الشبكات العصبية البيانية
Graph Neural Networks
نظرية الرسوم ← GNN ← GCN ← GAT ← Graph Transformers.
أهداف المسار
- تمثيل البيانات كرسوم: مصفوفة التجاور والسمات.
- فهم تمرير الرسائل وصيغة GCN المطبَّعة.
- مقارنة التجميع الثابت مع الانتباه على الجيران.
- معرفة حدود قدرة التمييز وفرط التنعيم ومتى تفيد المحولات البيانية.
المتطلبات السابقة
- مسار الأساسيات.
- جبر المصفوفات المتناثرة.
ترتيب التعلّم
- أساسيات نظرية الرسوم (Graph Theory)
العقد والحواف، ومصفوفة التجاور $A$، ودرجة العقدة، والمسار والجوار. هذه المفاهيم تشرحها صفحة GNN ومستكشف الشبكات البيانية مباشرة.
- الشبكة العصبية البيانية Graph Neural Network
عائلة نماذج تتعلم تمثيلاً لكل عقدة بتبادل الرسائل مع جيرانها عبر الحواف، فتدمج سمات العقدة مع بنية الرسم.
- الشبكة الالتفافية البيانية Graph Convolutional Network
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
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
GNN مصممة لتبلغ القدرة التمييزية لاختبار Weisfeiler–Lehman (1-WL)، باستخدام تجميع بالمجموع وMLP في التحديث.
- محوّل الرسوم البيانية Graph Transformer
تطبيق الانتباه الذاتي على عقد الرسم مع ترميزات موضعية أو بنيوية (مثل متجهات لابلاسيان الذاتية) كي يعرف النموذج بنية الرسم، فيتجاوز قيود الجوار المحلي.
المختبرات
مشاريع مقترحة
- في مستكشف الشبكات البيانية ابنِ رسماً من 6 عقد ونفّذ GCN ثم GAT، وفسّر اختلاف التمثيلات.
- قارن أمثلة GCN وGAT وGraphSAGE في الموسوعة على الرسم الاصطناعي نفسه.
- صمم تجربة لاكتشاف الاحتيال على رسم معاملات مع تقسيم زمني يمنع تسرّب المعلومات.
اختبار المسار
في GCN تُضاف حلقة ذاتية إلى كل عقدة قبل التطبيع حتى تحتفظ بسماتها.
لماذا؟ الصيغة تستخدم $\tilde A=A+I$ ثم التطبيع المتماثل بالدرجات.
ما الفرق الجوهري بين GAT وGCN؟
لماذا؟ معاملات الانتباه في GAT تُحسب من سمات العقدتين، بينما معامل GCN يعتمد على البنية فقط.
عقدة درجتها 3 (بعد إضافة الحلقة الذاتية) وجارها درجته 3 أيضاً: ما معامل التطبيع المتماثل بينهما في GCN؟
لماذا؟ $1/\sqrt{d_i d_j}=1/\sqrt{9}=1/3$.
زيادة عدد طبقات GCN كثيراً تحسّن الأداء دائماً.
لماذا؟ الطبقات الكثيرة تسبب فرط التنعيم (Over-smoothing) فتتقارب تمثيلات العقد.
