الشبكة الالتفافية البيانية (GCN)
Graph Convolutional Network
طبقة بيانية بسيطة تأخذ متوسطاً مطبّعاً لتمثيلات العقدة وجيرانها ثم تطبق تحويلاً خطياً مشتركاً، وهي تقريب من الدرجة الأولى للالتفاف الطيفي.
نظرة عامة
| الاسم | الشبكة الالتفافية البيانية – Graph Convolutional Network |
|---|---|
| سنة الظهور | 2017 |
| الباحثون | Thomas N. Kipf، Max Welling |
| الجهة | University of Amsterdam |
| الورقة الأصلية | Semi-supervised classification with graph convolutional networks arXiv |
| نوع البيانات | رسوم بيانية |
| المجالات | أنظمة التوصية، الحوسبة العلمية، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية |
| الكلفة الحسابية | $O(|E|d)$ لكل طبقة مع مصفوفات متناثرة. |
| حجم البيانات | رسم واحد بآلاف إلى ملايين العقد. |
المشكلة التي تحلها
الالتفاف الطيفي على الرسوم كان مكلفاً (يتطلب تحليل القيم الذاتية للابلاسيان). احتاج تصنيف العقد نصف الإشرافي إلى طبقة فعّالة تتوسع إلى رسوم كبيرة.
الخلفية والتطور
ما قبلها: الشبكة العصبية البيانية، Spectral CNNs، ChebNet
- 2017
قدّم Kipf وWelling طبقة GCN لتصنيف العقد نصف الإشرافي في ICLR 2017. [مرجع]
الفكرة الأساسية
تُضاف حلقة ذاتية لكل عقدة ($\tilde A=A+I$) ثم تُطبّع مصفوفة التجاور تطبيعاً متماثلاً بالدرجات، فيصبح التمثيل الجديد متوسطاً موزوناً للعقدة وجيرانها، يتبعه تحويل خطي ثم تنشيط.
المخطط التفاعلي
مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.
اختر طبقة من المخطط.
المكونات
| المكوّن | الوظيفة |
|---|---|
| Input | سمات $X\in\mathbb{R}^{N\times d}$ ومصفوفة تجاور $A$ |
| Self-loops | $\tilde A=A+I$ |
| Normalization | $\tilde D^{-1/2}\tilde A\tilde D^{-1/2}$ |
| Linear transform | وزن مشترك $W$ |
| Activation | ReLU |
| Output | Softmax لكل عقدة |
المعادلات
1. قاعدة انتشار GCN
| $H^{(l)}$ | تمثيلات العقد في الطبقة l |
| $W^{(l)}$ | وزن مشترك |
| $\tilde D$ | مصفوفة الدرجات بعد إضافة الحلقات |
2. صيغة العقدة الواحدة
| $\tilde d_v$ | درجة العقدة بعد الحلقة الذاتية |
آلية العمل خطوة بخطوة
- تُضاف الحلقات الذاتية وتُحسب مصفوفة التطبيع مرة واحدة.
- تُضرب السمات بالوزن ثم بمصفوفة التجاور المطبّعة.
- يُطبّق ReLU وDropout.
- تعطي الطبقة الثانية درجات الفئات.
- تُحسب الخسارة على العقد المعنونة فقط.
المزايا والقيود
المزايا
- بسيطة وسريعة وقليلة المعاملات.
- خط أساس قوي لتصنيف العقد.
القيود
- أوزان الجيران ثابتة (حسب الدرجة) وليست متعلمة.
- تحويلية (transductive) في صيغتها الأصلية.
- أداؤها ينخفض في الرسوم غير المتجانسة (heterophily).
متى تُستخدم؟ ومتى لا؟
تناسب
- تصنيف العقد في رسوم متجانسة (الجيران يتشابهون).
لا تناسب
- رسوم يكون فيها الجيران عادة من فئات مختلفة؛ جرّب GAT أو نماذج heterophily.
التطبيقات
| المجال | الاستخدام |
|---|---|
| تعلم البيانات البيانية | تصنيف العقد والروابط والرسوم كاملة. |
| أنظمة التوصية | أنظمة التوصية بتمثيل المستخدمين والعناصر كرسم ثنائي. |
| الحوسبة العلمية | التنبؤ بخصائص الجزيئات في الكيمياء الحاسوبية. |
| اكتشاف الاحتيال | كشف الاحتيال في شبكات المعاملات المالية. |
| تحليل الشبكات الاجتماعية | تحليل الشبكات الاجتماعية واكتشاف المجتمعات. |
كود PyTorch
كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.
# Graph Convolutional Network (GCN)
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F
torch.manual_seed(0)
# 2) تعريف النموذج
def normalize(A):
A_hat = A + torch.eye(A.shape[0]) # Ã = A + I
d = A_hat.sum(1)
D_inv_sqrt = torch.diag(d.pow(-0.5))
return D_inv_sqrt @ A_hat @ D_inv_sqrt # D̃^{-1/2} Ã D̃^{-1/2}
class GCN(nn.Module):
def __init__(self, d_in, d_hidden=16, n_classes=3, p=0.5):
super().__init__()
self.W1, self.W2, self.p = nn.Linear(d_in, d_hidden), nn.Linear(d_hidden, n_classes), p
def forward(self, X, A_norm):
H = F.relu(A_norm @ self.W1(X))
H = F.dropout(H, self.p, self.training)
return A_norm @ self.W2(H)
# 3) إعداد البيانات
# رسم بياني اصطناعي من نموذج الكتل العشوائية (SBM): 3 مجتمعات، روابط داخلية أكثر من الخارجية
N, C, D = 150, 3, 8
y = torch.arange(N) % C
P = torch.where(y[:, None] == y[None, :], 0.12, 0.01)
A = (torch.rand(N, N) < P).float().triu(1); A = A + A.T # مصفوفة تجاور متماثلة دون حلقات
X = torch.randn(N, D) + 0.6 * F.one_hot(y, D).float() # سمات ضعيفة الإشارة؛ البنية تساعد
idx = torch.randperm(N); train_idx, test_idx = idx[:45], idx[45:] # 30% فقط معنونة (نصف إشرافي)
A_norm = normalize(A)
model = GCN(D)
# 4) دالة الخسارة والمحسّن
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2, weight_decay=5e-4)
# 5) حلقة التدريب (full-batch: الرسم كله في كل خطوة، والخسارة على العقد المعنونة فقط)
for epoch in range(120):
model.train()
out = model(X, A_norm) # Forward Pass لكل العقد
loss = loss_fn(out[train_idx], y[train_idx])
opt.zero_grad(); loss.backward(); opt.step()
if epoch % 30 == 0:
print(f"epoch {epoch:3d} loss={loss.item():.4f}")
# 6) التقييم على العقد غير المعنونة
model.eval()
with torch.no_grad():
pred = model(X, A_norm).argmax(1)
print(f"test accuracy = {(pred[test_idx] == y[test_idx]).float().mean().item():.3f}")
# 7) الاستدلال: فئة العقدة 0
print("node 0 predicted community:", pred[0].item(), " true:", y[0].item())
نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.1 ثانية (PyTorch (CPU), Python 3 – local build machine).
من مخرجاته:
test accuracy = 0.952
عدد المعاملات القابلة للتدريب في المثال: model = 195.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
- مستكشف الشبكات البيانية
- أطلس نماذج الذكاء الاصطناعي قسم آخر في الموقع
- مختبر الشبكات العصبية البيانية قسم آخر في الموقع
معماريات مرتبطة
شبكة الانتباه البيانية
Graph Attention Network (GAT)
تستبدل الأوزان الثابتة في GCN بمعاملات انتباه متعلمة لكل حافة، فتحدد كل عقدة مقدار أهمية كل جار، مع رؤوس انتباه متعددة.
جراف سيج
GraphSAGE
إطار استقرائي يتعلم دوال تجميع لجوار عيّني من الجيران، فيستطيع حساب تمثيلات لعقد جديدة لم ترها الشبكة أثناء التدريب.
شبكة تماثل الرسوم
Graph Isomorphism Network (GIN)
GNN مصممة لتبلغ القدرة التمييزية لاختبار Weisfeiler–Lehman (1-WL)، باستخدام تجميع بالمجموع وMLP في التحديث.
الشبكة العصبية البيانية
Graph Neural Network (GNN)
عائلة نماذج تتعلم تمثيلاً لكل عقدة بتبادل الرسائل مع جيرانها عبر الحواف، فتدمج سمات العقدة مع بنية الرسم.
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- تقييم GCN مقابل GAT وGraphSAGE على رسوم غير متجانسة عربية (مثلاً شبكات تغريدات) بتقسيمات متعددة.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
لماذا تُضاف الحلقات الذاتية $A+I$ في GCN؟
لماذا؟ دونها يعتمد التمثيل الجديد على الجيران فقط.
في رسم من عقدتين متصلتين، ما مصفوفة التطبيع $\tilde D^{-1/2}\tilde A\tilde D^{-1/2}$؟
لماذا؟ الدرجة بعد الحلقة 2 لكل عقدة، فكل عنصر $1/\sqrt{2\cdot2}=0.5$.
ما القيد الرئيسي لـ GCN مقارنة بـ GAT؟
لماذا؟ GAT تتعلم معاملات انتباه لكل حافة.
المراجع
Kipf, T. N., & Welling, M. (2017). Semi-supervised classification with graph convolutional networks. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1609.02907
Wu, Z., Pan, S., Chen, F., Long, G., Zhang, C., & Yu, P. S. (2021). A comprehensive survey on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, 32(1), 4–24. https://doi.org/10.1109/TNNLS.2020.2978386
