تفسير وتوحيد الشبكات العصبية الرسومية من خلال إطار تحسين

لقد حصلت الشبكات العصبية الرسومية (GNNs) على اهتمام كبير في تعلم البيانات الهيكلية الرسومية لمجموعة واسعة من المهام. آلية الانتشار المصممة بشكل جيد والتي تم إثبات فعاليتها هي الجزء الأكثر أساسية في GNNs. على الرغم من أن معظم GNNs تتبع أساسًا طريقة تمرير الرسائل، فقد بذلت جهود قليلة لاكتشاف وتحليل علاقاتها الأساسية. في هذه الورقة، نقيم صلة مفاجئة بين آليات انتشار مختلفة مع مشكلة تحسين موحدة، موضحة أنه على الرغم من انتشار GNNs المختلفة، فإن آليات الانتشار المقترحة لها في الواقع تمثل الحل الأمثل الذي يعمل على تحسين وظيفة مطابقة الميزات عبر مجموعة واسعة من نوى الرسوم البيانية مع مصطلح تنظيم الرسوم البيانية. يوفر إطار تحسين موحد الذي نقترحه، والذي يلخص القواسم المشتركة بين العديد من GNNs الأكثر تمثيلًا، ليس فقط نظرة ماكروسكوبية على دراسة العلاقات بين GNNs المختلفة، ولكن يفتح أيضًا فرصًا جديدة لتصميم GNNs جديدة بشكل مرن. من خلال الإطار المقترح، نكتشف أن الأعمال الحالية عادة ما تستخدم نوى التفاف الرسوم البيانية البدائية لوظيفة مطابقة الميزات، ونطور كذلك وظيفتين هدفين جديدتين تأخذان في الاعتبار نوى رسومية قابلة للتعديل تُظهر قدرات تصفية منخفضة العبور أو عالية العبور على التوالي. علاوة على ذلك، نقدم أدلة التقارب ومقارنات القدرة التعبيرية للنماذج المقترحة. تظهر التجارب المكثفة على مجموعات البيانات المرجعية بوضوح أن GNNs المقترحة لا تتفوق فقط على طرق الأفضل في فئتها ولكن أيضًا تمتلك قدرة جيدة على تخفيف فرط التنعيم، وتؤكد أكثر على جدوى تصميم GNNs من خلال إطار تحسيننا الموحد.