حققت الشبكات العصبية الرسومية (GNNs) نجاحًا كبيرًا في تعلم الآلة، مع تطبيقات واسعة في الشبكات الاجتماعية، المعلوماتية الحيوية، الرسوم البيانية المعرفية، وحقول أخرى. تفترض معظم الأبحاث بيئات مغلقة مثالية. ومع ذلك، تواجه نماذج تعلم الرسوم البيانية تحديات في المتانة والموثوقية في بيئات مفتوحة حقيقية بسبب الفئات غير المرئية. وهذا يبرز الحاجة إلى طرق الاعتراف بمجموعة مفتوحة من الرسوم البيانية (GOSR) لمعالجة هذه القضايا وضمان تطبيق فعال لشبكات GNN في السيناريوهات العملية. أبحاث GOSR في مراحلها الأولى، مع نقص في معيار شامل يغطي مهام ومجموعات بيانات متنوعة لتقييم الأساليب. علاوة على ذلك، تطورت الطرق التقليدية، مثل الكشف عن الرسوم البيانية خارج التوزيع (GOODD)، GOSR، وكشف الشذوذ في الرسوم البيانية (GAD) إلى حد كبير بشكل معزول، مع استكشاف ضئيل لروابطها المحتملة أو تطبيقاتها على GOSR. لملء هذه الفجوات، نقدم G-OSR، معيارًا شاملًا لتقييم طرق GOSR على مستوى العقد والرسوم البيانية، باستخدام مجموعات بيانات من مجالات متعددة لضمان مقارنات عادلة ومعيارية للفعالية والكفاءة عبر الأساليب التقليدية، GOODD، GOSR، وGAD. توفر النتائج رؤى مهمة حول قابلية تعميم وحدود طرق GOSR الحالية وتقدم موارد قيمة لدفع البحث في هذا المجال من خلال التحليل المنهجي لمقاربة متنوعة.
درس دونغ وآخرون (السبت) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: