ترجمه فارسی مقاله رمزگذار ویژگی برای شبکه های عصبی گراف

چکیده

Graph machine learning, particularly using graph neural networks, fundamentally relies on node features. Nevertheless, numerous real-world systems, such as social and biological networks, often lack node features due to various reasons, including privacy concerns, incomplete or missing data, and limitations in data collection. In such scenarios, researchers typically resort to methods like structural and positional encoding to construct node features. However, the length of such features is contingent on the maximum value within the property being encoded, for example, the highest node degree, which can be exceedingly large in applications like scale-free networks. Furthermore, these encoding schemes are limited to categorical data and might not be able to encode metrics returning other type of values. In this paper, we introduce a novel, universally applicable encoder, termed PropEnc, which constructs expressive node embedding from any given graph metric. PropEnc leverages histogram construction combined with reverse index encoding, offering a flexible method for node features initialization. It supports flexible encoding in terms of both dimensionality and type of input, demonstrating its effectiveness across diverse applications. PropEnc allows encoding metrics in low-dimensional space which effectively avoids the issue of sparsity and enhances the efficiency of the models. We show that \emph{PropEnc} can construct node features that either exactly replicate one-hot encoding or closely approximate indices under various settings. Our extensive evaluations in graph classification setting across multiple social networks that lack node features support our hypothesis. The empirical results conclusively demonstrate that PropEnc is both an efficient and effective mechanism for constructing node features from diverse set of graph metrics.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین نمودار ، به ویژه با استفاده از شبکه های عصبی نمودار ، اساساً به ویژگی های گره متکی است.با این وجود ، بسیاری از سیستم های دنیای واقعی ، مانند شبکه های اجتماعی و بیولوژیکی ، اغلب به دلایل مختلف از جمله نگرانی های مربوط به حریم خصوصی ، داده های ناقص یا مفقود شده و محدودیت در جمع آوری داده ها ، فاقد ویژگی های گره هستند.در چنین سناریوهایی ، محققان به طور معمول به روشهایی مانند رمزگذاری ساختاری و موقعیتی برای ساختن ویژگی های گره متوسل می شوند.با این حال ، طول چنین ویژگی هایی به حداکثر مقدار موجود در خاصیت رمزگذاری شده ، به عنوان مثال ، بالاترین درجه گره است که می تواند در برنامه هایی مانند شبکه های بدون مقیاس بسیار زیاد باشد.علاوه بر این ، این طرح های رمزگذاری محدود به داده های طبقه بندی شده اند و ممکن است قادر به رمزگذاری معیارهای بازگرداندن نوع دیگر مقادیر نباشند.در این مقاله ، ما یک رمزگذار رمان ، قابل استفاده جهانی ، با نام Propenc را معرفی می کنیم ، که از هر متریک نمودار خاص ، گره بیانگر را می سازند.Propenc از ساخت و ساز هیستوگرام همراه با رمزگذاری شاخص معکوس استفاده می کند و یک روش انعطاف پذیر برای ویژگی های اولیه سازی گره ارائه می دهد.این از رمزگذاری انعطاف پذیر از نظر ابعاد و نوع ورودی پشتیبانی می کند و اثربخشی آن را در برنامه های متنوع نشان می دهد.Propenc اجازه می دهد تا معیارهای رمزگذاری را در فضای کم بعدی که به طور موثری از مسئله کمبود جلوگیری می کند و باعث افزایش کارایی مدل ها می شود ، اجازه دهد.ما نشان می دهیم که \ amp {propenc} می تواند ویژگی های گره ای را ایجاد کند که یا دقیقاً رمزگذاری یک داغ یا شاخص های تقریبی نزدیک را تحت تنظیمات مختلف تکرار می کنند.ارزیابی های گسترده ما در تنظیم طبقه بندی نمودار در چندین شبکه اجتماعی که فاقد ویژگی های گره هستند ، از فرضیه ما پشتیبانی می کنند.نتایج تجربی به طور قطعی نشان می دهد که Propenc هم مکانیسم کارآمد و مؤثر برای ساخت ویژگی های گره از مجموعه متنوعی از معیارهای نمودار است.