EXT_B_MAG-GNN: شبکه عصبی گرافی تقویت شده با یادگیری تقویتی توسط امتیاز بندی

برای بهبود توانایی شبکه های عصبی گرافی (GNN) در درک ساختار داده های گرافی، تلاش های زیادی صورت گرفته است که یکی از آنها استفاده از زیرگراف ها است. اما بررسی تمامی زیرگراف های ممکن به شدت زمان بر و تقریبا غیرممکن است. بنابراین، مسئله انتخاب کوچک ترین زیرمجموعه از زیرگراف ها (یا زیرگراف های متمایزکننده) تعریف شده است به گونه ای که این مجموعه بتواند کل گراف را به بهترین شکل نمایان کند. در این راستا، روش شبکه عصبی گراف مغناطیسی (MAG_GNN) بر پایه یادگیری تقویتی معرفی شده است که به شناسایی و تعیین زیرگراف های متمایزکننده می پردازد. در این مقاله، دو روش مبتنی بر ز پیشنهاد می شود. ابتدا، روش محدود شده B_MAG_GNN معرفی می گردد که با محدود کردن تعداد نودهای فعال در گراف، سعی در افزایش کارایی محاسباتی GNNها دارد. بدین ترتیب، پیچیدگی محاسباتی از حالت نمایی به ثابت کاهش می یابد بدون اینکه قدرت بیان مدل تحت تاثیر قرار گیرد. در ادامه، روش EXT_B_MAG-GNN پیشنهاد می شود که زیرگراف ها را به گونه ای تغییر می دهد تا زیرگراف های بهتری تولید شوند. نتایج آزمایش ها نشان می دهد که EXT_B_MAG-GNN می تواند با استفاده از تعداد کمتری زیرگراف، عملکردی مشابه نسبت به MAG_GNN داشته باشد. درحالیکه به طور موثری زمان اجرا را کاهش می دهد.