ترجمه فارسی مقاله بازپرداخت نمودار مشترک و ویژگی های دفع از طریق رزونانس طیفی

چکیده

Graph neural networks (GNNs) take as input the graph structure and the feature vectors associated with the nodes. Both contain noisy information about the labels. Here we propose joint denoising and rewiring (JDR)–an algorithm to jointly denoise the graph structure and features, which can improve the performance of any downstream algorithm. We do this by defining and maximizing the alignment between the leading eigenspaces of graph and feature matrices. To approximately solve this computationally hard problem, we propose a heuristic that efficiently handles real-world graph datasets with many classes and different levels of homophily or heterophily. We experimentally verify the effectiveness of our approach on synthetic data and real-world graph datasets. The results show that JDR consistently outperforms existing rewiring methods on node classification tasks using GNNs as downstream models.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) به عنوان ورودی ساختار نمودار و بردارهای ویژگی مرتبط با گره ها را وارد می کنند.هر دو حاوی اطلاعات پر سر و صدا در مورد برچسب ها هستند.در اینجا ما پیشنهاد می کنیم مشترک و بازسازی مجدد (JDR)-الگوریتمی برای ایجاد مشترک ساختار و ویژگی های نمودار ، که می تواند عملکرد هر الگوریتم پایین دست را بهبود بخشد.ما این کار را با تعریف و به حداکثر رساندن تراز بین فضاهای پیشرو از نمودارها و ماتریس های ویژگی انجام می دهیم.برای حل تقریباً این مشکل محاسباتی سخت ، ما یک اکتشافی را پیشنهاد می کنیم که به طور موثر مجموعه داده های گرافیکی در دنیای واقعی را با بسیاری از کلاس ها و سطوح مختلف هموفیلی یا ناهمگن کنترل می کند.ما به طور تجربی اثربخشی رویکرد خود را در داده های مصنوعی و مجموعه داده های نمودار در دنیای واقعی تأیید می کنیم.نتایج نشان می دهد که JDR به طور مداوم از روشهای بازپرداخت موجود در کارهای طبقه بندی گره با استفاده از GNN به عنوان مدل های پایین دست عمل می کند.