روش MGP اطلاعات توپولوژیک را با پیام‌رسانی در شبکه‌های گرافی ترکیب می‌کند

شبکه‌های عصبی گرافیِ مبتنی بر پیام‌رسانی (GNN) از نظر توان بازنمایی به آزمون یک‌بعدی Weisfeiler–Leman محدودند. همولوژی پایا می‌تواند اطلاعات توپولوژیک مکملی فراهم کند، اما روش‌های پیشین معمولاً آن را جدا از فرایند یادگیری بازنمایی محاسبه می‌کردند.

مقاله‌ای تازه در arXiv روش «پایداری گراف با پیام‌رسانی» (Message-Passing Graph Persistence یا MGP) را معرفی می‌کند؛ خانواده‌ای از توصیفگرهای توپولوژیک که پیام‌رسانی را در روند ساخت فیلتراسیون‌های گراف وارد می‌کند. در هر گام، بازنمایی گره‌ها با توجه به زیرگراف جاری به‌روزرسانی می‌شود و به رویدادهای پایداری پیوند می‌خورد. این بازنمایی‌ها همچنین برای تعیین نماینده‌های مؤلفه‌های همبند هنگام محاسبهٔ پایداری به کار می‌روند.

نویسندگان ثابت می‌کنند MGP نسبت به هم‌ریختی گراف ناورداست و از توصیفگرهای مبتنی بر همولوژی پایایی که بسط می‌دهد، توان بازنمایی بیشتری دارد. آن‌ها این روش را روی یک معیار سنجش توان بازنمایی و چند مجموعه‌دادهٔ طبقه‌بندی و رگرسیون گراف ارزیابی کرده‌اند؛ نتیجهٔ گزارش‌شده، عملکرد بهتر MGP از بیشتر توصیفگرهای مبتنی بر همولوژی پایا در این مجموعه‌داده‌هاست. این مقاله نسخهٔ پیش‌چاپی است که در arXiv منتشر شده است.