بهبود صحت طبقه بندی گره ها در شبکه های عصبی گراف با استفاده از PageRank به عنوان یک ویژگی اضافی برای گره ها

در این مقاله، راهکاری ساده و موثر برای بهبود عملکرد شبکه های عصبی گراف در مسئله طبقه بندی گره ها ارائه شده است. روش پیشنهادی شامل افزودن نمره PageRank به عنوان یک معیار جهانی مرکزیت به بردار ویژگی گره هاست تا اطلاعات زمینه ای فراتر از همسایگی محلی در مدل لحاظ شود. برای ارزیابی، سه معماری مشهور شبکه های عصبی گراف شامل شبکه های کانولوشنی گراف، شبکه های توجهی گراف و شبکه های نمونه گیری و تجمیع از روی گراف روی مجموعه داده های Cora، CiteSeer و PubMed آزمایش شده اند. عملکرد مدل ها با معیارهایی چون صحت، دقت، فراخوانی، نمره F۱ و تحلیل های بصری مبتنی بر روش هایی همچون روش تحلیل مولفه های اصلی، روش تعبیه همسایه های تصادفی با توزیع t و روش تقریب و تصویرسازی یکنواخت چند فرم بررسی شده است. نتایج تجربی نشان می دهند که گنجاندن PageRank باعث بهبود معنی دار در دقت طبقه بندی می شود، به ویژه در معماری شبکه های توجهی گراف که از اطلاعات جهانی بهره بیشتری می برد. این روش در عین سادگی، هزینه محاسباتی کمی دارد و عملکرد پایدار و قابل اعتمادی را در داده های مختلف ارائه می دهد. در نهایت، مقاله امکان گسترش این رویکرد با استفاده از سایر معیارهای مرکزیت و کاربرد آن در گراف های بزرگ یا ناهمگن را نیز مطرح می سازد.

کلیدواژه ها:

شبکه های عصبی گراف ، طبقه بندی گره ها ، نمره PageRank ، شبکه های کانولوشنی گراف ، شبکه های توجهی گراف ، شبکه های نمونه گیری و تجمیع از روی گراف