تعلّم محوّل رسم بياني من نوع Mini-batch عبر تفاعلين معززين على مرحلتين

يُعد محوّل الرسم البياني من نوع Mini-batch (MGT) نموذجًا ناشئًا لتعلم الرسوم البيانية، وقد أظهر مزايا كبيرة في مهام التنبؤ بالعقد تحت الإشراف شبه الكامل مع تحسين كفاءة الحوسبة وتعزيز متانة النموذج. ومع ذلك، الطرق الحالية لمعالجة المعلومات المحلية تعتمد إما على التعيين العيني أو التجميع البسيط، مما يؤدي على التوالي إلى فقدان أو تقليص معلومات الجيران الحرجة. علاوة على ذلك، عدد العقد المحدود في كل مجموعة مصغرة يُقيد قدرة النموذج على التقاط الخصائص العالمية للرسم البياني. في هذه الورقة، نقترح LGMformer، وهو نموذج MGT جديد يستخدم استراتيجية تفاعل معزز على مرحلتين، انتقاليًا من منظور محلي إلى عالمي، لمعالجة هذه الاختناقات المذكورة. يقدم التعزيز التفاعلي المحلي (LIA) محول تفاعل الجار والهدف (NTIformer) للحصول على فهم عميق لأنماط التفاعل المشترك بين الجيران والعقدة الهدف، مما ينتج قائمة رموز فعالة محليًا تُستخدم كمدخلات للمحوّل. وعلى النقيض، يتبنى التعزيز التفاعلي العالمي (GIA) آلية الانتباه المتبادل لتضمين نماذج الرسم البياني الكاملة في تمثيل العقدة الهدف، مما يعوض عن المعلومات العالمية للرسم البياني لضمان إدراك أكثر شمولاً. وبذلك، يحقق LGMformer تحسينًا في تمثيلات العقد ضمن نموذج MGT. تُظهر النتائج التجريبية المتعلقة بتصنيف العقد على عشر مجموعات بيانات معيارية فعالية الطريقة المقترحة. رمزنا متوفر على https://github.com/l-wd/LGMformer.