تمثيل الرسم
Graph Embedding
متجه واحد يلخص رسماً كاملاً، يُحسب عادة بتجميع تمثيلات عقده (Readout).
الشرح
يختلف عن تمثيل العقدة (Node Embedding) الذي يعطي متجهاً لكل عقدة. تمثيل الرسم يُستخدم في تصنيف الرسوم (هل الجزيء سام؟) وفي البحث عن رسوم متشابهة. أبسط طريقة جمع أو متوسط تمثيلات العقد بعد طبقات GNN، وبيّن Xu et al. (2019) أن الجمع أقوى في التمييز من المتوسط والحد الأقصى. في المختبر تراه في مقارنة «دورة أم شجرة» في وحدة المقارنة.
المعادلة
h_G=\mathrm{READOUT}\big(\{h_i^{(K)}: i\in V\}\big)شرح الرموز
- h_G: تمثيل الرسم
- h_i^(K): تمثيل العقدة بعد آخر طبقة
- READOUT: جمع أو متوسط أو حد أقصى أو تجميع متعلَّم
المراجع
- Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2019). How Powerful are Graph Neural Networks?. International Conference on Learning Representations (ICLR). arXiv: 1810.00826الورقة الأصلية لـ GIN وربط قوة التمييز باختبار Weisfeiler-Lehman.
- Ying, Z., You, J., Morris, C., Ren, X., Hamilton, W., & Leskovec, J. (2018). Hierarchical Graph Representation Learning with Differentiable Pooling. Advances in Neural Information Processing Systems (NeurIPS). arXiv: 1806.08804تجميع هرمي قابل للتعلم لتصنيف الرسوم (DiffPool).
