التمثيل المزدوج الانتباه الذاتي للرسوم البيانية ذات التمايز المتمايز

لقد حققت الشبكات العصبية الرسومية (GNNs) نجاحًا كبيرًا في مهمة تصنيف العقد. وغالبًا ما تفترض الشبكات العصبية الرسومية أن الرسوم البيانية تكون متماثلة التوجه (homophilic)، أي أن العقد المجاورة من المرجح أن تنتمي إلى نفس الفئة. ومع ذلك، فإن عددًا من الرسوم البيانية في العالم الحقيقي تكون غير متماثلة التوجه (heterophilic)، مما يؤدي إلى دقة تصنيف أقل بكثير عند استخدام الشبكات العصبية الرسومية القياسية. في هذا العمل، نصمم GNN جديدة فعّالة لكل من الرسوم البيانية المتماثلة والغير متماثلة التوجه. يُبنى هذا العمل على ثلاث ملاحظات رئيسية. أولاً، نُظهر أن السمات الخاصة بالعقدة والبنية التراكيبية للرسم البياني توفر كميات مختلفة من المعلومات القيّمة في الرسوم المختلفة، وبالتالي يجب تشفيرها بشكل مستقل، وتحديد الأولوية لها بطريقة تكيفية. ثانيًا، نُظهر أن السماح بقيم انتباه سالبة عند نقل معلومات البنية التراكيبية للرسم البياني يُحسّن الدقة. ثالثًا، نُظهر أن استخدام أوزان انتباه غير متماثلة بين العقد يكون مفيدًا. ونُصمم GNN تستخدم هذه الملاحظات من خلال آلية انتباه ذاتية جديدة. ونُقيّم خوارزميتنا على رسوم بيانية حقيقية تتضمن آلافًا إلى ملايين العقد، ونُظهر أننا نحقق نتائج من الطراز الرائد (state-of-the-art) مقارنة بالشبكات العصبية الرسومية الحالية. كما نُحلّل فعالية المكونات الرئيسية لتصميمنا على مختلف الرسوم البيانية.