قوة التمييز: تصنيف رسوم فيها دورة
مختبر المقارنةتصنيف رسوم صغيرة: هل يحتوي الرسم دورة أم هو شجرة؟ ومقارنة GIN بقراءة المجموع مع GCN.
شغّل التجربةGraph Isomorphism Network (2019)
GIN نموذج صُمم ليكون بأقصى قوة تمييز ممكنة لنماذج انتقال الرسائل، أي بقوة اختبار Weisfeiler-Lehman (1-WL) لتشاكل الرسوم، باستخدام التجميع بالجمع ثم شبكة MLP.
GIN نموذج صُمم ليكون بأقصى قوة تمييز ممكنة لنماذج انتقال الرسائل، أي بقوة اختبار Weisfeiler-Lehman (1-WL) لتشاكل الرسوم، باستخدام التجميع بالجمع ثم شبكة MLP.
لكي يميّز النموذج بين جوارين مختلفين يجب أن تكون دالة التجميع «حقنية» (Injective) على المجموعات المتعددة. المتوسط والحد الأقصى يخلطان بين جوارات مختلفة، بينما الجمع متبوعاً بـ MLP يحافظ على الفروق.
طبقات GIN: (1+ε)·h_v + مجموع الجيران، ثم MLP من طبقتين. لتصنيف الرسوم: قراءة (Readout) بالجمع لتمثيلات العقد في كل طبقة، ثم ربط القراءات عبر الطبقات وتمريرها إلى مصنّف.
h_v^{(k)}=\mathrm{MLP}^{(k)}\!\left(\left(1+\epsilon^{(k)}\right)h_v^{(k-1)}+\sum_{u\in\mathcal{N}(v)}h_u^{(k-1)}\right)h_G=\mathrm{CONCAT}\!\left(\mathrm{READOUT}\!\left(\{h_v^{(k)}\mid v\in G\}\right)\ \middle|\ k=0,1,\dots,K\right)\mathrm{READOUT}=\sum_{v\in G}h_v^{(k)}الرسالة تمثيل الجار نفسه؛ التجميع جمع؛ والتحديث MLP على (1+ε)h_v + المجموع.
جزيئان لهما نفس عدد الذرات من كل نوع لكن بترتيب روابط مختلف قد يعطيان المتوسط نفسه في GCN، بينما يميزهما مجموع GIN في كثير من الحالات لأن الجمع يحتفظ بعدد الجيران وتركيبهم.
استقرائي: الدوال نفسها تُطبق على أي رسم جديد.
كفاءته مثل GCN في الحساب، لكنه يُستخدم أكثر في مجموعات رسوم صغيرة كثيرة.
O(|E|·F + |V|·F·F') لكل طبقة، مع MLP لكل عقدة.
الجمع يجعل مساهمة كل جار جمعية ومباشرة، وهذا يسهل بعض طرق نسب الأهمية.
يتفوق نظرياً في التمييز على GCN وGraphSAGE (Mean/Max). في تصنيف العقد ذات الخصائص الغنية قد لا يظهر فرق كبير.
| البيانات | المقياس | القيمة | الإعداد | المصدر |
|---|---|---|---|---|
| MUTAG | الدقة (Accuracy) | 89.4 ± 5.6% | GIN-0، تحقق متقاطع بعشر طيات؛ الورقة تعرض متوسط دقة التحقق عبر الطيات ولا تفصل مجموعة اختبار مستقلة — الجدول 1 | How Powerful are Graph Neural Networks? |
| PROTEINS | الدقة (Accuracy) | 76.2 ± 2.8% | GIN-0، البروتوكول نفسه (10 طيات، دقة التحقق) — الجدول 1 | How Powerful are Graph Neural Networks? |
هذه أرقام الورقة الأصلية بإعدادها المذكور، وليست نتائج المختبر. نتائجك في المتصفح على بيانات صغيرة لا تُقارن بها مباشرة.
يُدرَّب GIN في المختبر لتصنيف العقد ولتصنيف رسوم صغيرة مصطنعة (رسم فيه دورة مقابل شجرة)، مع قراءة بالجمع من الطبقة الأخيرة فقط (تبسيط معلن عن ربط القراءات عبر الطبقات). MUTAG وPROTEINS وENZYMES الحقيقية تعمل عبر خادم Python.
جارٍ تحميل المختبر التفاعلي…
تصنيف رسوم صغيرة: هل يحتوي الرسم دورة أم هو شجرة؟ ومقارنة GIN بقراءة المجموع مع GCN.
شغّل التجربةمقارنة الخوارزميات بالبيانات والتقسيم والمعاملات نفسها وثلاث بذور، مع MLP خطاً أساسياً.
شغّل التجربةالأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا مساعد الشبكات العصبية البيانية. اسألني عن مفهوم أو خوارزمية أو مجموعة بيانات، أو اطلب تجربة أو مشروعاً، وسأجيبك من محتوى المختبر مع ذكر المصادر.
يجيب من قاعدة معرفة المختبر فقط، دون نموذج لغوي خارجي ودون إرسال سؤالك إلى أي جهة خارجية.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.