محققان در پژوهشی جدید، راهکار نوآورانهای به نام ACE برای بهبود آموزش GNNها در محیطهای ناهمگن (Heterophilic) معرفی کردهاند. روشهای رایج اغلب در کار با نمودارهای بزرگ و ناهمگن دچار افت عملکرد میشوند، اما این استراتژی جدید با بازسازی اطلاعات گمشده و استفاده از تنظیمکنندههای ساختاری، دقت مدل را به شکل قابل توجهی افزایش میدهد.
این روشِ «plug-and-play» به مدلهای فعلی اجازه میدهد بدون نیاز به تغییرات سنگین، در تحلیل دادههای گراف عملکرد بسیار دقیقتری داشته باشند.
🔗 مطالعه بیشتر و دسترسی به کد:
https://github.com/vasile-paskardlgm
منبع: arXiv Machine Learning