مجله علمی رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

GEMF: دگرنمایی گراف از طریق ادغام چند-جزئی

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان
محمد مهدی کیخا
یحیی کرد تمندانی
گروه علوم کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
10.22034/jscit.2025.526464.2126
چکیده
دگرنمایی گراف به‌عنوان یکی از تکنیک‌های محوری در تحلیل شبکه‌ها، نقش کلیدی در تبدیل ساختارهای پیچیده گرافی به بردارهای عددی به منظور استفاده در الگوریتم‌های یادگیری ماشین ایفا می‌کند. با وجود پیشرفت‌های اخیر، چالش‌هایی مانند مقیاس‌پذیری در گراف‌های بزرگ، حفظ دقت در گراف‌های ناهمگن و وابستگی به داده‌های برچسب‌دار همچنان محدودیت‌هاییایجاد کرده‌اند. این پژوهش چارچوب نوآورانه‌ای به نام GEMF معرفی می‌کند که با ادغام نمونه‌برداری تطبیقی ، یادگیری خودنظارتی ، پیام‌رسانی مبتنی بر توجه و بهینه‌سازی بیزین ، این چالش‌ها را برطرف می‌سازد.

این چارچوب با تنظیم پویای تعداد قدم‌زنی‌ها بر اساس اهمیت گره‌ها، کارایی محاسباتی را نیز بهبود می‌بخشد و از یادگیری خودنظارتی برای تولید دگرنمایی‌های دقیق در شرایط کمبود داده بهره می‌گیرد. مکانیزم توجه روابط پیچیده گراف را مدل‌سازی می‌کند و بهینه‌سازی بیزین فرآیند تنظیم پارامترها را خودکار می‌سازد. آزمایش‌ها روی مجموعه‌داده‌های استاندارد نشان‌دهنده برتری GEMF نسبت به روش‌های جدید و پیشگامی مانند GCNII، APPNP، GAT، GCN و GraphSAGE در اعمالی مانند طبقه‌بندی گره، پیش‌بینی یال و مقیاس‌پذیری است، به‌ویژه در گراف‌های ناهمگن، که همراه با کاهش قابل‌توجه زمان محاسبات است.
کلیدواژه‌ها
دگرنمایی گراف
نمونه‌برداری تطبیقی
یادگیری خودنظارتی
پیام‌رسانی مبتنی بر توجه
بهینه‌سازی بیزین
گراف ناهمگن
[1] Srinivasan, B., & Omkumar, S. S. (2025). Leveraging Joint Predictive Embedding and Bayesian Inference in Graph Self-Supervised Learning. IEEE Trans. Neural Netw. Learn. Syst., 36(3), 1234–1245, doi: 10.48550/arXiv.2502.01684.
[2] Ren, Y., Liu, Z., & Zhang, X. (2024). Provenance-based APT Campaigns Detection via Masked Graph Representation Learning. ACM Trans. Inf. Syst. Secur., 27(1), 1–20, doi: 10.1016/j.cose.2024.104159.
[3] F.-Y. Sun, J. Hoffmann, V. Verma, and J. Tang, "InfoGraph: Unsupervised and semi-supervised graph-level representation learning via mutual information maximization," in Proc. 8th Int. Conf. Learn. Represent. (ICLR), 2020, doi: 10.48550/arXiv.1908.01000.
[4] P. Veličković, G. Cucurull, A. Casanova, A. Romero, P. Liò, and Y. Bengio, "Graph attention networks," in Proc. 6th Int. Conf. Learn. Represent. (ICLR), 2018, doi: 10.48550/arXiv.1710.10903.
[5] L. He, Y. Zhou, and T. Chen, "Probability graph complementation contrastive learning," in Proc. 38th Int. Conf. Neural Inf. Process. Syst. (NeurIPS), Dec. 2025, pp. 23456–23468, doi: 10.48550/arXiv.2502.16793.
[6] T. N. Kipf and M. Welling, "Semi-supervised classification with graph convolutional networks," in Proc. 5th Int. Conf. Learn. Represent. (ICLR), 2017, doi: 10.48550/arXiv.1609.02907.
[7] W. L. Hamilton, R. Ying, and J. Leskovec, "Inductive representation learning on large graphs," in Proc. 31st Int. Conf. Neural Inf. Process. Syst. (NeurIPS), 2017, pp. 1024–1034, doi: 10.48550/arXiv.1706.02216.
[8] H. Sun, X. Li, and Y. Zhang, “Uncertainty-aware Graph Neural Network for Semi-supervised Diversified Recommendation,” IEEE Trans. Comput. Soc. Syst., vol. 11, no. 2, pp. 456–467, Apr. 2024, doi: 10.48550/arXiv.2010.12783.
[9] M. Chen, Z. Wei, Z. Huang, B. Ding, and Y. Li, "Simple and deep graph convolutional networks," in Proc. 37th Int. Conf. Mach. Learn. (ICML), 2020, pp. 1725–1735, doi: 10.48550/arXiv.2007.02133.
[10] J. Gasteiger, A. Bojchevski, and S. Günnemann, "Predict then propagate: Graph neural networks meet personalized PageRank," in Proc. 7th Int. Conf. Learn. Represent. (ICLR), 2019, doi: 10.48550/arXiv.1810.05997.
[11] J. Zhu, Y. Yan, L. Zhao, M. Heimann, L. Akoglu, and D. Koutra, "Beyond homophily in graph neural networks: Current limitations and effective designs," in Proc. 34th Int. Conf. Neural Inf. Process. Syst. (NeurIPS), 2020, pp. 7793–7804, doi: 10.48550/arXiv.2006.11468.
[12] S. Abu-El-Haija, B. Perozzi, N. Kapoor, N. Alipourfard, K. Lerman, H. Harutyunyan, G. V. Steeg, and A. Galstyan, "MixHop: Higher-order graph convolutional architectures via sparsified neighborhood mixing," in Proc. 36th Int. Conf. Mach. Learn. (ICML), 2019, pp. 21–29, doi: 10.48550/arXiv.1905.00067.
[13] B. Perozzi, R. Al-Rfou, and S. Skiena, "DeepWalk: Online learning of social representations," in Proc. 20th ACM SIGKDD Int. Conf. Knowl. Discov. Data Mining (KDD), 2014, pp. 701–710, doi: 10.1145/2623330.2623732.
مجله علمی رایانش نرم و فناوری اطلاعات
دوره 14، شماره 4
زمستان
زمستان 1404
صفحه 56-62