CAT: شبكة انتباه رسمية سببية لتقليم الرسوم البيانية غير المتجانسة

تم تصميم آلية تمرير الرسائل الموجهة بالانتباه المحلي (LAMP) المستخدمة في الشبكات العصبية الرسومية ذات الانتباه (GATs) لتعلم تأثير العقد المجاورة بشكل تكيفي، بهدف تحسين عملية التجميع المحلي على الرسم البياني، مما يُمكن من جعل تمثيلات العقد المشابهة أقرب إلى بعضها بفعالية، وبالتالي يُظهر قدرة تمييزية أقوى. ومع ذلك، تعاني النماذج الحالية من GATs من انخفاض كبير في قدرتها التمييزية في الرسوم البيانية غير المتجانسة (heterophilic graphs)، نظرًا لارتفاع نسبة العقد غير المشابهة بين الجيران، مما يؤدي إلى تقليل انتباه العقدة المركزية، ما يُسبب انحراف العقدة المركزية عن العقد المشابهة في فضاء التمثيل. يُعرف هذا التأثير الناتج عن العقد المجاورة باسم "تأثير الإلهاء" (Distraction Effect - DE) في هذا البحث. لتقدير وتقليل تأثير الإلهاء (DE) الناتج عن العقد المجاورة، نقترح نموذجًا جديدًا يُسمى "الشبكة العصبية الرسومية السببية لتقطيع الرسوم غير المتجانسة" (Causally graph Attention network for Trimming heterophilic graph - CAT). لتقدير تأثير الإلهاء، نظرًا لأن تأثير الإلهاء ينشأ عبر طريقين (جذب الانتباه المخصص للجيران وتقليل انتباه العقدة المركزية لنفسها)، نستخدم "التأثير الكلي" (Total Effect) لتمثيل تأثير الإلهاء، وهو نوع من المقاييس السببية التي يمكن تقديرها من بيانات مُدخلة تجريبيًا (intervened data). ولتقليل تأثير الإلهاء، نحدد العقد ذات أعلى قيمة لتأثير الإلهاء (نسميها "الجيران المُلهِمين") ونقوم بإزالتها. استخدمنا ثلاث نماذج GAT تمثيلية كنماذج أساسية ضمن إطار CAT، وأجرينا تجارب على سبع مجموعات بيانات غير متجانسة بثلاث أحجام مختلفة. أظهرت النتائج التجريبية المقارنة أن CAT تُحسن دقة تصنيف العقد في جميع النماذج الأساسية. كما أثبتت التجارب التحليلية (Ablation experiments) والتصورات البصرية بشكل إضافي تحسين قدرة التمييز التي يوفرها CAT. يمكن الوصول إلى الشفرة المصدرية عبر الرابط التالي: https://github.com/GeoX-Lab/CAT.