هيكلية تعلم عميق من النهاية إلى النهاية للتصنيف الرسومي

عادةً ما تُصمم الشبكات العصبية لمعالجة البيانات على شكل تماثيل (tensors). في هذا البحث، نقترح معمارية جديدة للشبكة العصبية تقبل الرسوم البيانية ذات الهياكل العشوائية. معطى مجموعة بيانات تحتوي على رسوم بيانية على الشكل (G, y)، حيث يمثل G الرسم البياني وy فئة هذا الرسم، فإن هدفنا هو تطوير شبكات عصبية قادرة على قراءة الرسوم البيانية مباشرةً وتعلُّم دالة تصنيف. هناك تحديان رئيسيان: الأول، كيفية استخراج ميزات مفيدة تمثل المعلومات الغنية المُشَكَّلة داخل الرسم البياني من أجل الغرض التصنيفي؛ والثاني، كيفية قراءة الرسم البياني تسلسليًا بترتيب معنوي وثابت. ولحل التحدي الأول، صممنا نموذج تباين رسومي محلي وبيّنا ارتباطه بخوارزميتي نوى رسومية (graph kernels). أما لحل التحدي الثاني، فقد صممنا طبقة جديدة تُسمى SortPooling، تُرتب رؤوس الرسم البياني بترتيب ثابت، مما يسمح باستخدام الشبكات العصبية التقليدية في التدريب على الرسوم البيانية. وقد أظهرت التجارب على مجموعات بيانات معيارية لتصنيف الرسوم البيانية أداءً متميزًا للغاية، يوازي أو يتفوق على أداء الخوارزميات الرائدة في مجال نوى الرسوميات وأساليب الشبكات العصبية للرسوم البيانية. علاوةً على ذلك، تتيح هذه المعمارية التدريب عبر التدرجات بشكل مباشر على الرسوم البيانية الأصلية، دون الحاجة إلى تحويل الرسوم البيانية مسبقًا إلى متجهات.