التعلم شبه المراقب في العالم المفتوح لتصنيف العقد

يعد التعلم شبه المراقب في العالم المفتوح (Open-world SSL) لتصنيف العقد، الذي يصنف العقد غير المعلَّمة إلى فئات مرئية أو فئات جديدة متعددة، مشكلة عملية ولكن لم يتم استكشافها كفاية في مجتمع الرسوم البيانية. نظرًا لأن الفئات المرئية فقط لديها تسميات بشرية، فإنها عادة ما تُتعلم بشكل أفضل من الفئات الجديدة، وبالتالي تظهر تباينات داخل الفئة أصغر ضمن فضاء التضمين (المعروفة باسم عدم التوازن في التباينات داخل الفئة بين الفئات المرئية والجديدة). استنادًا إلى التحليل التجريبي والنظري، نجد أن عدم توازن التباين يمكن أن يؤثر سلبًا على أداء النموذج. يمكن أن تخفف المُشفِّرات الخاصة بالميزات المدربة مسبقًا من هذه القضية عن طريق إنتاج تمثيلات مدمجة للفئات الجديدة. ومع ذلك، فقد ثبت أن إنشاء مشفرات مدربة مسبقًا عامة لمختلف أنواع بيانات الرسوم البيانية يمثل تحديًا. ولذلك، هناك حاجة إلى طريقة فعالة لا تعتمد على مشفرات الرسوم البيانية المدربة مسبقًا. في هذه الورقة، نقترح طريقة حساسة لعدم التوازن تُدعى OpenIMA لتصنيف العقد شبه المراقب في العالم المفتوح، والتي تدرب نموذج تصنيف العقد من الصفر عبر التعلم التبايني مع تسميات زائفة مخفضة التحيز. تظهر التجارب الشاملة على سبعة معايير شهيرة للرسوم البيانية فعالية OpenIMA، وقد تم إتاحة الكود المصدري على GitHub.