تعزيز التعلم التبايني على الرسوم البيانية من خلال تشابه العقد

أثبتت الشبكات العصبية الرسومية (GNN) نجاحها في المهام المتعلقة بالرسوم البيانية. ومع ذلك، تتطلب العديد من طرق GNN بيانات مصنفة، وهو ما يصعب الحصول عليه. لمواجهة ذلك، لاقت تعلم التباين الرسومي (GCL) اهتمامًا. يتعلم GCL من خلال مقارنة العقد المشابهة (الإيجابية) والعقد غير المشابهة (السلبية). يمكن أن تكون طرق GCL الحالية، التي تستخدم زيادة البيانات للعينات الإيجابية والاختيار العشوائي للعينات السلبية، تحت المستوى الأمثل بسبب محدودية العينات الإيجابية وإمكانية وجود عينات سلبية خاطئة. في هذه الدراسة، نقترح هدفًا مُحسنًا يعالج هذه القضايا. نقدم أولاً هدفًا مثاليًا مع جميع العينات الإيجابية وعدم وجود عينات سلبية خاطئة، ثم نقوم بتحويله probabilistically بناءً على توزيعات العينة. بعد ذلك، نقوم بنمذجة هذه التوزيعات باستخدام تشابه العقد ونشتق هدفًا مُحسنًا. أظهرت التجارب الشاملة فعالية الهدف المُقترح المُحسن لمجموعة واسعة من نماذج GCL.