ترجمه فارسی مقاله MDS-GNN: یک شبکه عصبی گراف دو جریانی متقابل روی گراف‌ها با ویژگی‌ها و ساختار ناقص

چکیده

Graph Neural Networks (GNNs) have emerged as powerful tools for analyzing and learning representations from graph-structured data. A crucial prerequisite for the outstanding performance of GNNs is the availability of complete graph information, i.e., node features and graph structure, which is frequently unmet in real-world scenarios since graphs are often incomplete due to various uncontrollable factors. Existing approaches only focus on dealing with either incomplete features or incomplete structure, which leads to performance loss inevitably. To address this issue, this study proposes a mutual dual-stream graph neural network (MDS-GNN), which implements a mutual benefit learning between features and structure. Its main ideas are as follows: a) reconstructing the missing node features based on the initial incomplete graph structure; b) generating an augmented global graph based on the reconstructed node features, and propagating the incomplete node features on this global graph; and c) utilizing contrastive learning to make the dual-stream process mutually benefit from each other. Extensive experiments on six real-world datasets demonstrate the effectiveness of our proposed MDS-GNN on incomplete graphs.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) به عنوان ابزاری قدرتمند برای تجزیه و تحلیل و یادگیری بازنمایی از داده های ساختار یافته ظاهر شده اند.یک پیش نیاز اساسی برای عملکرد برجسته GNN ، در دسترس بودن اطلاعات کامل نمودار ، یعنی ویژگی های گره و ساختار نمودار است ، که اغلب در سناریوهای دنیای واقعی ناتوان است زیرا نمودارها اغلب به دلیل عوامل مختلف غیرقابل کنترل ناقص هستند.رویکردهای موجود فقط بر برخورد با ویژگی های ناقص یا ساختار ناقص متمرکز است ، که منجر به از بین رفتن عملکرد ناگزیر می شود.برای پرداختن به این موضوع ، این مطالعه یک شبکه عصبی نمودار دو جریان متقابل (MDS-GNN) را ارائه می دهد ، که یک یادگیری سود متقابل بین ویژگی ها و ساختار را پیاده سازی می کند.ایده های اصلی آن به شرح زیر است: الف) بازسازی ویژگی های گره گمشده بر اساس ساختار نمودار ناقص اولیه.ب) تولید نمودار جهانی افزوده بر اساس ویژگی های گره بازسازی شده و انتشار ویژگی های گره ناقص در این نمودار جهانی.و ج) استفاده از یادگیری متضاد برای ایجاد فرایند دو جریان دوگانه از یکدیگر سود می برد.آزمایش های گسترده در شش مجموعه داده در دنیای واقعی ، اثربخشی MDS-GNN پیشنهادی ما در نمودارهای ناقص را نشان می دهد.