الانتشار التوزيعي المتنوع للشبكات العصبية الرسومية

حققت شبكات العصبونات الرسومية (GNNs) نجاحًا ملحوظًا في مهام مختلفة لتعدين الرسوم من خلال تجميع المعلومات من الجوار للتعلم التمثيلي. يعتمد هذا النجاح على فرضية التشابه التي تشير إلى أن العقد المجاورة تظهر سلوكيات متشابهة، بينما قد يتم خرق هذه الفرضية في العديد من الرسوم الحقيقية. حديثًا، جذبت شبكات العصبونات الرسومية غير المتشابهة (HeterGNNs) اهتمامًا متزايدًا من خلال تعديل مخطط تمرير الرسائل العصبية للجوار غير المتشابه. ومع ذلك، تعاني هذه الشبكات من تقسيم غير كافٍ للجوار ونمذجة عدم التشابه، وكلاهما مهم ولكن صعب التغلب عليه. لمواجهة هذه التحديات، نقترح في هذا البحث تقنية انتشار التوزيع غير المتشابه (HDP) لشبكات العصبونات الرسومية. بدلاً من تجميع المعلومات من جميع الجوار، تقوم HDP بتقسيم الجيران بشكل متكيف إلى أجزاء متشابهة وغير متشابهة بناءً على الواجبات الوهمية أثناء التدريب. يتم تعلم توزيع الجوار غير المتشابه باستخدام قيد موجه نحو التعامد عبر نموذج تعلم التباين المعتمد على النماذج الثقة. يتم انتشار الأنماط المتشابهة وغير المتشابهة باستخدام آلية جديدة لتمرير الرسائل الواعية بالمعنى. أجرينا تجارب واسعة النطاق على 9 مجموعات بيانات معيارية بمستويات مختلفة من التشابه. أظهرت نتائج التجارب أن طريقتنا تتخطى الأساليب الأساسية الممثلة في البيانات غير المتشابهة.