بهبود صحت طبقهبندی گرهها در شبکههای عصبی گراف با استفاده از PageRank به عنوان یک ویژگی اضافی برای گرهها | ||
| پژوهش های نظری و کاربردی هوش ماشینی | ||
| مقاله 8، دوره 3، شماره 1، شهریور 1404، صفحه 127-144 اصل مقاله (2.46 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/abmir.2025.23200.1130 | ||
| نویسندگان | ||
| حسین حسینی1؛ مهدی نقوی* 2 | ||
| 1دانشجوی دکتری هوش مصنوعی و رباتیکز، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| 2استادیار، دانشکده هوش مصنوعی و علوم شناختی، دانشگاه جامع امام حسین (ع)، تهران، ایران | ||
| چکیده | ||
| 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. | ||
| کلیدواژهها | ||
| شبکههای عصبی گراف؛ طبقهبندی گرهها؛ نمره PageRank؛ شبکههای کانولوشنی گراف؛ شبکههای توجهی گراف؛ شبکههای نمونهگیری و تجمیع از روی گراف | ||
| عنوان مقاله [English] | ||
| Improving Node Classification Accuracy in Graph Neural Networks Using PageRank as an Additional Node Feature | ||
| نویسندگان [English] | ||
| Hossein Hosseini1؛ Mehdi Naghavi2 | ||
| 1PhD’s Student in Artificial Intelligence and Robotics, Faculty of Artificial Intelligence and Cognitive Sciences, Imam Hossein Comprehensive University, Tehran, Iran | ||
| 2Assistant Professor, Faculty of Artificial Intelligence and Cognitive Sciences, Imam Hossein Comprehensive University, Tehran, Iran | ||
| چکیده [English] | ||
| This paper presents a simple yet effective approach to enhance the performance of Graph Neural Networks (GNNs) in node classification tasks. The proposed method involves incorporating the PageRank score—a global centrality metric—into node feature vectors to integrate broader contextual information beyond local neighborhoods. To evaluate the approach, three well-known GNN architectures—Graph Convolutional Networks (GCNs), Graph Attention Networks (GATs), and GraphSAGE—are tested on the Cora, CiteSeer, and PubMed citation network datasets. Model performance is assessed using standard metrics such as accuracy, precision, recall, F1 score, along with visual analyses based on Principal Component Analysis (PCA), t-distributed Stochastic Neighbor Embedding (t-SNE), and Uniform Manifold Approximation and Projection (UMAP). Experimental results demonstrate that adding the PageRank score leads to a significant improvement in classification accuracy, particularly in GATs, which benefit more from the additional global information. Despite its simplicity, the proposed method incurs minimal computational overhead and delivers consistent and reliable performance across datasets. Finally, the paper discusses the potential extension of this strategy through the integration of other centrality measures and its application to larger or heterogeneous graphs. | ||
| کلیدواژهها [English] | ||
| Graph Neural Networks, Node Classification, PageRank Score, Graph Convolutional Networks, Graph Attention Networks, GraphSAGE | ||
| مراجع | ||
|
[1] S. Zhang et al., "The combination of a graph neural network technique and brain imaging to diagnose neurological disorders: a review and outlook," Brain Sciences, vol. 13, no. 10, p. 1462, 2023. [2] A. Sharma, S. Singh, and S. Ratna, "Graph neural network operators: a review," Multimedia Tools and Applications, vol. 83, no. 8, pp. 23413-23436, 2024. [3] D. Klepl, M. Wu, and F. He, "Graph neural network-based eeg classification: A survey," IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 32, pp. 493-503, 2024. [4] J.-Y. Ryu, E. Elala, and J.-K. K. Rhee, "Quantum graph neural network models for materials search," Materials, vol. 16, no. 12, p. 4300, 2023. [5] E. Chien, J. Peng, P. Li, and O. Milenkovic, "Adaptive universal generalized pagerank graph neural network," arXiv preprint arXiv:2006.07988, 2020. [6] A. Roth and T. Liebig, "Transforming pagerank into an infinite-depth graph neural network," in Joint European conference on machine learning and knowledge discovery in databases, 2022: Springer, pp. 469-484. [7] J. Gasteiger, A. Bojchevski, and S. Günnemann, "Predict then propagate: Graph neural networks meet personalized pagerank," arXiv preprint arXiv:1810.05997, 2018. [8] A. Bojchevski et al., "Scaling graph neural networks with approximate pagerank," in Proceedings of the 26th ACM SIGKDD international conference on knowledge discovery & data mining, 2020, pp. 2464-2473. [9] S. Zhang, C. Wang, and J. Zhu, "A Dual Adaptive PageRank Graph Neural Network with Structural Augmentation," in 2024 9th International Conference on Computer and Communication Systems (ICCCS), 2024: IEEE, pp. 1356-1362. [10] Q. Ma, Z. Fan, C. Wang, and H. Tan, "Graph mixed random network based on pagerank," Symmetry, vol. 14, no. 8, p. 1678, 2022. [11] J. Choi, "Personalized pagerank graph attention networks," in ICASSP 2022-2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2022: IEEE, pp. 3578-3582. [12] S. Zhang et al., "A survey on graph neural network acceleration: Algorithms, systems, and customized hardware," arXiv preprint arXiv:2306.14052, 2023.
| ||
|
آمار تعداد مشاهده مقاله: 227 تعداد دریافت فایل اصل مقاله: 90 |
||