شهدت [الشبكات العصبية الرسومية](/tag/[الشبكات](/tag/الشبكات)-العصبية-الرسومية) (Graph [Neural Networks](/tag/neural-networks) - [GNNs](/tag/gnns)) نجاحًا ملحوظًا في العديد من المجالات، مثل [الشبكات الاجتماعية](/tag/[الشبكات](/tag/الشبكات)-الاجتماعية) والكيمياء الجزيئية. وعند الحديث عن أحد العناصر الأساسية لهذه الشبكات، نجد [إجراءات](/tag/إجراءات) التجميع (pooling) التي تعتمد على دمج [خصائص](/tag/خصائص) العقد الناتجة عن النموذج لتشكيل وصف نهائي غني بالمعلومات.
ومع ذلك، كانت طرق التجميع المستخدمة مسبقًا تعتمد على [ميزات](/tag/ميزات) الطبقة الأخيرة من الشبكة كمدخلات، مما قد يؤدي إلى عدم الاستفادة الكاملة من التنشيطات المهمة التي تم إنشاؤها في الطبقات السابقة، والتي نعتبرها التنشيطات التاريخية (historical graph activations). يتمثل التحدي بشكل خاص في الحالات التي يمكن أن تتغير فيها [تمثيلات](/tag/تمثيلات) العقد بشكل كبير [عبر](/tag/عبر) طبقات متعددة، والسلبية التي تعاني منها [الشبكات](/tag/الشبكات) عند العمق، مثل الإفراط في التنعيم (over-smoothing).
لتجاوز هذا الفجوة، نقدم [تقنية](/tag/تقنية) HISTOGRAPH، وهي طبقة تجميع جديدة تعتمد على [الانتباه](/tag/الانتباه) (attention) وتتكون من مرحلتين. تقوم هذه [التقنية](/tag/التقنية) أولاً بتطبيق [انتباه](/tag/انتباه) طبقاتي موحد على التنشيطات الوسطى، يتبع ذلك تطبيق [انتباه](/tag/انتباه) فردي على العقد. من خلال [نمذجة](/tag/نمذجة) [تطور](/tag/تطور) [تمثيلات](/tag/تمثيلات) العقد [عبر](/tag/عبر) الطبقات، تستفيد [HISTOGRAPH](/tag/histograph) من كل من [تاريخ](/tag/تاريخ) التنشيطات وبنية [الرسم البياني](/tag/الرسم-البياني) لتحسين الخصائص المستخدمة للتنبؤ النهائي.
تشير النتائج التجريبية من عدة [مجموعات بيانات](/tag/مجموعات-[بيانات](/tag/بيانات)) لتصنيف [الرسوم البيانية](/tag/الرسوم-البيانية) إلى أن [HISTOGRAPH](/tag/histograph) يقدم أداءً قويًا يتفوق باستمرار على التقنيات التقليدية، مع إبراز [قوة](/tag/قوة) المتانة في [الشبكات العصبية العميقة](/tag/[الشبكات](/tag/الشبكات)-العصبية-العميقة). إن استخدام هذه [التقنية](/tag/التقنية) يمثل خطوة مهمة [نحو](/tag/نحو) [تحسين الأداء](/tag/[تحسين](/tag/تحسين)-[الأداء](/tag/الأداء)) في المهام ذات الطبيعة المعقدة التي تتطلب تركيزًا على التاريخ التنشيطي للنموذج ومحسنات بنيوية في معالجة [الرسوم البيانية](/tag/الرسوم-البيانية).
استكشاف HISTOGRAPH: كيفية التعلم من تنشيطات تاريخية في الشبكات العصبية الرسومية
تقدم تقنية HISTOGRAPH أسلوبًا مبتكرًا لتحسين أداء الشبكات العصبية الرسومية (GNNs) من خلال الاستفادة من تنشيطات الطبقات السابقة. هذه الطريقة تعزز دقة التصنيف عن طريق دمج تاريخ التنشيطات مع بنية الرسم البياني.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...
