EXT_B_MAG-GNN: شبکه عصبی گرافی تقویتشده با یادگیری تقویتی توسط امتیازبندی

چکیده مقاله

برای بهبود توانایی شبکه های عصبی گرافی (GNN) در درک ساختار داده های گرافی، تلاشهای ز یادی صورت گرفته است که یکی از این تلاشها استفاده از زیرگرافها برای ارتقاء فهم ساختار گراف می باشد. با ا ین حال، بررسی تمامی زیرگرافهای ممکن به شدت زمانبر و تقریباً غیرممکن است. در این راستا، روش شبکه عصبی گراف مغناطیسی (MAG_GNN) بر پایه یادگیری تقویتی معرفی شده است که به شناسایی و تعیین زیرگرافهای متمایزکننده می پردازد. در ا ین روش، مسئله انتخاب کوچکترین زیرمجموعه از زیرگرافها به عنوان یک مسئله بهینه سازی ترکیبی فرمول بندی می شود به گونه ای که این مجموعه بتواند کل گراف را به بهترین شکل نمایان کند. در این مقاله، دو روش مبتنی بر MAG_GNN پیشنهاد می شود. ابتدا، روش محدود شده B_MAG_GNN معرفی می گردد که با محدود کردن تعداد نودهای فعال در گراف، سعی در افزا یش کارایی محاسباتی GNN ها دارد. بدین ترتیب، پیچیدگی محاسباتی از حالت نمایی به ثابت کاهش می یابد بدون اینکه قدرت بیان مدل تحت تأثیر قرار گیرد. در ادامه، روش EXT_B_MAG-GNN پیشنهاد می شود که زیرگرافها را به گونه ای تغییر میدهد تا زیرگراف های بهتری تولید شوند. نتایج آزمایشها نشان میدهد که EXT_B_MAG-GNN میتواند با استفاده از تعداد کمتری زیرگراف، عملکردی مشابه یا حتی بهتر نسبت به بسیاری از GNN های مبتنی بر زیرگراف داشته باشد. همچنین، EXT_B_MAG-GNN به طور مؤثری زمان اجرای GNN های مبتنی بر زیرگراف را کاهش می دهد.