Key points are not available for this paper at this time.
لقد أظهرت الشبكات العصبية الرسومية (GNN) فعاليتها في نمذجة البيانات ذات الهيكل الرسومي لحل مهام مثل تصنيف العقد، توقع الروابط وتصنيف الرسوم البيانية. لقد تحقق بعض التقدم الأخير في تعريف مفهوم التجميع في الرسوم البيانية حيث يحاول النموذج توليد تمثيل على مستوى الرسم البياني من خلال تقليل حجم البيانات وتلخيص المعلومات الموجودة في العقد. تفشل طرق التجميع الحالية إما في التقاط البنية الفرعية للرسوم البيانية بفعالية أو لا تتناسب بسهولة مع الرسوم البيانية الكبيرة. في هذا العمل، نقترح ASAP (التجميع المدرك للهياكل التكيفية)، وهي طريقة تجميع نادرة وقابلة للتفريق تتناول قيود البنى السابقة للتجميع في الرسوم البيانية. تستخدم ASAP شبكة انتباه ذاتي جديدة بالإضافة إلى صياغة معدلة من GNN لالتقاط أهمية كل عقدة في الرسم البياني المعطى. كما أنها تتعلم تخصيص مجموعات ناعمة نادرة للعقد في كل طبقة لتجميع الرسومات الفرعية بفعالية لتشكيل الرسم البياني المجمع. من خلال تجارب موسعة على مجموعات بيانات متعددة وتحليل نظري، نقوم بتحفيز اختيار مكونات ASAP. تظهر نتائجنا التجريبية أن الجمع بين هياكل GNN الحالية وASAP يؤدي إلى نتائج متقدمة في اختبارات تصنيف الرسوم البيانية المتعددة. تتيح ASAP تحسيناً متوسطاً بمقدار 4%، مقارنة بالطريقة الحالية النادرة الرائدة. نجعل كود المصدر الخاص بـ ASAP متاحًا لتشجيع البحث القابل للتكرار.
درس رنجان وزملاؤه (Fri،) هذا السؤال.