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

أساسيالشبكات العصبية البيانية

الشبكة العصبية البيانية (GNN)

Graph Neural Network

عائلة نماذج تتعلم تمثيلاً لكل عقدة بتبادل الرسائل مع جيرانها عبر الحواف، فتدمج سمات العقدة مع بنية الرسم.

نظرة عامة

الاسمالشبكة العصبية البيانية – Graph Neural Network
سنة الظهور2009
الباحثونFranco Scarselli، Marco Gori، Ah Chung Tsoi، Markus Hagenbuchner، Gabriele Monfardini
الورقة الأصليةThe graph neural network model DOI
نوع البياناترسوم بيانية
المجالاتأنظمة التوصية، اكتشاف الاحتيال، الحوسبة العلمية، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية
الكلفة الحسابيةتتناسب تقريباً مع عدد الحواف $O(|E|d)$ لكل طبقة.
حجم البياناتمن رسم واحد كبير (تصنيف عقد) إلى آلاف الرسوم الصغيرة (جزيئات).

المشكلة التي تحلها

البيانات العلائقية (جزيئات، شبكات اجتماعية، معاملات) ليست شبكة منتظمة مثل الصورة ولا سلسلة مثل النص، وليس لعقدها ترتيب ثابت.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، Recursive Neural Networks

  1. 2009

    قدّم Scarselli وزملاؤه نموذج GNN الأصلي القائم على نقطة ثابتة لدالة انتقال. [مرجع]

  2. 2017

    وحّد Gilmer وزملاؤه النماذج تحت إطار تمرير الرسائل (MPNN). [مرجع]

  3. 2021

    مسح شامل لأنواع GNN وتطبيقاتها. [مرجع]

الفكرة الأساسية

في كل طبقة، تجمع العقدة رسائل من جيرانها بدالة تجميع لا تتأثر بترتيب الجيران (مجموع أو متوسط أو أقصى)، ثم تحدّث تمثيلها. بعد $L$ طبقات يحتوي تمثيل العقدة على معلومات من جوارها حتى مسافة $L$.

مثال: في شبكة معاملات بنكية، حساب جديد يتعامل كثيراً مع حسابات احتيالية سيحصل على تمثيل قريب منها بعد طبقتين، حتى لو بدت سماته الفردية طبيعية.

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
Inputرسم $G=(V,E)$ وسمات عقد $X\in\mathbb{R}^{N\times d}$
Message Functionتحسب رسالة لكل حافة
Aggregationمجموع/متوسط/أقصى لا يتأثر بالترتيب
Update Functionتدمج الرسالة المجمعة مع الحالة السابقة
Readoutتجميع عالمي عند تصنيف الرسم كله
Loss FunctionCross-Entropy للعقد أو الرسوم

المعادلات

1. إطار تمرير الرسائل

$$m_v^{(t+1)}=\sum_{u\in\mathcal{N}(v)} M_t\!\left(h_v^{(t)},h_u^{(t)},e_{uv}\right),\qquad h_v^{(t+1)}=U_t\!\left(h_v^{(t)},m_v^{(t+1)}\right)$$

الرموز
$h_v^{(t)}$تمثيل العقدة v في الطبقة t
$\mathcal{N}(v)$جيران v
$M_t$دالة الرسالة
$U_t$دالة التحديث
$e_{uv}$سمات الحافة
الأبعاد
$h_v\in\mathbb{R}^{d}$
مثال عددي
عقدة لها جاران تمثيلاهما $(1,0)$ و$(0,2)$ ورسالة هوية: $m_v=(1,2)$.
علاقتها بالمعمارية
هذه الصيغة العامة التي تخصّصها GCN وGAT وGIN وغيرها.

2. قراءة الرسم (Readout)

$$h_G=R\!\left(\{h_v^{(T)}\mid v\in V\}\right)$$

الرموز
$R$دالة تجميع لا تتأثر بالترتيب
الأبعاد
$h_G\in\mathbb{R}^{d}$
مثال عددي
متوسط تمثيلات ثلاث عقد $(1,1),(3,1),(2,4)$ هو $(2,2)$.
علاقتها بالمعمارية
تستخدم لتصنيف الجزيء أو الرسم كاملاً.

آلية العمل خطوة بخطوة

  1. تُهيّأ حالة كل عقدة بسماتها.
  2. تُحسب رسالة على كل حافة.
  3. تجمع كل عقدة رسائل جيرانها.
  4. تُحدَّث الحالة بدالة متعلمة.
  5. تتكرر الخطوات L مرة.
  6. يُطبّق مصنّف على العقد أو على تجميع الرسم.

المزايا والقيود

المزايا

  • تستغل بنية العلاقات مباشرة.
  • لا تتأثر بترقيم العقد (equivariant).
  • تعمل على رسوم بأحجام مختلفة.

القيود

  • التنعيم المفرط (over-smoothing) مع كثرة الطبقات.
  • الاختناق المعلوماتي (over-squashing) للعلاقات البعيدة.
  • قدرة تمييزية محدودة بأعلى حد اختبار Weisfeiler–Lehman لمعظم النماذج.

متى تُستخدم؟ ومتى لا؟

تناسب

  • بيانات ذات علاقات صريحة بين الكيانات.

لا تناسب

  • بيانات بلا علاقات واضحة؛ بناء رسم مصطنع قد لا يضيف معلومة.

التطبيقات

المجالالاستخدام
تعلم البيانات البيانيةتصنيف العقد والروابط والرسوم كاملة.
أنظمة التوصيةأنظمة التوصية بتمثيل المستخدمين والعناصر كرسم ثنائي.
الحوسبة العلميةالتنبؤ بخصائص الجزيئات في الكيمياء الحاسوبية.
اكتشاف الاحتيالكشف الاحتيال في شبكات المعاملات المالية.
تحليل الشبكات الاجتماعيةتحليل 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.

Python (PyTorch)
# Message Passing GNN (MPNN مبسّط)
# 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 MPNNLayer(nn.Module):
    """رسالة = MLP(h_u, h_v)، تجميع بالمجموع، تحديث بـ GRUCell."""
    def __init__(self, d):
        super().__init__()
        self.msg = nn.Sequential(nn.Linear(2 * d, d), nn.ReLU())
        self.upd = nn.GRUCell(d, d)
    def forward(self, h, A):
        src, dst = A.nonzero(as_tuple=True)                       # الحواف u→v
        m = self.msg(torch.cat([h[src], h[dst]], dim=1))          # رسالة لكل حافة
        agg = torch.zeros_like(h).index_add_(0, dst, m)           # Σ للرسائل الواصلة
        return self.upd(agg, h)

class MPNN(nn.Module):
    def __init__(self, d_in, d=32, n_classes=3, L=2):
        super().__init__()
        self.inp = nn.Linear(d_in, d)
        self.layers = nn.ModuleList([MPNNLayer(d) for _ in range(L)])
        self.out = nn.Linear(d, n_classes)
    def forward(self, X, A):
        h = torch.relu(self.inp(X))
        for layer in self.layers:
            h = layer(h, A)
        return self.out(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)

model = MPNN(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(80):
    model.train()
    out = model(X, A)                                   # Forward Pass لكل العقد
    loss = loss_fn(out[train_idx], y[train_idx])
    opt.zero_grad(); loss.backward(); opt.step()
    if epoch % 20 == 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).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 = 0.800

عدد المعاملات القابلة للتدريب في المثال: model = 17٬219.

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

متوسط2018

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.

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

متوسط2019

شبكة تماثل الرسوم

Graph Isomorphism Network (GIN)

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

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

أفكار بحثية

  • دراسة over-squashing في رسوم المعاملات المالية واقتراح إعادة توصيل (rewiring) للرسم.
  • مقارنة MPNN مع Graph Transformers على رسوم جزيئية صغيرة مع اختبارات دلالة إحصائية.

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

اختبر فهمك

  1. مفهوم

    لماذا تستخدم GNN دوال تجميع مثل المجموع أو المتوسط؟

  2. مفهوم

    بعد 3 طبقات تمرير رسائل، ما أقصى مسافة تصل منها معلومات إلى العقدة؟

  3. مفهوم

    ما المقصود بالتنعيم المفرط (over-smoothing)؟

المراجع

  1. Scarselli, F., Gori, M., Tsoi, A. C., Hagenbuchner, M., & Monfardini, G. (2009). The graph neural network model. IEEE Transactions on Neural Networks, 20(1), 61–80. https://doi.org/10.1109/TNN.2008.2005605

    DOIتحقق آلي عبر Crossref – 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

  3. 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

    DOIتحقق آلي عبر Crossref – 2026-11-20