مرور نظام مند اثرات معماری های شبکه های کانولوشنال گرافی بر کارایی و تعمیم پذیری مدل های هوش مصنوعی؛ چالش ها و رویکردها

شبکه های کانولوشنال گرافی (GCN) در سال های اخیر به یکی از ستون های اصلی یادگیری عمیق برای داده های غیر اقلیدسی تبدیل شده اند؛ با این حال انتخاب معماری (طیفی-فضایی)، عمق، شیوه تجمیع همسایگی و مکانیزم های توجه و نرمال سازی می تواند هم زمان روی دقت، هزینه محاسباتی و قابلیت تعمیم در سناریوهای واقعی اثر مستقیم بگذارد. با وجود رشد سریع، ادبیات هنوز جمع بندی منسجمی که رابطه گزینه های معماری را با کارایی (دقت، زمان، حافظه) و مقیاس پذیری و تعمیم پذیری پایداری در برابر نویز، تغییر توزیع و گراف های ناهمگن هتروفیلیک به صورت ساختارمند تحلیل کند کمتر دیده می شود. در این پژوهش مرور نظام مند ادبیات با رویکرد PRISMA انجام شد. در بازه ژانویه ۲۰۲۴ تا ژانویه ۲۰۲۶ جست وجو در پایگاه های ACM Digital Library، IEEE Xplore، Scopus، Springer ScienceDirect و Google Scholar انجام شد. در مجموع ۳۱۲ رکورد بازیابی شد و پس از حذف موارد تکراری و غربالگری عنوان، چکیده و متن کامل ۳۹ مطالعه برای استخراج داده ها و کدگذاری موضوعی انتخاب شد. یافته ها نشان داد که معماری های دارای اتصالات میانبر پسماندی، نرمال سازی های گرافی و راهبردهای جلوگیری از over-smoothing مانند انتشار شخصی سازی شده و deeper-but-stable GCN بیشترین اثر را بر بهبود تعمیم در عمق های بالا دارند؛ در حالی که برای داده های بزرگ و تنک، روش های نمونه برداری همسایگی و تجمیع القایی مانند GraphSAGE و مکانیزم های attention کم هزینه توازن بهتری بین دقت و مقیاس پذیری ایجاد می کنند. نتیجه اصلی این مرور آن است که بهینه سازی هم زمان کارایی و تعمیم پذیری نیازمند طراحی چندهدفه شامل کنترل عمق و انتشار، مدیریت توپولوژی، وزن دهی یال ها و regularizationهای سازگار با گراف است.

کلیدواژه ها:

شبکه کانولوشنال ، گرافی ، معماری GCN ، کارایی ، تعمیم پذیری ، مرور نظام مند