ترجمه فارسی مقاله TSC: یک قید دوطرفه ساده در برابر هموارسازی بیش از حد

چکیده

Graph Convolutional Neural Network (GCN), a widely adopted method for analyzing relational data, enhances node discriminability through the aggregation of neighboring information. Usually, stacking multiple layers can improve the performance of GCN by leveraging information from high-order neighbors. However, the increase of the network depth will induce the over-smoothing problem, which can be attributed to the quality and quantity of neighbors changing: (a) neighbor quality, node’s neighbors become overlapping in high order, leading to aggregated information becoming indistinguishable, (b) neighbor quantity, the exponentially growing aggregated neighbors submerges the node’s initial feature by recursively aggregating operations. Current solutions mainly focus on one of the above causes and seldom consider both at once. Aiming at tackling both causes of over-smoothing in one shot, we introduce a simple Two-Sided Constraint (TSC) for GCNs, comprising two straightforward yet potent techniques: random masking and contrastive constraint. The random masking acts on the representation matrix’s columns to regulate the degree of information aggregation from neighbors, thus preventing the convergence of node representations. Meanwhile, the contrastive constraint, applied to the representation matrix’s rows, enhances the discriminability of the nodes. Designed as a plug-in module, TSC can be easily coupled with GCN or SGC architectures. Experimental analyses on diverse real-world graph datasets verify that our approach markedly reduces the convergence of node’s representation and the performance degradation in deeper GCN.

چکیده به فارسی (ترجمه ماشینی)

شبکه عصبی Convolutional Graph (GCN) ، روشی که به طور گسترده اتخاذ شده برای تجزیه و تحلیل داده های رابطه ای ، باعث افزایش تبعیض گره از طریق جمع آوری اطلاعات همسایه می شود.معمولاً انباشت چندین لایه می تواند با استفاده از اطلاعات از همسایگان مرتبه بالا ، عملکرد GCN را بهبود بخشد.با این حال ، افزایش عمق شبکه باعث ایجاد مشکل بیش از حد صاف می شود ، که می تواند به کیفیت و کمیت همسایگان در حال تغییر باشد: (الف) کیفیت همسایه ، همسایگان گره در مرتبه بالا همپوشانی می شوند و منجر به اطلاعات جمع شده قابل تشخیص نمی شوند ،(ب) مقدار همسایه ، همسایگان در حال رشد در حال رشد ، ویژگی اولیه گره را با عملیات جمع آوری بازگشتی زیر آب می کنند.راه حل های فعلی عمدتا بر یکی از دلایل فوق متمرکز است و به ندرت هر دو را به طور هم زمان در نظر می گیرد.با هدف مقابله با هر دو دلیل بیش از حد صاف در یک شات ، ما یک محدودیت ساده دو طرفه (TSC) را برای GCN ها معرفی می کنیم ، که شامل دو روش ساده و در عین حال قدرتمند است: ماسک تصادفی و محدودیت متضاد.نقاب زدن تصادفی در ستونهای ماتریس بازنمایی برای تنظیم میزان جمع آوری اطلاعات از همسایگان عمل می کند ، بنابراین از همگرایی بازنمایی گره جلوگیری می کند.در همین حال ، محدودیت متضاد ، اعمال شده در ردیف های ماتریس بازنمایی ، باعث افزایش تبعیض گره ها می شود.به عنوان یک ماژول افزونه طراحی شده است ، TSC را می توان به راحتی با معماری GCN یا SGC همراه کرد.تجزیه و تحلیل تجربی در مجموعه داده های گرافیکی متنوع در دنیای واقعی تأیید می کند که رویکرد ما به طور قابل توجهی همگرایی بازنمایی گره و تخریب عملکرد را در GCN عمیق تر کاهش می دهد.