تحسين الشبكات العصبية الرسومية غير المتجانسة باستخدام تمرير الرسائل السببية

في هذه الدراسة، نكتشف أن الاستنتاج السببي يُعد نهجًا واعدًا لالتقاط تبادل الرسائل غير المتجانسة في الشبكات العصبية الرسومية (GNN). وباستخدام تحليل العلاقة السببية-النتيجة، يمكننا تمييز الحواف غير المتجانسة استنادًا إلى الاعتماد غير المتماثل بين العقد. وتوفر البنية السببية المُتعلّمة علاقات أكثر دقة بين العقد. ولتقليل التعقيد الحسابي، نقدّم استنتاجًا سببيًا مبنيًا على التدخل في تعلم الرسوم البيانية. نبدأ بتبسيط التحليل السببي على الرسوم البيانية من خلال صياغته كنموذج لتعلم البنية، ونحدد مشكلة التحسين ضمن الإطار البيزي. ثم نقدّم تحليلًا لتفكيك الهدف التحسيني إلى عقوبة الاتساق وتعديل البنية المستند إلى العلاقات السببية-النتيجة. بعد ذلك، نقدّر هذا الهدف باستخدام الانتروبيا الشرطية، ونقدّم رؤى حول كيفية كمية الانتروبيا الشرطية لقياس درجة عدم التجانس. وبناءً على ذلك، نقترح CausalMP، وهو شبكة لاستكشاف تبادل الرسائل السببية للتعلم على الرسوم البيانية غير المتجانسة، التي تتعلم بشكل تكراري البنية السببية الصريحة للرسوم البيانية المدخلة. أجرينا تجارب واسعة في بيئات رسمية غير متجانسة ومتجانسة. وأظهرت النتائج أن نموذجنا يحقق أداءً متفوقًا في مهام التنبؤ بالروابط. كما أن التدريب على البنية السببية يمكن أن يعزز تمثيل العقد في المهام التصنيفية عبر نماذج أساسية مختلفة.