الشبكة العصبية الرسومية المعززة بالمسافة للتنبؤ بالروابط

تنبؤ الارتباط، وهو توقع وجود ارتباط/حافة بين رأسين في رسم بياني، يُعد مشكلة كلاسيكية في التعلم الآلي. بشكل مُباشر، إذا استغرق المشي من الرأس ( u ) إلى الرأس ( v ) عبر الحواف الموجودة وقتًا طويلاً، فمن غير المرجح أن يوجد ارتباط بينهما، والعكس صحيح. وهذا يُحفّزنا على دمج معلومات المسافة بشكل صريح مع الشبكات العصبية الرسومية (GNNs) لتحسين أداء تنبؤ الارتباط. ومع ذلك، فإن حساب المسافات بين أي زوج من الرؤوس (مثل أقصر مسار، أو القيمة المتوقعة للسير العشوائي) أثناء التدريب يكون مكلفًا من حيث الوقت. لتجاوز هذه الصعوبة، نقترح استخدام مفهوم "المسافة القائمة على الأركان": أولاً، نختار عشوائيًا ( K ) رؤوسًا مرجعية (anchors) من الرسم البياني، ثم نحسب أقصر مسافات جميع الرؤوس في الرسم البياني إلى هذه الرؤوس المرجعية. وتُقدّر المسافة بين الرأسين ( u ) و( v ) على أنها المتوسط الحسابي لمسافتيهما إلى هذه الرؤوس المرجعية الـ ( K ). بعد ذلك، نُدخل هذه القيم المُقدّرة للمسافة إلى وحدة الشبكة العصبية الرسومية (GNN). تُحقّق هذه الطريقة تحسينًا كبيرًا في أداء تنبؤ الارتباط مع إضافة عدد قليل جدًا من المعاملات. وتمكّنا من تحقيق أفضل نتائج حالية (state-of-the-art) في مهام تفاعل الأدوية (DDI) وارتباط البروتينات (PPA) ضمن مجموعة بيانات OGB (Hu et al., 2020). يُمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/lbn187/DLGNN.