کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی برای طبقه‌بندی گره‌ها با استفاده از فرایندهای تعبیهٔ زودهنگام تطبیقی و DropEdge سوگیرانه

توسطadmin
بازگشت به آرشیو ←خبر پژوهشی

کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی برای طبقه‌بندی گره‌ها با استفاده از فرایندهای تعبیهٔ زودهنگام تطبیقی و DropEdge سوگیرانه

نوشتهٔ

Fateme Hoseinnia, Mehdi Ghatee, Mostafa Haghir Chehreghani

برای انتشار در این نشریه پذیرفته شده است: “Knowledge-Based Systems“.

نکات برجسته:

  • ارائهٔ تعبیهٔ زودهنگام تطبیقی برای گره‌ها با هدف کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی.
  • برای تعبیهٔ گره‌ها، لازم نیست پردازش تعبیهٔ همهٔ گره‌ها تا لایهٔ آخر ادامه یابد.
  • استفاده از DropEdge سوگیرانه برای کاهش سرعت همگرایی به هموارشدگی بیش‌ازحد.
  • به‌کارگیری دو فرایندِ آمادهٔ ادغام در شبکه‌های عصبی گرافیِ عمیق مبتنی بر پیام‌رسانی با لایه‌های متعددِ پیاپی.
  • اثبات نظریِ کاهش هموارشدگی بیش‌ازحد توسط مدل پیشنهادی.

چکیده:

شبکه‌های عصبی گرافی (GNNs) برای وظایف مرتبط با داده‌های دارای ساختار گراف، در حوزه‌های متنوعی از جمله بینایی کامپیوتر، زیست‌شناسی، رسانه‌های اجتماعی و پیش‌بینی ترافیک به‌طور گسترده استفاده می‌شوند. با وجود موفقیت‌های چشمگیر آن‌ها، افزایش عمق شبکه‌های عصبی گرافی می‌تواند تمایزپذیری بازنمایی گره‌ها را تضعیف کند و به افت عملکرد در طبقه‌بندی گره‌ها بینجامد. بخشی از این چالش ناشی از پدیده‌ای موسوم به هموارشدگی بیش‌ازحد است. این مقاله، فرایند تعبیهٔ زودهنگام تطبیقی (AEE) را میان لایه‌های شبکهٔ کانولوشنی گرافی (GCN) معرفی می‌کند. این روش، تجمیع اطلاعات گره‌های همسایه را به‌صورت تطبیقی و پیش از لایهٔ نهایی شبکهٔ اصلی متوقف می‌کند. با کاهش هموارشدگی بیش‌ازحدِ تعبیه‌های گره‌ها، تمایزپذیری داده‌ها افزایش می‌یابد. دستاورد مهم دیگر این پژوهش، استفاده از فرایند DropEdge سوگیرانهٔ بین‌کلاسی (BDE) است که اطلاعات سودمند را به‌طور مؤثر منتشر می‌کند. مدل پیشنهادی مبتنی بر AEE+BDE را می‌توان با مدل‌های پایهٔ شبکهٔ عصبی گرافیِ مبتنی بر پیام‌رسانی ادغام کرد تا چالش‌های هموارشدگی بیش‌ازحد کاهش یابند. آزمایش‌های ما نشان می‌دهند که مدل پیشنهادی از مدل‌های پایه عملکرد بهتری دارد. همچنین شواهد نظری در تأیید اثربخشی فرایندهای AEE و BDE برای وظایف طبقه‌بندی گره‌ها ارائه می‌کنیم.

مرجع: https://doi.org/10.1016/j.knosys.2025.113615

نسخهٔ کامل مقالهٔ «کاهش هموارشدگی بیش‌ازحد در شبکه‌های عصبی گرافی برای طبقه‌بندی گره‌ها با استفاده از فرایندهای تعبیهٔ زودهنگام تطبیقی و DropEdge سوگیرانه» نوشتهٔ Fateme Hoseinnia، Mehdi Ghatee و Mostafa Haghir Chehreghani اکنون به‌صورت آنلاین در این نشریه در دسترس است: «Knowledge-Based Systems». با کلیک بر پیوند اشتراک‌گذاری زیر پیش از 03 ژوئیهٔ 2025 می‌توان آن را دریافت کرد. نیازی به ایجاد حساب، ثبت‌نام یا پرداخت هزینه نیست.

https://authors.elsevier.com/a/1l5cu3OAb9GnqO

نوشته‌های مشابه