التعلم الاستنتاجي للتمثيلات على الرسوم البيانية الكبيرة

ثبت أن التمثيلات ذات الأبعاد المنخفضة للعُقد في الرسوم البيانية الكبيرة مفيدة للغاية في مجموعة متنوعة من مهام التنبؤ، من التوصية بالمحتوى إلى تحديد وظائف البروتينات. ومع ذلك، تتطلب معظم الطرق الحالية وجود جميع العُقد في الرسم البياني أثناء تدريب التمثيلات؛ هذه الطرق السابقة هي طرق استنتاجية بطبيعتها ولا تعمم بشكل طبيعي على العُقد التي لم تُر من قبل. هنا نقدم GraphSAGE، إطارًا عامًا استنتاجيًا يستفيد من معلومات ميزات العُقد (مثل السمات النصية) لتوليد تمثيلات العُقد بكفاءة للبيانات غير المرئية سابقًا. بدلاً من تدريب تمثيلات فردية لكل عُقدة، نتعلم دالة تولد التمثيلات عن طريق أخذ عينات وتجميع الميزات من الحي المحلي للعُقدة. يتفوق خوارزمنا على قواعد الأساس القوية في ثلاث مجموعات تقييم تصنيف العُقد الاستنتاجية: نصنف فئة العُقد غير المرئية في الرسوم البيانية المعلوماتية المتطورة بناءً على بيانات الاقتباس ومنشورات Reddit، ونُظهر أن خوارزمنا يعمم على رسوم بيانية غير مرئية بالكامل باستخدام مجموعة بيانات متعددة الرسوم البيانية لتفاعلات البروتين مع البروتين.