HyperAIHyperAI
منذ 15 أيام

التعلم غير المراقب لتمثيل الرسوم البيانية مع التمثيل السطحي التوليدي للعقد

{Gábor Szűcs, Richárd Kiss}
الملخص

شهدت علوم الشبكات نموًا ملحوظًا في الشعبيّة، مدفوعة بالقوة التحوّلية لتعلم تمثيل العقد (node representation learning) في تطبيقات متنوعة مثل تحليل الشبكات الاجتماعية ونمذجة الأنظمة البيولوجية. وعلى الرغم من أن خوارزميات التمثيل السطحي (shallow embedding algorithms) تُظهر كفاءة عالية في التقاط البنية الشبكية، إلا أنها تواجه قيدًا جوهريًا: عدم قدرتها على التعميم على العقد غير المرئية (unseen nodes). ويُعالج هذا التحدي في هذه الورقة من خلال تقديم تمثيل عقد سطحي تعميمي (Inductive Shallow Node Embedding) كمُساهمة رئيسية، حيث يُمثّل نهجًا جديدًا يمتدّ من التمثيلات السطحية إلى مجال التعلّم التعميمي. ويتميز النموذج ببنية مشفرة (encoder architecture) مبتكرة تُلتقط البنية الهيكلية للجيران المحليين لكل عقدة، مما يُمكّن من التعميم الفعّال على العقد غير المرئية. ويُعدّ التماسك (robustness) أمرًا بالغ الأهمية في عملية التعميم، لتفادي التدهور في الأداء الناتج عن الضوضاء في مجموعة البيانات. وقد تم إثبات نظريًا أن التباين (covariance) لعبارة الضوضاء الجَمعية (additive noise term) في النموذج المقترح عكسي التناسب مع عدد جيران العقدة (cardinality of a node’s neighbors). كما تُعدّ مساهمة أخرى هي تقديم حدّ أدنى رياضي لقياس مدى مقاومة تمثيلات العقد، مما يؤكد ميزة النموذج مقارنة بالأساليب التقليدية للتمثيل السطحي، وبخاصة في ظل وجود ضوضاء في المعاملات (parameter noise). ويُظهر النموذج المقترح تفوقًا واضحًا في الشبكات الديناميكية، حيث يحقق باستمرار أداءً يفوق 90% على العقد غير المرئية مقارنةً بالعقد التي واجهتها أثناء التدريب، على مختلف المعايير (benchmarks). وتُخلص التقييمات التجريبية إلى أن طريقة المقترحة تتفوّق على الطرق المنافسة في معظم المجموعات البيانات، سواء في المهام التماثلية (transductive) أو التعميمية (inductive).

التعلم غير المراقب لتمثيل الرسوم البيانية مع التمثيل السطحي التوليدي للعقد | أحدث الأوراق البحثية | HyperAI