ترجمه فارسی مقاله GNUMAP: رویکردی بدون پارامتر برای کاهش ابعاد بدون نظارت از طریق شبکه‌های عصبی گراف

چکیده

With the proliferation of Graph Neural Network (GNN) methods stemming from contrastive learning, unsupervised node representation learning for graph data is rapidly gaining traction across various fields, from biology to molecular dynamics, where it is often used as a dimensionality reduction tool. However, there remains a significant gap in understanding the quality of the low-dimensional node representations these methods produce, particularly beyond well-curated academic datasets. To address this gap, we propose here the first comprehensive benchmarking of various unsupervised node embedding techniques tailored for dimensionality reduction, encompassing a range of manifold learning tasks, along with various performance metrics. We emphasize the sensitivity of current methods to hyperparameter choices — highlighting a fundamental issue as to their applicability in real-world settings where there is no established methodology for rigorous hyperparameter selection. Addressing this issue, we introduce GNUMAP, a robust and parameter-free method for unsupervised node representation learning that merges the traditional UMAP approach with the expressivity of the GNN framework. We show that GNUMAP consistently outperforms existing state-of-the-art GNN embedding methods in a variety of contexts, including synthetic geometric datasets, citation networks, and real-world biomedical data — making it a simple but reliable dimensionality reduction tool.

چکیده به فارسی (ترجمه ماشینی)

با تکثیر روشهای شبکه عصبی نمودار (GNN) ناشی از یادگیری متضاد ، یادگیری بازنمایی گره بدون نظارت برای داده های نمودار به سرعت در حال به دست آوردن کشش در زمینه های مختلف ، از زیست شناسی گرفته تا دینامیک مولکولی است ، جایی که اغلب به عنوان یک ابزار کاهش ابعاد استفاده می شود.با این حال ، در درک کیفیت بازنمایی گره های کم بعدی که این روش ها تولید می کنند ، به ویژه فراتر از مجموعه داده های دانشگاهی کاملاً ، شکاف قابل توجهی وجود دارد.برای پرداختن به این شکاف ، ما در اینجا اولین معیار جامع از تکنیک های مختلف تعبیه شده گره بدون نظارت متناسب با کاهش ابعاد ، شامل طیف وسیعی از کارهای یادگیری منیفولد ، همراه با معیارهای مختلف عملکرد است.ما بر حساسیت روشهای فعلی به انتخاب هایپرپارامتر تأکید می کنیم-برجسته کردن یک مسئله اساسی در مورد کاربرد آنها در تنظیمات دنیای واقعی که در آن هیچ روش مشخصی برای انتخاب دقیق Hyperparameter وجود ندارد.با پرداختن به این مسئله ، ما GNUMAP را معرفی می کنیم ، یک روش قوی و بدون پارامتر برای یادگیری بازنمایی گره بدون نظارت که رویکرد UMAP سنتی را با بیان چارچوب GNN ادغام می کند.ما نشان می دهیم که GNUMAP به طور مداوم از روشهای تعبیه شده پیشرفته GNN در زمینه های مختلف ، از جمله مجموعه داده های هندسی مصنوعی ، شبکه های استناد و داده های زیست پزشکی در دنیای واقعی استفاده می کند-آن را به یک ابزار کاهش ابعاد ساده اما قابل اعتماد تبدیل می کند.