ميكسيب لتصنيف العقد والرسوم البيانية

يُعدّ ميكسأب (Mixup) طريقة متقدمة لتعزيز البيانات في تدريب فئّات الصور المستندة إلى الشبكات العصبية، حيث يتم تداخل الخصائص والتصنيفات لزوج من الصور لإنتاج عينات اصطناعية. ومع ذلك، فإن تصميم طرق ميكسأب للتعلم الرسومي يُعدّ تحديًا كبيرًا نظرًا لعدم انتظام البنية التحتية للرسوم البيانية واتصالها. في هذا العمل، نقترح طرق ميكسأب لمهام أساسية في التعلم الرسومي: تصنيف العقد (node classification) وتصنيف الرسوم البيانية (graph classification). ولتداخل البنية التحتية غير المنتظمة للرسوم البيانية، نُقدّم عملية ت convolution رسومية ثنائية الفرع (two-branch graph convolution) لدمج فرعيات مجال الاستقبال (receptive field subgraphs) للعقد المزدوجة. وقد يؤدي تطبيق ميكسأب على أزواج مختلفة من العقد إلى تداخل في الخصائص المختلطة بسبب الاتصال بين العقد. ولمنع هذا التداخل، نُقدّم إطار عمل ميكسأب ثنائي المراحل (two-stage Mixup framework)، والذي يستخدم تمثيلات الجيران لكل عقدة قبل عملية ميكسأب في عمليات التحويل الرسومي. بالنسبة لتصنيف الرسوم البيانية، نقوم بتفعيل التداخل بين رسومات معقدة ومتنوعة في الفضاء الدلالي (semantic space). من الناحية النوعية، تُمكّن طرق ميكسأب الشبكات العصبية الرسومية (GNNs) من تعلّم خصائص أكثر تمييزًا وتقليل التفوق (over-fitting). وتشير النتائج الكمية إلى أن طريقة التصميم تحقق تحسينات ثابتة في دقة الاختبار ومقاييس F1-micro على مجموعات البيانات القياسية، سواء في تصنيف العقد أو تصنيف الرسوم البيانية. بشكل عام، تُعدّ طريقة التصميم فعالة في تحسين التعميم للشبكات العصبية الرسومية الشائعة دون زيادة التعقيد الزمني لها.