تعتبر الشبكات العصبية الرسومية (GNNs) واحدة من أبرز تقنيات الذكاء الاصطناعي التي حققت نجاحًا كبيرًا في تصنيف العقد. وفي محاولة لتوسيع نطاق هذه التقنيات، ظهرت الشبكات العصبية الرسومية المتغايرة (HGNNs) التي تهدف إلى دمج أنواع العلاقات وسمات العقد والحواف لاستغلال المعلومات المتغايرة بشكل أفضل. ومع ذلك، يظل فحص فعاليتها في تصنيف العقد موضوعًا قيد الدراسة.

تسعى هذه الدراسة الجديدة إلى تحليل الشبكات العصبية الرسومية المتغايرة من منظورين أساسيين: المعمارية والتعقيد والنماذج الأساسية. تم إجراء تدقيق شامل عبر 21 مجموعة بيانات و20 نموذج مقارنة، مصحوبًا بإعادة ضبط شاملة للمعلمات الفائقة.

للفصل بين مصادر تحسين الأداء بشكل أفضل، تم تطوير إطار تحليل وساطة سببي يمكّن من فهم تأثير إدخال المعلومات المتغايرة بشكل عميق. يظهر تحليل النتائج أن العمارة والتعقيد لا يؤثران بشكل مباشر على أداء تصنيف العقد، بينما تبين أن المعلومات المتغايرة لها تأثير إيجابي عبر زيادة التناظر والفروق في التوزيع المحلي-العالمي.

هذه الدراسة توفر رؤى جديدة في عالم الشبكات العصبية، وتفتح أبوابًا جديدة لفهم كيفية تفاعل المعلومات المتغايرة في الشبكات العصبية الرسومية. يمكنك الاطلاع على التنفيذ العملي لهذه الدراسة عبر رابط GitHub. ما رأيكم في أهمية المعلومات المتغايرة في الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.