النماذج الشبكية العصبية التقليدية تمثل قواعد قوية: إعادة تقييم النماذج الشبكية العصبية للتصنيف العقدوي

أصبحت نماذج التحويلات الرسومية (Graph Transformers (GTs)) مؤخرًا خيارات شائعة بديلة للشبكات العصبية الرسومية التقليدية القائمة على تمرير الرسائل (GNNs)، وذلك بفضل التعبيرية النظرية الأفضل لها والأداء الممتاز الذي أُبلغ عنه في معايير تصنيف العقد القياسية، حيث تتفوق غالبًا على نماذج GNNs بشكل كبير. في هذه الورقة، نُجري تحليلًا تجريبيًا شاملاً لإعادة تقييم أداء ثلاث نماذج GNN كلاسيكية (GCN وGAT وGraphSAGE) مقابل نماذج GTs. تشير نتائجنا إلى أن التفوق المُعلن سابقًا لـ GTs قد يكون مبالغًا فيه بسبب تهيئة غير مثالية لمعامِلات النماذج في GNNs. وبشكل ملحوظ، وباستخدام ضبط طفيف للعوامل، تحقق هذه النماذج الكلاسيكية أداءً متميزًا على مستوى الحد الأقصى من الأداء، وتتساوى أو تتفوق على أداء GTs الحديثة في 17 من أصل 18 مجموعة بيانات متنوعة تم دراستها. علاوةً على ذلك، نُجري دراسات تحليلية مفصلة لاستكشاف تأثير مختلف تكوينات GNN، مثل التطبيع (Normalization)، والانقراض العشوائي (Dropout)، والاتصالات المتبقية (Residual Connections)، وعمق الشبكة، على أداء تصنيف العقد. يهدف هذا البحث إلى تعزيز معايير صارمة في التجريبيات ضمن مجال التعلم الآلي الرسومي، وتشجيع مقارنات وتقييمات أكثر دقة لقدرات النماذج.