HGNN+: الشبكات العصبية العامة للهايبرغراف

لقد جذبت الشبكات العصبية الرسومية اهتمامًا متزايدًا في السنوات الأخيرة. ومع ذلك، يتم نشر الأطر الحالية للشبكات العصبية الرسومية بناءً على الرسوم البيانية البسيطة، مما يحد من تطبيقاتها في التعامل مع الارتباطات المعقدة للبيانات متعددة الأنماط/الأنواع في الممارسة العملية. تم اقتراح بعض الطرق المعتمدة على الهايبرغراف مؤخرًا لمعالجة مشكلة ارتباط بيانات متعددة الأنماط/الأنواع عن طريق ربط الهايبرغرافات التي تم إنشاؤها من كل نمط/نوع فردي، وهو ما يجعل من الصعب تعلم وزن تكيفي لكل نمط/نوع. في هذه الورقة، قمنا بتوسيع النسخة الأصلية من المؤتمر HGNN، وقدمنا إطارًا عامًا لنمذجة ارتباط البيانات متعددة الأنماط/الأنواع يسمى HGNN + لتعلم تمثيل مثالي في إطار هايبرغراف واحد. يتم تحقيق ذلك من خلال ربط البيانات متعددة الأنماط/الأنواع والهايبر إدج مع مجموعات الهيبر إدج. على وجه الخصوص، في طريقتنا، تتم أولاً إنشاء مجموعات الهايبر إدج لتمثيل الارتباطات العالية المرتبطة في كل نمط/نوع محدد بهياكل رسومية صريحة أو ضمنية. ثم تُستخدم استراتيجية دمج مجموعات الهايبر إدج التكيفية لدمج الارتباطات من أنماط/أنواع مختلفة بشكل فعال في هايبرغراف موحد. بعد ذلك، يتم استخدام مخطط تلافيف هايبرغراف جديد تم تنفيذه في المجال المكاني لتعلم تمثيل بيانات عام لمختلف المهام. لقد قمنا بتقييم هذا الإطار على عدة مجموعات بيانات شائعة وقارناه بأحدث الطرق المتطورة. تشير التقييمات الشاملة إلى أن إطار HGNN + المقترح يمكن أن يتفوق باستمرار على الطرق الحالية بهامش كبير، خاصة عند نمذجة الارتباطات الضمنية للبيانات. كما أننا أطلقنا مجموعة أدوات تُدعى THU-DeepHypergraph للإطار المقترح، والتي يمكن استخدامها لتطبيقات متنوعة، مثل تصنيف البيانات، والاسترجاع، والتوصية.