مدلی برای گراف‌های ناهمگن، هندسهٔ نامعین را وارد شبکه‌های عصبی گرافی می‌کند

بسیاری از شبکه‌های عصبی گرافی بر فرض هندسیِ مثبت‌معین تکیه دارند؛ اما در گراف‌های ناهمگن، یال‌ها ممکن است به‌جای شباهت، نشان‌دهندهٔ تفاوت یا دافعهٔ ساختاری باشند. پژوهشی که به‌صورت پیش‌چاپ در arXiv منتشر شده، می‌گوید این فرض می‌تواند با ساختار چنین گراف‌هایی ناسازگار باشد.

نویسندگان شاخص «Graph Signature Index» را معرفی کرده‌اند؛ معیاری مبتنی بر توپولوژی برچسب‌ها که از ماتریس سازگاری کلاس‌ها به دست می‌آید. آن‌ها همچنین نشان می‌دهند هیچ مقدار شاخص هموفیلیِ یال یا گره در بازهٔ صفر تا یک، به‌تنهایی وجود مقدار ویژهٔ منفی را منتفی نمی‌کند.

بر پایهٔ این ایده، مدل Pseudo-Riemannian Attention Network یا PRAT از فاصلهٔ شبه‌متریکِ علامت‌دار در سازوکار توجه استفاده می‌کند. ساختار علامت‌ها با شاخص گراف مقداردهی اولیه می‌شود و مدل سپس بخش‌های دیگر متریک را می‌آموزد. طبق مقاله، PRAT در ۱۵ معیار بنچمارکِ طبقه‌بندی گره، عملکردی هم‌سطح یا بهتر از قوی‌ترین مدل‌های سازگارشده با ناهموفیلی داشته است. در آزمایش حذف کنترل‌شده نیز محدودکردن متریک به حالت مثبت‌معین، دقت را در گراف‌هایی که شاخص آن‌ها نامعین تشخیص می‌دهد کاهش داده و در گراف‌های دیگر تغییری ایجاد نکرده است. مقاله پذیرفته‌شدهٔ NeurIPS 2026 است.