ترجمه فارسی مقاله قدرت بیانی عبور پیام موقت

چکیده

Graph neural networks (GNNs) have recently been adapted to temporal settings, often employing temporal versions of the message-passing mechanism known from GNNs. We divide temporal message passing mechanisms from literature into two main types: global and local, and establish Weisfeiler-Leman characterisations for both. This allows us to formally analyse expressive power of temporal message-passing models. We show that global and local temporal message-passing mechanisms have incomparable expressive power when applied to arbitrary temporal graphs. However, the local mechanism is strictly more expressive than the global mechanism when applied to colour-persistent temporal graphs, whose node colours are initially the same in all time points. Our theoretical findings are supported by experimental evidence, underlining practical implications of our analysis.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) اخیراً با تنظیمات زمانی سازگار شده اند ، که اغلب از نسخه های زمانی مکانیسم عبور پیام شناخته شده از GNN استفاده می شود.ما مکانیسم های عبور پیام زمانی را از ادبیات به دو نوع اصلی تقسیم می کنیم: جهانی و محلی ، و شخصیت های Weisfeiler-Leman را برای هر دو ایجاد می کنیم.این به ما امکان می دهد تا به طور رسمی قدرت بیانگر مدل های عبور پیام زمانی را تجزیه و تحلیل کنیم.ما نشان می دهیم که مکانیسم های انتقال پیام زمانی جهانی و محلی در هنگام استفاده از نمودارهای زمانی دلخواه ، قدرت بیان غیرقابل مقایسه ای دارند.با این حال ، مکانیسم محلی کاملاً بیانگر تر از مکانیسم جهانی است که در نمودارهای زمانی مداوم رنگ اعمال می شود ، که رنگ گره آنها در ابتدا در تمام نقاط زمانی یکسان است.یافته های نظری ما توسط شواهد تجربی پشتیبانی می شود و تأکید بر پیامدهای عملی تجزیه و تحلیل ما.