كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

متوسطالشبكات العصبية البيانية

شبكة تماثل الرسوم (GIN)

Graph Isomorphism Network

GNN مصممة لتبلغ القدرة التمييزية لاختبار Weisfeiler–Lehman (1-WL)، باستخدام تجميع بالمجموع وMLP في التحديث.

نظرة عامة

الاسمشبكة تماثل الرسوم – Graph Isomorphism Network
سنة الظهور2019
الباحثونKeyulu Xu، Weihua Hu، Jure Leskovec، Stefanie Jegelka
الورقة الأصليةHow powerful are graph neural networks? arXiv
نوع البياناترسوم بيانية
المجالاتالحوسبة العلمية، تعلم البيانات البيانية
الكلفة الحسابية$O(|E|d+Nd^2)$ لكل طبقة.
حجم البياناتآلاف الرسوم الصغيرة (مجموعات TU وOGB الجزيئية).

المشكلة التي تحلها

لم يكن واضحاً نظرياً ما حدود قدرة GNN على التمييز بين الرسوم المختلفة، ولماذا تفشل بعض دوال التجميع (المتوسط والأقصى) في حالات بسيطة.

الخلفية والتطور

ما قبلها: الشبكة الالتفافية البيانية، جراف سيج، Weisfeiler–Lehman test

  1. 2019

    أثبت Xu وزملاؤه أن قوة GNN محدودة باختبار 1-WL، واقترحوا GIN التي تبلغ هذا الحد. [مرجع]

الفكرة الأساسية

لكي تكون دالة التجميع حقنية (injective) على المجموعات المتعددة (multisets)، يستخدم المجموع بدل المتوسط أو الأقصى، ثم MLP كمقرب عام للدوال. المعامل $\epsilon$ يميّز العقدة نفسها عن جيرانها.

مثال: عقدة لها جاران بالسمة $(1)$ وأخرى لها جار واحد بالسمة $(1)$: المتوسط يعطي القيمة نفسها $(1)$ لكليهما، أما المجموع فيعطي $(2)$ و$(1)$ فيميزهما.

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

المكوّنالوظيفة
Sum aggregationمجموع تمثيلات الجيران
Self term$(1+\epsilon)h_v$
MLPطبقتان خطيتان مع BatchNorm وReLU
Graph readoutمجموع تمثيلات العقد في كل طبقة ثم ربطها
Classifierلتصنيف الرسم

المعادلات

1. تحديث GIN

$$h_v^{(k)}=\mathrm{MLP}^{(k)}\!\left((1+\epsilon^{(k)})\,h_v^{(k-1)}+\sum_{u\in\mathcal{N}(v)}h_u^{(k-1)}\right)$$

الرموز
$\epsilon^{(k)}$عدد قابل للتعلم أو ثابت
$\mathrm{MLP}$مقرب عام للدوال
الأبعاد
$h_v^{(k)}\in\mathbb{R}^{d}$
مثال عددي
$\epsilon=0$، $h_v=(1)$، جيران $(1),(2)$ ⇒ الدخل للـ MLP هو $(4)$.
علاقتها بالمعمارية
المجموع مع MLP يحقق شرط الحقنية.

2. قراءة الرسم

$$h_G=\Big\|_{k=0}^{K}\sum_{v\in G}h_v^{(k)}$$

الرموز
$\|$ربط عبر الطبقات
الأبعاد
$h_G\in\mathbb{R}^{(K+1)d}$
مثال عددي
رسم بعقدتين تمثيلاهما في طبقة ما $(1,0)$ و$(0,3)$ ⇒ المجموع $(1,3)$.
علاقتها بالمعمارية
استخدام كل الطبقات يجمع أنماطاً بأحجام مختلفة.

آلية العمل خطوة بخطوة

  1. تُجمع تمثيلات الجيران بالمجموع.
  2. يضاف تمثيل العقدة مضروباً بـ $1+\epsilon$.
  3. يمر الناتج بـ MLP.
  4. تتكرر الطبقات.
  5. يُجمع تمثيل الرسم من كل الطبقات ويُصنّف.

المزايا والقيود

المزايا

  • أقوى تمييزياً من GCN وGraphSAGE ضمن عائلة MPNN.
  • أداء قوي في تصنيف الرسوم الجزيئية.

القيود

  • لا تتجاوز حد 1-WL (لا تميز بعض الرسوم المنتظمة).
  • المجموع قد يسبب قيماً كبيرة في الرسوم الكثيفة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تصنيف الرسوم كاملة (جزيئات، بروتينات).

لا تناسب

  • عندما يتطلب التمييز خصائص تتجاوز 1-WL مثل عدّ الحلقات؛ جرّب نماذج أعلى رتبة أو ترميزات موضعية.

التطبيقات

المجالالاستخدام
الحوسبة العلميةالتنبؤ بسمية الجزيئات أو فعاليتها.
تعلم البيانات البيانيةتصنيف الرسوم في المعايير القياسية.

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.

Python (PyTorch)
# Graph Isomorphism Network (GIN) لتصنيف الرسوم
# 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
class GINLayer(nn.Module):
    def __init__(self, d_in, d):
        super().__init__()
        self.eps = nn.Parameter(torch.zeros(1))
        self.mlp = nn.Sequential(nn.Linear(d_in, d), nn.ReLU(), nn.Linear(d, d))
    def forward(self, h, A):
        return self.mlp((1 + self.eps) * h + A @ h)          # (1+ε)h_v + Σ h_u

class GIN(nn.Module):
    def __init__(self, d_in=1, d=32, n_classes=2, L=3):
        super().__init__()
        self.layers = nn.ModuleList([GINLayer(d_in if i == 0 else d, d) for i in range(L)])
        self.out = nn.Linear(d_in + L * d, n_classes)
    def forward(self, graphs):
        outs = []
        for X, A in graphs:
            h, reads = X, [X.sum(0)]
            for layer in self.layers:
                h = F.relu(layer(h, A)); reads.append(h.sum(0))   # قراءة بالمجموع لكل طبقة
            outs.append(torch.cat(reads))
        return self.out(torch.stack(outs))

# 3) إعداد البيانات
# الفئة 0: حلقة (cycle)؛ الفئة 1: نجمة (star). سمة كل عقدة = 1، فالبنية وحدها تميز الفئتين.
def cycle(n):
    A = torch.zeros(n, n)
    for i in range(n): A[i, (i + 1) % n] = A[(i + 1) % n, i] = 1
    return A
def star(n):
    A = torch.zeros(n, n); A[0, 1:] = 1; A[1:, 0] = 1
    return A
def make(m):
    G, y = [], []
    for _ in range(m):
        n, c = int(torch.randint(5, 12, (1,))), int(torch.randint(0, 2, (1,)))
        G.append((torch.ones(n, 1), cycle(n) if c == 0 else star(n))); y.append(c)
    return G, torch.tensor(y)
G_train, y_train = make(160)
G_test, y_test = make(40)
model = GIN()

# 4) الخسارة والمحسّن
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 5) حلقة التدريب بدفعات من الرسوم
for epoch in range(30):
    model.train()
    perm = torch.randperm(len(G_train))
    for i in range(0, len(perm), 16):
        b = perm[i:i + 16]
        loss = loss_fn(model([G_train[j] for j in b]), y_train[b])
        opt.zero_grad(); loss.backward(); opt.step()
    if epoch % 10 == 0: print(f"epoch {epoch}  loss={loss.item():.4f}")

# 6) التقييم
model.eval()
with torch.no_grad():
    acc = (model(G_test).argmax(1) == y_test).float().mean().item()
print(f"test accuracy = {acc:.3f}")

# 7) الاستدلال: حلقة من 7 عقد
with torch.no_grad():
    print("cycle-7 predicted class:", model([(torch.ones(7, 1), cycle(7))]).argmax(1).item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 5.3 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 5٬543.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

أساسي2017

الشبكة الالتفافية البيانية

Graph Convolutional Network (GCN)

طبقة بيانية بسيطة تأخذ متوسطاً مطبّعاً لتمثيلات العقدة وجيرانها ثم تطبق تحويلاً خطياً مشتركاً، وهي تقريب من الدرجة الأولى للالتفاف الطيفي.

الشبكات العصبية البيانية

أساسي2017

جراف سيج

GraphSAGE

إطار استقرائي يتعلم دوال تجميع لجوار عيّني من الجيران، فيستطيع حساب تمثيلات لعقد جديدة لم ترها الشبكة أثناء التدريب.

الشبكات العصبية البيانية

متقدم2020

محوّل الرسوم البيانية

Graph Transformer (GT)

تطبيق الانتباه الذاتي على عقد الرسم مع ترميزات موضعية أو بنيوية (مثل متجهات لابلاسيان الذاتية) كي يعرف النموذج بنية الرسم، فيتجاوز قيود الجوار المحلي.

الشبكات العصبية البيانيةالمعماريات المتخصصةمعماريات المحولات

بحثي2016

الشبكات العصبية المتكافئة

Equivariant Neural Networks (ENN)

شبكات تُبنى بحيث يتحول خرجها بطريقة محددة عندما يتحول الدخل بتناظر ما (دوران، إزاحة، انعكاس، تبديل)، فلا تحتاج إلى تعلم هذا التناظر من البيانات، وتعمم إلى وضعيات لم ترها.

المعماريات المتخصصة

أفكار بحثية

  • دمج ترميزات موضعية (Laplacian PE) مع GIN لتجاوز حد 1-WL في رسوم جزيئية.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مقارنة

    لماذا تستخدم GIN المجموع بدلاً من المتوسط؟

  2. مفهوم

    ما الحد الأعلى النظري لقدرة GIN التمييزية؟

  3. رياضي

    مع $\epsilon=0$ و$h_v=2$ وجيران $1,1,3$، ما دخل MLP؟

المراجع

  1. Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2019). How powerful are graph neural networks?. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1810.00826

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  2. Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Neural message passing for quantum chemistry. International Conference on Machine Learning (ICML), PMLR 70, 1263–1272. https://arxiv.org/abs/1704.01212

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20