ترجمه فارسی مقاله بهتر است منتشر نشود: درک عدم قطعیت لبه و هموارسازی بیش از حد در شبکه‌های عصبی گراف علامت‌دار

چکیده

Traditional Graph Neural Networks (GNNs) rely on network homophily, which can lead to performance degradation due to over-smoothing in many real-world heterophily scenarios. Recent studies analyze the smoothing effect (separability) after message-passing (MP), depending on the expectation of node features. Regarding separability gain, they provided theoretical backgrounds on over-smoothing caused by various propagation schemes, including positive, signed, and blocked MPs. More recently, by extending these theorems, some works have suggested improvements in signed propagation under multiple classes. However, prior works assume that the error ratio of all propagation schemes is fixed, failing to investigate this phenomenon correctly. To solve this problem, we propose a novel method for estimating homophily and edge error ratio, integrated with dynamic selection between blocked and signed propagation during training. Our theoretical analysis, supported by extensive experiments, demonstrates that blocking MP can be more effective than signed propagation under high edge error ratios, improving the performance in both homophilic and heterophilic graphs.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار سنتی (GNN) به هموفیش شبکه متکی هستند ، که می تواند به دلیل ایجاد بیش از حد صاف در بسیاری از سناریوهای هتروفیل در دنیای واقعی منجر به تخریب عملکرد شود.مطالعات اخیر بسته به انتظار ویژگی های گره ، اثر صاف کننده (جدایی) پس از عبور پیام (MP) را تجزیه و تحلیل می کند.با توجه به افزایش جدایی ، آنها پیشینه نظری در مورد صاف کردن بیش از حد ناشی از طرح های مختلف انتشار ، از جمله نمایندگان مثبت ، امضا شده و مسدود شده ارائه دادند.اخیراً ، با گسترش این قضیه ها ، برخی از آثار پیشنهاد کرده اند که در انتشار امضا شده در کلاس های مختلف پیشرفت هایی را ارائه دهند.با این حال ، آثار قبلی فرض می کنند که نسبت خطای کلیه طرح های انتشار ثابت است و در بررسی صحیح این پدیده ناکام نیست.برای حل این مشکل ، ما یک روش جدید برای برآورد نسبت خطای هموفیلی و لبه ، با انتخاب پویا بین انتشار مسدود شده و امضا شده در طول آموزش ، یک روش جدید پیشنهاد می کنیم.تجزیه و تحلیل نظری ما ، که توسط آزمایش های گسترده پشتیبانی می شود ، نشان می دهد که مسدود کردن MP می تواند مؤثرتر از انتشار امضا شده در نسبت خطای لبه بالا باشد و عملکرد را در هر دو نمودار هموفیلی و هتروفیل بهبود می بخشد.