Key points are not available for this paper at this time.
تعتبر التهيئة من دون مصدر موضوعًا حاسمًا في تعلم الآلة، حيث تحتوي على تطبيقات عديدة في العالم الحقيقي، وخاصة فيما يتعلق بخصوصية البيانات. تركز الأساليب الموجودة بشكل أساسي على البيانات الإقليدية، مثل الصور والفيديوهات، بينما لا يزال استكشاف بيانات الرسم البياني غير الإقليدية نادرًا. يمكن أن تعاني الأساليب الحديثة لشبكات الرسوم البيانية العصبية (GNN) من انخفاض كبير في الأداء بسبب تحول المجال وقلة العلامات في سيناريوهات التهيئة بدون مصدر. في هذه الدراسة، نقترح طريقة جديدة تُسمى التوافق القائم على انتشار الرسم البياني باستخدام لعبة الجورمو (GALA)، مصممة خصيصًا للتهيئة في مجالات الرسم البياني بدون مصدر. لتحقيق توافق المجال، تستخدم GALA نموذج انتشار الرسم البياني لإعادة بناء الرسوم البيانية على نمط المصدر من بيانات الهدف. على وجه التحديد، يتم تدريب نموذج انتشار الرسم البياني القائم على درجة باستخدام رسومات المصدر لتعلم الأنماط التوليدية للمصدر. ثم نقدم اضطرابات إلى الرسوم البيانية المستهدفة عبر معادلة تفاضلية عشوائية بدلاً من أخذ عينات من سابقة، متبوعًا بالعملية العكسية لإعادة بناء الرسوم البيانية على نمط المصدر. نقوم بتغذية الرسوم البيانية على نمط المصدر إلى شبكة GNN جاهزة، ونقدم عتبات خاصة بالفئات مع التعلم التدريجي، والتي يمكن أن تولد تسميات زائفة دقيقة وغير متحيزة للرسوم البيانية المستهدفة. علاوة على ذلك، نقوم بتطوير استراتيجية بسيطة وفعالة لدمج الرسوم البيانية تُسمى خلط الرسم البياني لتجميع الرسوم البيانية الموثوقة وغير الموثوقة، مما يمكن أن يعزز قدرات التعميم والموثوقية عبر التعلم المتسق. تؤكد التجارب الواسعة على مجموعات البيانات القياسية فعالية GALA.
لو وآخرون (الثلاثاء) درسوا هذا السؤال.