یادگیری بازنمایی گراف مبتنی بر ترکیب اطلاعات محلی و هویت ساختاری تصادفی

شبکه های عصبی گرافی ابزار موثری برای یادگیری از داده های ساختاریافته هستند، اما بسیاری از آن ها در گراف های ناهمگن با محدودیت مواجه می شوند. یکی از دلایل این مسئله، تمرکز غالب مدل ها بر همسایگی مستقیم و نادیده گرفتن الگوهای ساختاری فرامحلی است. در این پژوهش، چارچوبی برای ترکیب اطلاعات محلی گراف با هویت ساختاری گره ها ارائه می شود که بر پایه نمونه برداری تصادفی از توپولوژی شبکه شکل گرفته است. به منظور استخراج نقش های ساختاری، از گشت های تصادفی کنترل شده استفاده شده و شباهت میان گره ها بر اساس توالی درجات آن ها سنجیده می شود. سپس، اطلاعات ساختاری و محلی در قالب یک معماری دوکاناله به صورت تطبیقی ادغام می گردند. نتایج تجربی نشان می دهد که این تلفیق، توان مدل را در شناسایی الگوهای پیچیده و حفظ پایداری در شرایط ناهمگن افزایش می دهد. یافته ها بیانگر آن است که استفاده از نمونه برداری تصادفی، انعطاف پذیری مدل را در مواجهه با نویزهای ساختاری و کمبود ویژگی های گره به طور معناداری بهبود می بخشد.

کلیدواژه ها:

شبکه های عصبی گرافی ، هویت ساختاری ، گشت تصادفی ، گراف ناهمگن ، یادگیری بازنمایی