محققان در مقاله جدیدی به سراغ یکی از چالشهای فنی در مدلهای HGNN رفتهاند. مشکل اینجاست که در شبکههای عمیقِ اَبَرگراف، به دلیل ترکیب بیش از حد ویژگیها (feature mixing)، دقت مدل افت میکند.
فریمورک جدیدی به نام HNRD با الهام از سیستمهای دینامیکی و فرآیند «واکنش-نفوذ» (Reaction-Diffusion) معرفی شده که جلوی این پدیده را میگیرد و باعث پایداری و یادگیری بهتر در گرافهای پیچیده میشود. این دستاورد میتواند عملکرد مدلهای هوش مصنوعی را در تحلیل دادههای ساختاریافته ارتقا دهد. 📈
منبع: arXiv Machine Learning