسوم البيانية المتجانسة أي زيادة كبيرة في الأداء عند استخدام الاتجاه. وفي هذا البحث، نوضح أن في السياقات المتجانسة غير الكاملة (heterophilic)، معالجة الرسم البياني كموجه يزيد من التجانس الفعال للرسم البياني، مما يشير إلى احتمال تحقيق مكاسب من الاستخدام الصحيح لمعلومات الاتجاهية. لهذا الغرض، نقدم شبكة عصبية رسمية موجهة (Dir-GNN)، إطار عمل عام جديد للتعلم العميق على الرسوم البيانية الموجهة. يمكن استخدام Dir-GNN لتوسيع أي شبكة عصبية تمرير رسائل (MPNN) لأخذ المعلومات الاتجاهية للحواف بعين الاعتبار عن طريق إجراء عمليات تجميع منفصلة للحواف الواردة والصادرة. نثبت أن Dir-GNN تطابق قوة التعبير لاختبار ويسلر-ليهمان الموجه (Directed Weisfeiler-Lehman test)، مما يتجاوز قوة التعبير للشبكات العصبية التقليدية MPNN. وفي التجارب الشاملة، نؤكد أن بينما يترك إطارنا العمل أداءً ثابتًا على مجموعات البيانات المتجانسة، فإنه يؤدي إلى مكاسب كبيرة فوق النماذج الأساسية مثل GCN وGAT وGraphSage في مقاييس الأداء على الرسوم البيانية المتجانسة غير الكاملة، حيث يتفوق على طرق أكثر تعقيدًا ويحقق نتائج جديدة رائدة في المجال.注释：- "رسوم بيانية" 是 "graphs" 的阿拉伯语翻译。- "متجانسة" 和 "متجانسة غير كاملة" 分别对应 "homophilic" 和 "heterophilic"，这两个术语在社交网络分析中较为常见。- " Directed Weisfeiler-Lehman test" 被直接翻译为 "اختبار ويسلر-ليهمان الموجه"，因为这是一个特定的技术测试名称。- 其他专业术语如 "Message Passing Neural Network (MPNN)" 和 "Graph Convolutional Network (GCN)" 等也采用了通用译法并保留了英文缩写。