DeltaGNN: شبكة عصبية رسومية مع التحكم في تدفق المعلومات

تُعدّ الشبكات العصبية الرسومية (GNNs) نماذج تعلم عميق شائعة الاستخدام، مصممة لمعالجة البيانات ذات البنية الرسومية من خلال عمليات تجميع الجيران المتكررة ضمن عملية تمرير الرسائل. عند تطبيقها على تصنيف العقد شبه المُعلَّم، تُمكّن عملية تمرير الرسائل الشبكات العصبية الرسومية من فهم التفاعلات المكانية القصيرة المدى، لكنها تؤدي أيضًا إلى مشكلتي التماسك الزائد (over-smoothing) والانضغاط الزائد (over-squashing). تُعَرِّض هذه التحديات تعبير النموذج وتمنع استخدام النماذج الأعمق لالتقاط التفاعلات الطويلة المدى بين العقد (LRIs) داخل الرسم البياني. تُعدّ الحلول الشائعة للكشف عن التفاعلات الطويلة المدى إeither باهظة التكلفة في معالجة الرسوم الكبيرة بسبب التعقيد الزمني العالي، أو فاشلة في التعميم عبر أنواع متنوعة من الهياكل الرسومية. وللتغلب على هذه القيود، نقترح آلية تُسمى \emph{تحكم تدفق المعلومات}، التي تعتمد على مقياس اتصال جديد يُدعى \emph{درجة تدفق المعلومات}، للتعامل مع مشكلتي التماسك الزائد والانضغاط الزائد بتكاليف حسابية خطية، مدعومة بدليل نظري. وأخيرًا، لتأكيد فعالية منهجيتنا، نصمم نموذج DeltaGNN، وهو أول نهج قابل للتوسع وقابِل للتعميم للكشف عن التفاعلات الطويلة المدى والقصيرة المدى. وقد قمنا بتجريب نموذجنا على 10 مجموعات بيانات واقعية، تشمل رسومًا بيانية بحجم وتركيب وكثافة ونسب ترابط متميزة، وأظهرت الأداء المتفوق مع تعقيد حسابي محدود. وتم إتاحة تنفيذ الأساليب المقترحة بشكل عام عبر الرابط: https://github.com/basiralab/DeltaGNN.