ترجمه فارسی مقاله شبکه‌های عصبی گراف غیر کانولوشنی

چکیده

Rethink convolution-based graph neural networks (GNN) — they characteristically suffer from limited expressiveness, over-smoothing, and over-squashing, and require specialized sparse kernels for efficient computation. Here, we design a simple graph learning module entirely free of convolution operators, coined random walk with unifying memory (RUM) neural network, where an RNN merges the topological and semantic graph features along the random walks terminating at each node. Relating the rich literature on RNN behavior and graph topology, we theoretically show and experimentally verify that RUM attenuates the aforementioned symptoms and is more expressive than the Weisfeiler-Lehman (WL) isomorphism test. On a variety of node- and graph-level classification and regression tasks, RUM not only achieves competitive performance, but is also robust, memory-efficient, scalable, and faster than the simplest convolutional GNNs.

چکیده به فارسی (ترجمه ماشینی)

Rethink شبکه های عصبی مبتنی بر Convolution Graph (GNN)-آنها از نظر شخصیتی از بیان محدود ، بیش از حد صاف و بیش از حد رنج می برند و برای محاسبه کارآمد به هسته های پراکنده تخصصی نیاز دارند.در اینجا ، ما یک ماژول یادگیری نمودار ساده را کاملاً عاری از اپراتورهای Convolution طراحی می کنیم ، پیاده روی تصادفی با شبکه عصبی متحد کننده حافظه (RUM) ، که در آن RNN ویژگی های نمودار توپولوژیکی و معنایی را در طول پیاده روی های تصادفی که در هر گره خاتمه می یابد ، ادغام می کند.با توجه به ادبیات غنی در مورد رفتار RNN و توپولوژی نمودار ، ما از لحاظ نظری نشان می دهیم و به صورت تجربی تأیید می کنیم که شایعات علائم فوق را ضعیف می کند و از آزمون ایزومورفیسم Weisfeiler-Lehman (WL) بیان می شود.در انواع مختلفی از طبقه بندی و رگرسیون در سطح گره و گراف ، RUM نه تنها به عملکرد رقابتی می رسد ، بلکه همچنین قوی تر ، حافظه ، مقیاس پذیر و سریعتر از ساده ترین GNN های حلقوی است.