ترجمه فارسی مقاله شبکه توجه نمودار ناشی از همسایگان همسایه

چکیده

Graph neural networks (GNNs) have garnered significant attention due to their ability to represent graph data. Among various GNN variants, graph attention network (GAT) stands out since it is able to dynamically learn the importance of different nodes. However, present GATs heavily rely on the smoothed node features to obtain the attention coefficients rather than graph structural information, which fails to provide crucial contextual cues for node representations. To address this issue, this study proposes a neighbor overlay-induced graph attention network (NO-GAT) with the following two-fold ideas: a) learning favorable structural information, i.e., overlaid neighbors, outside the node feature propagation process from an adjacency matrix; b) injecting the information of overlaid neighbors into the node feature propagation process to compute the attention coefficient jointly. Empirical studies on graph benchmark datasets indicate that the proposed NO-GAT consistently outperforms state-of-the-art models.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) به دلیل توانایی آنها در نشان دادن داده های نمودار ، توجه قابل توجهی را به خود جلب کرده اند.در بین انواع مختلف GNN ، شبکه توجه نمودار (GAT) از آنجا که قادر است به صورت پویا اهمیت گره های مختلف را بیاموزد ، برجسته است.با این حال ، GAT های موجود به شدت به ویژگی های گره صاف متکی هستند تا ضرایب توجه را به جای اطلاعات ساختاری نمودار بدست آورند ، که نتوانسته است نشانه های مهم متنی برای بازنمودهای گره ارائه دهد.برای پرداختن به این موضوع ، این مطالعه یک شبکه توجه نمودار ناشی از پوشش همسایه (NO-GAT) را با ایده های دو برابری زیر پیشنهاد می کند: الف) یادگیری اطلاعات ساختاری مطلوب ، یعنی همسایگان روکش شده ، خارج از فرایند انتشار گره از یک مجاورتماتریس ؛ب) تزریق اطلاعات همسایگان روکش شده به فرآیند انتشار ویژگی گره برای محاسبه ضریب توجه به طور مشترک.مطالعات تجربی در مجموعه داده های معیار نمودار نشان می دهد که NO-GAT پیشنهادی به طور مداوم از مدل های پیشرفته بهتر است.