فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله، راهکاری ساده و مؤثر برای بهبود عملکرد شبکه‌های عصبی گراف در مسئله طبقه‌بندی گره‌ها ارائه شده است. روش پیشنهادی شامل افزودن نمره PageRank به‌عنوان یک معیار جهانی مرکزیت به بردار ویژگی گره‌هاست تا اطلاعات زمینه‌ای فراتر از همسایگی محلی در مدل لحاظ شود. برای ارزیابی، سه معماری مشهور شبکه‌های عصبی گراف شامل شبکه‌های کانولوشنی گراف، شبکه‌های توجهی گراف و شبکه‌های نمونه‌گیری و تجمیع از روی گراف روی مجموعه‌داده‌های Cora، CiteSeer و PubMed آزمایش شده‌اند. عملکرد مدل‌ها با معیارهایی چون صحت، دقت، فراخوانی، نمره F1 و تحلیل‌های بصری مبتنی بر روش‌هایی همچون روش تحلیل مؤلفه‌های اصلی، روش تعبیه همسایه‌های تصادفی با توزیع t و روش تقریب و تصویرسازی یکنواخت چند فرم بررسی شده است. نتایج تجربی نشان می‌دهند که گنجاندن PageRank باعث بهبود معنی‌دار در دقت طبقه‌بندی می‌شود، به‌ویژه در معماری شبکه‌های توجهی گراف که از اطلاعات جهانی بهره بیشتری می‌برد. این روش در عین سادگی، هزینه محاسباتی کمی دارد و عملکرد پایدار و قابل اعتمادی را در داده‌های مختلف ارائه می‌دهد. در نهایت، مقاله امکان گسترش این رویکرد با استفاده از سایر معیارهای مرکزیت و کاربرد آن در گراف‌های بزرگ یا ناهمگن را نیز مطرح می‌سازد.