ترجمه فارسی مقاله جلوگیری از فروپاشی رتبه نمایندگی در MPNN با تقسیم نمودار محاسباتی

چکیده

The ability of message-passing neural networks (MPNNs) to fit complex functions over graphs is limited each iteration of message-passing over a simple makes representations more similar, a phenomenon known as rank collapse, and over-smoothing as a special case. Most approaches to mitigate over-smoothing extend common message-passing schemes, e.g., the graph convolutional network, by utilizing residual connections, gating mechanisms, normalization, or regularization techniques. Our work contrarily proposes to directly tackle the cause of this issue by modifying the message-passing scheme and exchanging different types of messages using multi-relational graphs. We identify the necessary and sufficient condition to ensure linearly independent node representations. As one instantion, we show that operating on multiple directed acyclic graphs always satisfies our condition and propose to obtain these by defining a strict partial ordering of the nodes. We conduct comprehensive experiments that confirm the benefits of operating on multi-relational graphs to achieve more informative node representations.

چکیده به فارسی (ترجمه ماشینی)

توانایی شبکه های عصبی عبور از پیام (MPNN) برای متناسب بودن عملکردهای پیچیده بر روی نمودارها محدود است ، هر تکرار پیام پیام بیش از یک ساده ، بازنمایی ها را شبیه تر می کند ، پدیده ای معروف به سقوط رتبه و بیش از حد صاف به عنوان یک مورد خاص.بیشتر رویکردها برای کاهش بیش از حد صاف ، طرح های مشترک عبور پیام را گسترش می دهند ، به عنوان مثال ، شبکه Convolutional Graph ، با استفاده از اتصالات باقیمانده ، مکانیسم های شیروانی ، عادی سازی یا تکنیک های منظم.کار ما برعکس پیشنهاد می کند که با اصلاح طرح عبور پیام و تبادل انواع مختلف پیام ها با استفاده از نمودارهای چند مرتبط ، مستقیماً علت این مسئله را برطرف کنیم.ما شرایط لازم و کافی را برای اطمینان از بازنمایی های گره مستقل خطی شناسایی می کنیم.به عنوان یکی از instantion ، ما نشان می دهیم که کار کردن بر روی نمودارهای مختلف با محوریت ، همیشه وضعیت ما را برآورده می کند و با تعریف یک سفارش جزئی دقیق گره ها ، این موارد را به دست می آوریم.ما آزمایش های جامعی را انجام می دهیم که مزایای عملکرد در نمودارهای چند مرتبط را برای دستیابی به بازنمایی های گره ای آموزنده تر تأیید می کند.