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
| الاسم | الشبكة العصبية البيانية – Graph Neural Network |
|---|---|
| سنة الظهور | 2009 |
| الباحثون | Franco Scarselli، Marco Gori، Ah Chung Tsoi، Markus Hagenbuchner، Gabriele Monfardini |
| الورقة الأصلية | The graph neural network model DOI |
| نوع البيانات | رسوم بيانية |
| المجالات | أنظمة التوصية، اكتشاف الاحتيال، الحوسبة العلمية، تحليل الشبكات الاجتماعية، تعلم البيانات البيانية |
| الكلفة الحسابية | تتناسب تقريباً مع عدد الحواف $O(|E|d)$ لكل طبقة. |
| حجم البيانات | من 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
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 $L$.
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 | رسم $G=(V,E)$ وسمات عقد $X\in\mathbb{R}^{N\times d}$ |
| Message Function | تحسب رسالة لكل حافة |
| Aggregation | مجموع/متوسط/أقصى لا يتأثر بالترتيب |
| Update Function | تدمج الرسالة المجمعة مع الحالة السابقة |
| Readout | تجميع عالمي عند تصنيف الرسم كله |
| Loss Function | Cross-Entropy للعقد أو الرسوم |
المعادلات
1. إطار تمرير الرسائل
| $h_v^{(t)}$ | تمثيل العقدة v في الطبقة t |
| $\mathcal{N}(v)$ | جيران v |
| $M_t$ | دالة الرسالة |
| $U_t$ | دالة التحديث |
| $e_{uv}$ | سمات الحافة |
2. قراءة الرسم (Readout)
| $R$ | دالة تجميع لا تتأثر بالترتيب |
آلية العمل خطوة بخطوة
- تُهيّأ حالة كل عقدة بسماتها.
- تُحسب رسالة على كل حافة.
- تجمع كل عقدة رسائل جيرانها.
- تُحدَّث الحالة بدالة متعلمة.
- تتكرر الخطوات L مرة.
- 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
| 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.
# 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
- مستكشف الشبكات البيانية
- مختبر الشبكات العصبية البيانية قسم آخر في الموقع
معماريات مرتبطة
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.
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.
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.
لا توجد نتائج مطابقة للمرشحات.
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
لماذا تستخدم GNN دوال تجميع مثل المجموع أو المتوسط؟
لماذا؟ العقد في الرسم ليس لها ترتيب طبيعي، فيجب أن تكون النتيجة واحدة لأي ترتيب.
بعد 3 طبقات تمرير رسائل، ما أقصى مسافة تصل منها معلومات إلى العقدة؟
لماذا؟ كل طبقة توسّع الجوار بقفزة واحدة.
ما المقصود بالتنعيم المفرط (over-smoothing)؟
لماذا؟ التجميع المتكرر يشبه الانتشار فيقرّب التمثيلات من بعضها.
المراجع
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
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
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
