پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 692 |
| تعداد مقالات | 10,048 |
| تعداد مشاهده مقاله | 71,052,873 |
| تعداد دریافت فایل اصل مقاله | 62,504,265 |
تعمیمپذیری خارجازتوزیع شبکههای عصبی گرافی با رویکرد یادگیری تقابلی | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 24 فروردین 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2026.39592.2926 | ||
| نویسندگان | ||
| سیده حمیده عرفانی1؛ محمدجواد فدائی اسلام* 2؛ رضا مرتضوی3؛ محمد رحمانی منش1 | ||
| 1دانشگاه سمنان، دانشکده مهندسی برق و کامپیوتر | ||
| 2دانشگاه سمنان | ||
| 3دانشگاه دامغان | ||
| تاریخ دریافت: 13 آبان 1404، تاریخ بازنگری: 14 دی 1404، تاریخ پذیرش: 06 بهمن 1404 | ||
| چکیده | ||
| در این مقاله، چالش تعمیمپذیری خارجازتوزیع (OOD) در شبکههای عصبی گرافی (GNN) برای مسئله طبقهبندی گرهها مورد بررسی قرار گرفته است. با توجه به کاربرد گسترده GNNها در حوزههای مختلف علمی و صنعتی، ضعف این مدلها در مواجهه با دادههای خارج از توزیع محیط آموزش بهعنوان یک محدودیت اساسی شناخته میشود. این مقاله با تمرکز بر یادگیری تقابلی، یک مدل مبتنی بر معماری سیامی پیشنهاد میدهد که با تقویت داده و تولید نمونههای مثبت از طریق بههمریختگی ماتریس ویژگی گرهها و نیز با بهکارگیری تابع اتلاف سهجزئی شامل بیشینهسازی شباهت بازنمایی، شباهت پیشبینی برچسب و دقت پیشبینی، بهبود قابلتوجهی در تعمیمپذیری OOD حاصل میکند. مدل پیشنهادی بدون نیاز به تولید نمونههای منفی و با کاهش پیچیدگی محاسباتی، توانسته است عملکرد بهتری نسبت به روشهای پایه از خود نشان دهد و بهصورت میانگین در معیار GAP، شکاف عملکرد بین سناریوهای IID و OOD را تا 75/19% کاهش داده و ضمنا به میانگین دقت OOD برابر با 04/55% دست یافته است. | ||
| کلیدواژهها | ||
| شبکههای عصبی گراف؛ تعمیمپذیری خارجازتوزیع؛ یادگیری تقابلی؛ طبقهبندی گره؛ تغییر توزیع | ||
| عنوان مقاله [English] | ||
| Out-of-Distribution Generalization in Graph Neural Networks via Contrastive Learning | ||
| نویسندگان [English] | ||
| Seyedeh Hamideh Erfani1؛ Mohammad Javad Fadaeieslam2؛ Reza Mortazavi3؛ Mohammad Rahmanimanesh1 | ||
| 1Semnan University, Electrical and Computer Engineering Faculty | ||
| 2Semnan University, Electrical and Computer Engineering Faculty | ||
| 3Damghan University | ||
| چکیده [English] | ||
| Graph Neural Networks (GNNs) excel at learning from graph-structured data but suffer significant performance degradation under distribution shifts between training and test environments. This paper proposes a Siamese-based contrastive learning framework for improving out-of-distribution (OOD) generalization in node classification tasks. Our approach generates positive samples through feature matrix perturbation without requiring negative samples, thereby reducing computational complexity. The model employs dual GCN encoders and MLP classifiers with shared weights, optimized using a three-component loss function that maximizes representation similarity, prediction consistency, and classification accuracy. Experimental evaluation on GOOD benchmark datasets across both covariate and concept shift scenarios demonstrates that our method outperforms baseline approaches. This work demonstrates that contrastive learning with Siamese architecture offers a computationally efficient and effective solution for enhancing GNN robustness under distribution shifts, with promising implications for real-world applications requiring reliable model performance in dynamic environments. The proposed method on average and in the GAP metric, has reduced the performance gap between IID and OOD scenarios by 19.75%, while also achieving an average OOD accuracy of 55.04%. | ||
| کلیدواژهها [English] | ||
| Graph Neural Networks, Out-of-Distribution Generalization, Contrastive Learning, Node Classification, Siamese Architecture | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 3 |
||