كسر الالتباس بين التشابه المتماثل والتشابه المتنوع في تصنيف العقد شبه المراقب

في الآونة الأخيرة، أظهرت الشبكات العصبية الرسومية (GNNs) أداءً بارزًا في تصنيف العقد شبه المراقب باستخدام المعرفة المستمدة من قواعد البيانات الرسومية. ومع ذلك، فإن معظم الشبكات العصبية الرسومية الحالية تعتمد على افتراض التماثل (homophily)، حيث يكون من المرجح أن تُظهر العقد المتصلة توزيعات مميزة متشابهة والعلامات نفسها، وقد أثبت هذا الافتراض أنه عرضة للخطر في عدد متزايد من التطبيقات العملية. كمكمل لهذا، يعكس التباين (heterophily) عدم التماثل بين العقد المتصلة، وقد حظي هذا المفهوم باهتمام كبير في مجال تعلم الرسوم البيانية. ولتحقيق هذا الهدف، يسعى مهندسو البيانات إلى تطوير نموذج GNN قوي قادر على ضمان الأداء الجيد في ظل كل من التماثل والتباين. وعلى الرغم من الجهود العديدة، لا تزال معظم الشبكات العصبية الرسومية الحالية تعاني من صعوبة تحقيق تمثيلات مثلى للعقد بسبب القيود الناتجة عن الرسوم البيانية غير الموجهة. ويعود سبب ذلك إلى إهمال الحواف الموجهة، مما يؤدي إلى تمثيلات رسومية غير مثلى، وبالتالي يحد من قدرة الشبكات العصبية الرسومية. ولحل هذه المشكلة، نقدّم نموذج AMUD، الذي يقيس العلاقة بين ملامح العقدة والهيكلية (topology) من منظور إحصائي، مما يوفر رؤى قيمة لتمكين التكيف في نمذجة الرسوم الطبيعية كرسوم غير موجهة أو موجهة بهدف تحقيق أقصى استفادة من التعلم الرسومي اللاحق. بالإضافة إلى ذلك، نقترح نموذجًا جديدًا لتعلم الرسوم الموجهة يُسمى "التكامل النمطي الموجه المتكيف" (Adaptive Directed Pattern Aggregation - ADPA) ضمن إطار AMUD. وقد أظهرت الدراسات التجريبية أن AMUD يوجه التعلم الرسومي بكفاءة، في حين تؤكد التجارب الواسعة على 16 مجموعة بيانات معيارية الأداء المتميز لـ ADPA، الذي تفوق فيه على النماذج الأساسية بنسبة تصل إلى 3.96%.