ترجمه فارسی مقاله کاوش دانش برای یادگیری نمایش گراف

چکیده

Graph learning methods have been extensively applied in diverse application areas. However, what kind of inherent graph properties e.g. graph proximity, graph structural information has been encoded into graph representation learning for downstream tasks is still under-explored. In this paper, we propose a novel graph probing framework (GraphProbe) to investigate and interpret whether the family of graph learning methods has encoded different levels of knowledge in graph representation learning. Based on the intrinsic properties of graphs, we design three probes to systematically investigate the graph representation learning process from different perspectives, respectively the node-wise level, the path-wise level, and the structural level. We construct a thorough evaluation benchmark with nine representative graph learning methods from random walk based approaches, basic graph neural networks and self-supervised graph methods, and probe them on six benchmark datasets for node classification, link prediction and graph classification. The experimental evaluation verify that GraphProbe can estimate the capability of graph representation learning. Remaking results have been concluded: GCN and WeightedGCN methods are relatively versatile methods achieving better results with respect to different tasks.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری نمودار در مناطق متنوع کاربردی به طور گسترده اعمال شده است.با این حال ، چه نوع خصوصیات نمودار ذاتی به عنوان مثالنزدیکی نمودار ، اطلاعات ساختاری نمودار در یادگیری نمودار برای کارهای پایین دست رمزگذاری شده است.در این مقاله ، ما یک چارچوب پروب نمودار جدید (GraphProbe) را برای بررسی و تفسیر اینکه آیا خانواده روشهای یادگیری نمودار سطح مختلفی از دانش را در یادگیری نمودار رمزگذاری کرده است ، پیشنهاد می کنیم.بر اساس خصوصیات ذاتی نمودارها ، ما سه پروب را طراحی می کنیم تا به طور سیستماتیک فرایند یادگیری نمودار را از دیدگاه های مختلف بررسی کنیم ، به ترتیب سطح گره ، سطح مسیر و سطح ساختاری.ما یک معیار ارزیابی کامل با نه روش یادگیری نمودار نماینده از رویکردهای مبتنی بر پیاده روی تصادفی ، شبکه های عصبی اصلی نمودار و روشهای نمودار خودكاری ایجاد می كنیم و آنها را در شش مجموعه داده معیار برای طبقه بندی گره ، پیش بینی پیوند و طبقه بندی نمودار بررسی می كنیم.ارزیابی تجربی تأیید می کند که GraphProbe می تواند توانایی یادگیری نمایش نمودار را تخمین بزند.نتایج بازسازی نتیجه گیری شده است: روشهای GCN و وزنه بردار روشهای نسبتاً متنوع هستند که با توجه به کارهای مختلف به نتایج بهتری می رسند.