GEMF: تعبیه گذاری گراف از طریق ادغام چند-جزئی

دگرنمایی گراف به عنوان یکی از تکنیک های محوری در تحلیل شبکه ها، نقش کلیدی در تبدیل ساختارهای پیچیده گرافی به بردارهای عددی به منظور استفاده در الگوریتم های یادگیری ماشین ایفا می کند. با وجود پیشرفت های اخیر، چالش هایی مانند مقیاس پذیری در گراف های بزرگ، حفظ دقت در گراف های ناهمگن و وابستگی به داده های برچسب دار همچنان محدودیت هاییایجاد کرده اند. این پژوهش چارچوب نوآورانه ای به نام GEMF معرفی می کند که با ادغام نمونه برداری تطبیقی ، یادگیری خودنظارتی ، پیام رسانی مبتنی بر توجه و بهینه سازی بیزین ، این چالش ها را برطرف می سازد. این چارچوب با تنظیم پویای تعداد قدم زنی ها بر اساس اهمیت گره ها، کارایی محاسباتی را نیز بهبود می بخشد و از یادگیری خودنظارتی برای تولید دگرنمایی های دقیق در شرایط کمبود داده بهره می گیرد. مکانیزم توجه روابط پیچیده گراف را مدل سازی می کند و بهینه سازی بیزین فرآیند تنظیم پارامترها را خودکار می سازد. آزمایش ها روی مجموعه داده های استاندارد نشان دهنده برتری GEMF نسبت به روش های جدید و پیشگامی مانند GCNII، APPNP، GAT، GCN و GraphSAGE در اعمالی مانند طبقه بندی گره، پیش بینی یال و مقیاس پذیری است، به ویژه در گراف های ناهمگن، که همراه با کاهش قابل توجه زمان محاسبات است.

کلیدواژه ها:

دگرنمایی گراف ، نمونه برداری تطبیقی ، یادگیری خودنظارتی ، پیام رسانی مبتنی بر توجه ، بهینه سازی بیزین ، گراف ناهمگن