تعلم الاعتمادية طويلة المدى على الرسوم البيانية من خلال المسارات العشوائية

شبكات الرسومات العصبية القائمة على تمرير الرسائل (GNNs) تتفوق في التقاط العلاقات المحلية ولكنها تواجه صعوبة في التعامل مع الاعتمادات البعيدة في الرسومات. بالمقابل، تحول شبكات التحويل للرسومات (GTs) دون التبسيط المفرط لهيكل الرسم من خلال تمثيل الرسومات كمجموعات من متجهات ثابتة الطول، مما يمكّن من تبادل المعلومات العالمية ولكن غالبًا ما يؤدي إلى تبسيط زائد لهيكل الرسم. يقدم هذا العمل هندسة جديدة تتغلب على عيوب كلتا النهجتين من خلال دمج معلومات الاعتمادات البعيدة التي توفرها المسارات العشوائية مع تمرير الرسائل المحلية. من خلال معالجة المسارات العشوائية كسلسلات، تستفيد هندستنا من التقدم الحديث في نماذج السلسلة لتقاط الاعتمادات البعيدة داخل هذه المسارات بكفاءة. بناءً على هذا المفهوم، نقترح إطارًا يوفر (1) تمثيلات رسومية أكثر تعبرية من خلال سلاسل المسارات العشوائية، (2) القدرة على استخدام أي نموذج سلسلة لتقاط الاعتمادات البعيدة، و (3) المرونة عبر دمج أنواع مختلفة من هياكل GNN و GT. تظهر تقييماتنا التجريبية أن نهجنا يحقق تحسينات أداء كبيرة على 19 مجموعة بيانات معيارية للرسم والعقد، حيث يتفوق بشكل ملحوظ على الأساليب الحالية بنسبة تصل إلى 13٪ في مجموعتي بيانات PascalVoc-SP و COCO-SP. يمكن الوصول إلى الكود في https://github.com/BorgwardtLab/NeuralWalker.