توضيح العقد المربكة من خلال التعلم المنفصل

لقد حققت الشبكات العصبية الرسومية (GNNs) تقدماً ملحوظاً في المهام المرتبطة بالرسوم البيانية. ومع ذلك، تحتوي الرسوم البيانية الواقعية بشكل لا مفر منه على نسبة معينة من العقد غير المتجانسة (heterophilous nodes)، مما يُشكِّل تحدياً لافتراض التماثل (homophily) التقليدي للشبكات العصبية الرسومية، ويُعيق أداؤها. تستمر معظم الدراسات الحالية في تصميم نماذج عامة تُشترَك فيها الأوزان بين العقد المتجانسة وغير المتجانسة. وعلى الرغم من دمج الرسائل من الدرجة العليا أو المعمارية متعددة القنوات، فإن هذه الجهود غالبًا ما تفشل في تحقيق النتائج المرجوة. وتعمل مجموعة صغيرة من الدراسات على تدريب مجموعات عقد مختلفة بشكل منفصل، لكنها تعاني من مقاييس فصل غير مناسبة وفعالية منخفضة. في هذه الورقة، نقترح لأول مرة مقياسًا جديدًا يُسمى "الالتباس الجارّي" (Neighborhood Confusion - NC)، بهدف تمكين فصل أكثر موثوقية للعقد. ولاحظنا أن المجموعات العقدية التي تختلف في قيم NC تُظهر فروقات ملحوظة في الدقة داخل المجموعة والتمثيلات المرئية (visualized embeddings). ويسهم هذا في تأسيس نموذج جديد يُسمى "الشبكة العصبية الرسومية الموجهة بالالتباس الجارّي" (Neighborhood Confusion-guided Graph Convolutional Network - NCGCN)، حيث يتم تجميع العقد وفقًا لقيم NC الخاصة بها، وتُطبَّق مشاركة الأوزان والمراسلة داخل المجموعة. أظهرت التجارب الواسعة على معايير متجانسة وغير متجانسة نجاح إطارنا في فصل العقد بشكل فعّال، وتحقيق تحسين ملحوظ في الأداء مقارنة بالأساليب الحديثة. سيكون الكود المصدري متاحًا على الرابط التالي: https://github.com/GISec-Team/NCGNN.