ترجمه فارسی مقاله به سوی شبکه‌های عصبی گراف خود توضیحی چند شات

چکیده

Graph Neural Networks (GNNs) have exhibited remarkable efficacy in learning from multi-view graph data. In the framework of multi-view graph neural networks, a critical challenge lies in effectively combining diverse views, where each view has distinct graph structure features (GSFs). Existing approaches to this challenge primarily focus on two aspects: 1) prioritizing the most important GSFs, 2) utilizing GNNs for feature aggregation. However, prioritizing the most important GSFs can lead to limited feature diversity, and existing GNN-based aggregation strategies equally treat each view without considering view quality. To address these issues, we propose a novel Multi-View Graph Neural Network with Reliable Structural Enhancement and Aggregation (RSEA-MVGNN). Firstly, we estimate view-specific uncertainty employing subjective logic. Based on this uncertainty, we design reliable structural enhancement by feature de-correlation algorithm. This approach enables each enhancement to focus on different GSFs, thereby achieving diverse feature representation in the enhanced structure. Secondly, the model learns view-specific beliefs and uncertainty as opinions, which are utilized to evaluate view quality. Based on these opinions, the model enables high-quality views to dominate GNN aggregation, thereby facilitating representation learning. Experimental results conducted on five real-world datasets demonstrate that RSEA-MVGNN outperforms several state-of-the-art GNN-based methods.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) اثربخشی قابل توجهی در یادگیری از داده های نمودار چند منظره نشان داده اند.در چارچوب شبکه های عصبی نمودار چند منظره ، یک چالش مهم در ترکیب مؤثر نماهای متنوع است ، جایی که هر نمای دارای ویژگی های ساختار نمودار مجزا (GSFS) است.رویکردهای موجود برای این چالش در درجه اول بر دو جنبه متمرکز است: 1) اولویت بندی مهمترین GSF ها ، 2) استفاده از GNN برای جمع بندی ویژگی ها.با این حال ، اولویت بندی مهمترین GSF ها می تواند منجر به تنوع ویژگی محدود شود ، و استراتژی های جمع آوری مبتنی بر GNN موجود به طور مساوی با هر دیدگاه بدون در نظر گرفتن کیفیت نمای رفتار می کنند.برای پرداختن به این موضوعات ، ما یک شبکه عصبی چند منظوره جدید با تقویت ساختاری قابل اعتماد و تجمع (RSEA-MVGNN) را پیشنهاد می کنیم.اولا ، ما عدم اطمینان خاص را با استفاده از منطق ذهنی تخمین می زنیم.بر اساس این عدم قطعیت ، ما با الگوریتم مشخصه همبستگی ویژگی ، پیشرفت ساختاری قابل اعتماد را طراحی می کنیم.این رویکرد هر پیشرفت را قادر می سازد تا روی GSF های مختلف متمرکز شود و از این طریق به بازنمایی ویژگی های متنوع در ساختار پیشرفته دست یابد.ثانیا ، این مدل باورهای خاص و عدم اطمینان را به عنوان عقاید یاد می گیرد ، که برای ارزیابی کیفیت مشاهده استفاده می شود.بر اساس این عقاید ، این مدل دیدگاه های با کیفیت بالا را قادر به تسلط بر جمع بندی GNN می کند و از این طریق یادگیری بازنمایی را تسهیل می کند.نتایج تجربی انجام شده در پنج مجموعه داده در دنیای واقعی نشان می دهد که RSEA-MVGNN از چندین روش پیشرفته مبتنی بر GNN بهتر است.