محققان در مقاله جدیدی به بررسی چالش «عمق» در شبکههای عصبی گراف (GNN) روی گرافهای پراکنده پرداختهاند. این پژوهش با استفاده از مدل آماری CSBM و تحلیل ریاضی «نسبت کستن-استیگام» (Kesten-Stigum)، مشخص میکند که چه زمانی اضافه کردن لایههای بیشتر واقعاً به بهبود دقت مدل کمک میکند و کجا عمقِ بیش از حد، تأثیر چشمگیری ندارد.
این مطالعه دقیق، درک ما را از محدودیتهای پیامرسانی (Message Passing) در مدلهای گراف ارتقا میدهد و به بهینهسازی معماریهای پیچیده هوش مصنوعی کمک میکند. 📉✨
منبع: arXiv Machine Learning