التجانس العصبي الرسومي المُتَفَرِّع مع الاستقرار المتعدد

النماذج العصبية الرسومية المستمرة المستندة إلى المعادلات التفاضلية قد وسعت من معمارية الشبكات العصبية الرسومية (GNNs). وبسبب الارتباط بين الانتشار الرسومي ونقل الرسائل، تم دراسة النماذج القائمة على الانتشار بشكل واسع. ومع ذلك، فإن الانتشار يُفضي بطبيعته إلى حالة توازن، مما يؤدي إلى مشكلات مثل التمويه الزائد. ولحل هذه المشكلة، نقترح نموذج GRADE المستوحى من معادلات التجميع-الانتشار الرسومية، والتي تضم التوازن الدقيق بين الانتشار غير الخطي والتجميع الناتج عن التفاعلات المحتملة. تُظهر التمثيلات العقدية الناتجة عن معادلات التجميع-الانتشار خاصية الاستقرار الوهمي، مما يدل على قدرة الميزات على التجمع في عدة مجموعات. علاوةً على ذلك، يمكن أن تستمر الديناميكيات داخل هذه المجموعات لفترات طويلة، مما يوفر إمكانية تخفيف تأثيرات التمويه الزائد. يعمم هذا الانتشار غير الخطي في نموذجنا النماذج القائمة على الانتشار الحالية، ويُنشئ ارتباطًا مع الشبكات العصبية الرسومية الكلاسيكية. ونثبت أن GRADE تحقق أداءً تنافسيًا عبر عدة معايير، كما تُخفف من مشكلة التمويه الزائد في الشبكات العصبية الرسومية، وذلك بفضل تحسين طاقة ديريشليه.