Key points are not available for this paper at this time.
تُعاد زيارة العديد من المشكلات المثيرة للاهتمام في تعلم الآلة باستخدام أدوات التعلم العميق الجديدة. بالنسبة للتعلم شبه الموجه القائم على الرسوم البيانية، فإن هناك تطورًا مهمًا حديثًا وهو الشبكات الالتفافية الرسومية (GCNs)، التي تدمج بشكل جميل ميزات القمة المحلية وطوبولوجيا الرسم البياني في الطبقات الالتفافية. على الرغم من أن نموذج GCN يقارن بشكل جيد مع طرق أخرى من الطراز الأول، إلا أن آلياته غير واضحة ولا يزال يحتاج إلى كمية كبيرة من البيانات المصنفة للتحقق من صحة النموذج واختياره. في هذه الورقة، نطور أفكارًا أعمق حول نموذج GCN ونتناول حدوده الأساسية. أولاً، نظهر أن الالتفاف الرسومي لنموذج GCN هو في الواقع شكل خاص من التنعيم لابلاس، وهو السبب الرئيسي وراء عمل GCNs، ولكنه يجلب أيضًا مخاوف محتملة للنعومة الزائدة مع العديد من الطبقات الالتفافية. ثانيًا، للتغلب على حدود نموذج GCN مع الهياكل السطحية، نقترح كلا من طرق التدريب المشترك والتدريب الذاتي لتدريب GCNs. تعمل طرقنا على تحسين GCNs بشكل كبير في التعلم مع عدد قليل جدًا من العلامات، وتعفيها من الحاجة إلى علامات إضافية للتحقق من الصحة. لقد تم التحقق من نظريتنا واقتراحاتنا من خلال تجارب موسعة على المعايير.
درس لي وآخرون (سون،) هذا السؤال.