لیکوالان:  (1) Junwei Su، د کمپیوټر ساینس څانګه، د هانګ کانګ پوهنتون او jwsu@cs.hku.hk؛  (2) چوان وو، د کمپیوټر ساینس څانګه، د هانګ کانګ پوهنتون او cwu@cs.hku.hk.  د لینکونو جدول   لنډیز او 1 پیژندنه   2 اړونده کار   3 چوکاټ   4 اصلي پایلې   5 د لنډې لارې واټن په اړه د قضیې مطالعه   6 پایله او بحث، او حوالې   7 د تیورم ثبوت 1   8 د تیورم ثبوت 2   9 د Eq د حل کولو طرزالعمل. (۶)   10 اضافي تجربې توضیحات او پایلې   11 نور احتمالي غوښتنلیکونه  خلاصون  د کمپیوټر لید او د ماشین زده کړې ډیری ستونزې په ګرافونو کې د زده کړې دندو په توګه ماډل شوي، چیرې چې د ګراف عصبي شبکې (GNNs) د ګراف جوړښت شوي ډیټا نمایندګۍ زده کړې لپاره د یوې مهمې وسیلې په توګه راپورته شوي. د GNNs یوه مهمه ځانګړنه د ګراف جوړښتونو څخه د انپټ په توګه کارول دي، دوی ته دا توان ورکوي چې د ګرافونو د موروثي ټوپولوژیکي ملکیتونو څخه ګټه پورته کړي — چې د GNNs د ټوپولوژي پوهاوي په نوم پیژندل کیږي. د GNNs تجربوي بریالیتوبونو سره سره، د عمومي کولو فعالیت باندې د ټوپولوژي پوهاوي اغیزه نا معلومه پاتې ده، په ځانګړې توګه د نوډ کچې دندو لپاره چې د معلوماتو خپلواکه او په ورته ډول ویشل شوي (IID) له انګیرنې څخه توپیر لري. د GNNs د ټوپولوژی پوهاوی دقیق تعریف او ځانګړتیا، په ځانګړې توګه د مختلفو توپولوژیکي ځانګړتیاوو په اړه، لاهم روښانه نده. دا مقاله یو هراړخیز چوکاټ معرفي کوي ترڅو د GNNs د ټاپولوژیکي پوهاوي ځانګړتیا په هر ډول ټوپولوژیکي ځانګړتیاو کې مشخص کړي. د دې چوکاټ په کارولو سره، موږ د GNN عمومي کولو فعالیت باندې د ټوپولوژي پوهاوي اغیزې څیړو. د موجوده باور برعکس چې د GNNs د ټوپولوژي پوهاوی لوړول تل ګټور دي، زموږ تحلیل یو مهم بصیرت څرګندوي: د GNNs د ټوپولوژي پوهاوی ښه کول ممکن په ناببره توګه په جوړښتي ډلو کې د غیر عادلانه عمومي کولو لامل شي، کوم چې ممکن په ځینو سناریوګانو کې مطلوب نه وي. برسیره پردې، موږ د داخلي ګراف میټریک په کارولو سره د قضیې مطالعه ترسره کوو، د لنډې لارې فاصله، په مختلفو بنچمارک ډیټاسیټونو کې. د دې قضیې مطالعې تجربې پایلې زموږ نظري بصیرت تاییدوي. سربیره پردې، موږ د ګراف فعال زده کړې کې د سړې پیل ستونزې سره د مبارزې لپاره د دې په کارولو سره د خپل چوکاټ عملي تطبیق ښیې.  ۱. پېژندنه  د کمپیوټر لید او ماشین زده کړې کې ډیری ستونزې په ګرافونو کې د زده کړې دندو په توګه ماډل شوي. د مثال په توګه، په سیمانټیک برخو کې، ګرافونه د مختلف انځور سیمو ترمنځ اړیکې نمونې کوي، دقت لوړول او د شرایطو پوهه قطع کول. د ګراف عصبي شبکې (GNNs) د ماشین زده کړې ماډلونو د غالب ټولګي په توګه راپورته شوي چې په ځانګړي توګه د ګراف جوړښت شوي ډیټا نمایندګۍ زده کړې لپاره ډیزاین شوي. دوی په مختلفو ډومینونو لکه کیمیا [10]، بیولوژي [37]، ټولنیز شبکې [6, 22]، د صحنې ګراف تولید [46, 51] او د لید اړیکو کشف کې د ګراف پورې اړوند ستونزو پراخه لړۍ په نښه کولو کې د پام وړ بریالیتوب ښودلی دی. [24,43,49]. د GNNs یوه مشخصه ځانګړتیا دا ده چې د ګراف جوړښت ته د پیغام لیږد له لارې د فیچر راټولولو لپاره د ځایي چلند کارول دي. دا GNNs ته دا وړتیا ورکوي چې ساختماني معلومات یا انحصار (د ټوپولوژي پوهاوي په نوم یادیږي) د اصلي ګراف جوړښت څخه خوندي کړي، دوی ته اجازه ورکوي چې د نوډ طبقه بندي په څیر کارونو کې خورا اغیزمن وي. انځور 1 د GNNs د زده کړې ټولیز بهیر روښانه کوي.  د دوی د عملي کیدو او امکاناتو سره سره، د GNNs په اړه د نظري پوهې نشتوالی پاتې دی، په ځانګړې توګه د نیمه نظارت شوي نوډ طبقه بندي ترتیب کې چیرې چې د معلوماتو تر مینځ انحصار د ماشین زده کړې نورو ماډلونو څخه د پام وړ توپیر لري [25]. په دې ترتیب کې، هدف د اړیکو ګټه اخیستل دي، لکه څنګه چې د ګراف جوړښت لخوا نیول شوي، د معلوماتو او لیبل شوي نوډونو یو کوچنی سیټ تر منځ د پاتې نوډونو لپاره د لیبلونو وړاندوینه کول. د GNNs ډیری موجوده تیوریکي مطالعاتو د GNNs د پیغام لیږد میکانیزم او Weisfeiler-Lehman isomorphism test [19] تر مینځ اړیکې باندې تمرکز کړی ، چې هدف یې د GNNs وړتیا باندې پوهیدل دي چې په زده شوي نمایندګیو کې د مختلف ګراف جوړښتونو توپیر کولو لپاره پیژندل شوي. د GNNs د څرګند ځواک په توګه. د څرګندولو مطالعاتو څخه الهام اخیستل، دا عموما په دې باور دي چې د ټوپولوژي پوهاوی زیاتوالی په نړیواله کچه ګټور دی او ډیری مطالعې د GNNs وړ کولو باندې تمرکز کوي ترڅو په زده شوي نمایش کې نور ساختماني ملکیتونه وساتي [29, 33, 48].  په هرصورت، لکه څنګه چې GNNs د ان پټ په توګه د ګراف جوړښت په اړه ډیر تکیه کوي او حساس (خبرتیا) لري، دوی ممکن د ډیټا دننه د ځانګړو ساختماني فرعي ګروپونو په وړاندې د عمومي کولو مختلف فعالیتونه نندارې ته وړاندې کړي (د ډیټا ځانګړي فرعي سیټونه چې د روزنې سیټ سره د ساختماني ورته والی لخوا ګروپ شوي). په جلا جوړښتي فرعي ګروپونو کې د GNN عمومي کولو اندازه کول د ساختماني فرعي ګروپ عمومي کولو په نوم یادیږي [25]. دا ډول نظرونه د GNN غوښتنلیک او پراختیا کې حیاتي دي. د مثال په توګه، د پروټین - پروټین متقابل عمل شبکې کې، دا ساختماني فرعي ګروپونه کولی شي د مختلف مالیکولر پیچلتیا استازیتوب وکړي، د تعامل وړاندوینې دقت اغیزه کوي. په ورته ډول، پوهیدل چې څنګه د GNNs د ټوپولوژي پوهاوی په عمومي کولو اغیزه کوي کله چې د روزنې لپاره د نمونې کولو ستراتیژیو طرح کول اړین دي. تر کومه حده چې د GNNs عمومي کولو فعالیت د ګراف ډیټا ځانګړي جوړښتي ځانګړتیاو لخوا اغیزمن کیږي د روزنې ډیټاسیټونو جوړښت پریکړه کولو کې خورا مهم دی. د دې اهمیت سره سره، د GNNs او د دې ساختماني فرعي ګروپ عمومي کولو لپاره د ټوپولوژي پوهاوي ترمنځ د اړیکو پوهه لاهم شتون نلري. برسېره پردې، د GNNs د ټوپولوژي پوهاوی ځانګړتیا یوه ننګونه ده، په ځانګړې توګه د دې په پام کې نیولو سره چې مختلف ډومینونه او دندې ممکن جلا جوړښتي اړخونو ته لومړیتوب ورکړي. له همدې امله، د مختلفو جوړښتونو په اړه د GNNs د ټوپولوژي پوهاوي ارزولو لپاره یو څو اړخیز چوکاټ ته اړتیا ده.  د دې تشې د حل کولو لپاره، په دې مقاله کې، موږ د نیمه څارل شوي نوډ طبقه بندي کولو په شرایطو کې د ساختماني فرعي ګروپ عمومي کولو او د GNNs د ټوپولوژي پوهاوي ترمنځ د اړیکو مطالعې لپاره د نږدې میټریک ایمبیډینګ پر بنسټ یو نوی چوکاټ وړاندیز کوو. وړاندیز شوی چوکاټ د مختلفو ساختماني فرعي ګروپونو په اړه د GNNs ساختماني فرعي ګروپ عمومي کولو تحقیق ته اجازه ورکوي. په دقیق ډول، د دې کار اصلي ونډې په لاندې ډول لنډیز شوي.  1. موږ د GNNs ساختماني فرعي ګروپ عمومي کولو او د ټوپولوژي پوهاوي تر مینځ د متقابل عمل معاینه کولو لپاره د نږدې میټریک ایمبیډینګ په کارولو سره یو ناول ، جوړښت - اګنوسټیک چوکاټ وړاندیز کوو. دا چوکاټ هر اړخیز دی، مختلف ساختماني اقدامات لکه د لنډې لارې فاصله ځای په ځای کوي، او یوازې ورته ساختماني اندازې ته اړتیا لري. د کلیدي فکتورونو اټکل کولو کې د هغې سادگي دا په پراخه کچه سناریوګانو کې د تطبیق وړ او عمومي کولو وړ ګرځوي.   2. زموږ په چوکاټ کې د رسمي تحلیل له لارې، موږ د GNN ټوپولوژي پوهاوی او د دوی د عمومي کولو فعالیت (Theorem 1) ترمنځ روښانه اړیکه رامینځته کوو. موږ دا هم په ډاګه کوو چې په داسې حال کې چې د ټوپولوژي پوهاوی لوړول د GNN اظهار ته وده ورکوي، دا کولی شي د غیر مساوي عمومي کولو فعالیت پایله ولري، د فرعي ګروپونو سره د روزنې سیټ ته ورته جوړښت سره ورته وي (تیوریم 2). دا ډول ساختماني ملکیت ممکن زیانمن وي (د نا انصافۍ مسلې رامینځته کوي) یا ګټور (د ډیزاین پریکړو خبرتیا) د سناریو پورې اړه لري. دا موجوده باور ننګوي چې د ټوپولوژي پوهاوی زیاتوالی په نړیواله کچه GNNs ته ګټه رسوي [29, 33, 48]، د ټوپولوژي پوهاوي او عمومي کولو فعالیت تر مینځ د اړیکو په پام کې نیولو باندې ټینګار کوي.  3. موږ د لنډې لارې په فاصله کې د قضیې مطالعې له لارې خپل چوکاټ تایید کوو، د دې عمليیت او تړاو په ګوته کوي. پایلې زموږ نظري موندنې تاییدوي، دا ښیي چې GNNs د لنډې لارې واټن په اړه د لوړ پوهاوي سره د روزنې سیټ ته نږدې د عمودی ګروپونو طبقه بندي کولو کې غوره دي. برسېره پردې، موږ وښایه چې څنګه زموږ موندنې د ګراف فعال زده کړې [11,15] کې د سړې پیل ستونزې کمولو لپاره پلي کیدی شي، زموږ د چوکاټ او پایلو عملي اغیزې روښانه کوي.  دا پاڼه د CC BY 4.0 DEED جواز لاندې   . په آرکسیو کې شتون لري

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Computational.TECH

Computational catalyzes innovation, fueling sustainable breakthroughs for a brighter future.

computational's blog

دا غږ د کیسې په اصلي ژبه تولید شوی!

په ګراف عصبي شبکو کې د توپولوژي پوهاوی پوهیدل: په عمومي کولو او جوړښت باندې اغیزې

About Author

تبصرې

hang tags

دا مقاله په کې وړاندې شوې وه

Related Stories

Goodtalent is the Startup of the Year in Lagos, Nigeria

Thrilled to be Recognized as 'HackerNoon Contributor of the Year - WORK'

Can You Set A Billboard on Fire For Marketing Points?

Autonomous APIs are the Future - Interview with Jean Machuca, Founder, QCObjects

Goodtalent is the Startup of the Year in Lagos, Nigeria

Thrilled to be Recognized as 'HackerNoon Contributor of the Year - WORK'

Can You Set A Billboard on Fire For Marketing Points?

Autonomous APIs are the Future - Interview with Jean Machuca, Founder, QCObjects

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps