تا به حال به مشکل «ناپایداری» در شبکههای عصبی گراف (GNN) فکر کردهاید؟ معمولاً وقتی عمق این شبکهها زیاد میشود، دادهها در طول لایهها دچار افت کیفیت (Decay) میشوند.
محققان با معرفی فریمورک جدید GUMP (Graph Unitary Message Passing)، راهکار هوشمندانهای برای این چالش پیدا کردهاند! این متد با استفاده از یک نگاشت گرافِ اویلری و یک عملگر واحد (Unitary Operator)، جلوی این افت ناخواسته را میگیرد و پایداری شبکه را در عمقهای بالا حفظ میکند.
نتیجه؟ عملکرد بسیار بهتر در تحلیل گرافهای پیچیده و رقابت جدی با مدلهای قدرتمند فعلی! اگر در حوزه GNN فعالیت میکنید، بررسی کد این پروژه در گیتهاب رو از دست ندید.
🔗 دسترسی به کد پروژه در گیتهاب
منبع: arXiv AI