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

GIN – شبكة التشاكل البياني

Graph 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.

العائلة: قوة تمييزالتجميع: مجموع (Sum) غير مطبّعالانتباه: لا يوجد

التعريف

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.

الفكرة الأساسية

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.

البنية المعمارية

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.

المعادلات

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)
تحديث العقدة: مجموع الجيران زائد العقدة مضروبة في (1+ε)، ثم شبكة MLP.
h_G=\mathrm{CONCAT}\!\left(\mathrm{READOUT}\!\left(\{h_v^{(k)}\mid v\in G\}\right)\ \middle|\ k=0,1,\dots,K\right)
تمثيل الرسم كله: نجمع تمثيلات العقد في كل طبقة ونربط النتائج.
\mathrm{READOUT}=\sum_{v\in G}h_v^{(k)}
القراءة بالجمع (لا بالمتوسط) للحفاظ على قوة التمييز.

شرح الرموز

  • ε^(k): عدد يُتعلّم أو يُثبَّت (غالباً 0) ليميّز العقدة عن جيرانها
  • MLP^(k): شبكة متعددة الطبقات في الطبقة k
  • h_G: تمثيل الرسم كاملاً
  • READOUT: دالة تجميع على كل عقد الرسم
  • K: عدد الطبقات

آلية العمل خطوة بخطوة

  1. لكل عقدة اجمع تمثيلات جيرانها (جمعاً لا متوسطاً).
  2. أضف تمثيل العقدة نفسها مضروباً في (1+ε).
  3. مرّر الناتج بشبكة MLP.
  4. كرر K طبقات.
  5. لتصنيف الرسوم: اجمع تمثيلات العقد في كل طبقة، واربطها، ثم مرّرها بمصنّف.

آلية انتقال الرسائل (Message Passing)

الرسالة تمثيل الجار نفسه؛ التجميع جمع؛ والتحديث MLP على (1+ε)h_v + المجموع.

مثال تطبيقي

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.

المميزات

  • أقصى قوة تمييز ضمن نماذج انتقال الرسائل (مكافئ لاختبار 1-WL)
  • مناسب جداً لتصنيف الرسوم (جزيئات وبروتينات)
  • بسيط التطبيق

القيود

  • لا يتجاوز حدود اختبار 1-WL (لا يميز بعض الرسوم المنتظمة)
  • الجمع قد يضخم القيم في العقد كثيفة الدرجة
  • MLP لكل طبقة يزيد عدد المعاملات

حالات الاستخدام

  • تصنيف الجزيئات (السمية والفعالية)
  • تصنيف البروتينات والإنزيمات
  • أي مهمة تعتمد على تمييز البنية بدقة

التعامل مع العقد الجديدة (Inductive)

استقرائي: الدوال نفسها تُطبق على أي رسم جديد.

التعامل مع الشبكات الكبيرة

كفاءته مثل GCN في الحساب، لكنه يُستخدم أكثر في مجموعات رسوم صغيرة كثيرة.

التعقيد الحسابي

O(|E|·F + |V|·F·F') لكل طبقة، مع MLP لكل عقدة.

قابلية التفسير

الجمع يجعل مساهمة كل جار جمعية ومباشرة، وهذا يسهل بعض طرق نسب الأهمية.

مقارنة مع الخوارزميات الأخرى

يتفوق نظرياً في التمييز على GCN وGraphSAGE (Mean/Max). في تصنيف العقد ذات الخصائص الغنية قد لا يظهر فرق كبير.

نتائج منشورة (كما وردت في المصدر)

البياناتالمقياسالقيمةالإعدادالمصدر
MUTAGالدقة (Accuracy)89.4 ± 5.6%GIN-0، تحقق متقاطع بعشر طيات؛ الورقة تعرض متوسط دقة التحقق عبر الطيات ولا تفصل مجموعة اختبار مستقلة — الجدول 1How Powerful are Graph Neural Networks?
PROTEINSالدقة (Accuracy)76.2 ± 2.8%GIN-0، البروتوكول نفسه (10 طيات، دقة التحقق) — الجدول 1How Powerful are Graph Neural Networks?

هذه أرقام الورقة الأصلية بإعدادها المذكور، وليست نتائج المختبر. نتائجك في المتصفح على بيانات صغيرة لا تُقارن بها مباشرة.

تجربة تفاعلية: GIN في متصفحك

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…

تجارب مرتبطة

تدريب فعلي (Actual Model Training)متقدم

قوة التمييز: تصنيف رسوم فيها دورة

مختبر المقارنة

تصنيف رسوم صغيرة: هل يحتوي الرسم دورة أم هو شجرة؟ ومقارنة GIN بقراءة المجموع مع GCN.

البيانات: رسوم مصطنعة: دورة مقابل شجرة (بلا خصائص للعقد)

شغّل التجربة
تدريب فعلي (Actual Model Training)متوسط

مقارنة عادلة: GCN وGraphSAGE وGAT وGIN وMLP

مختبر المقارنة

مقارنة الخوارزميات بالبيانات والتقسيم والمعاملات نفسها وثلاث بذور، مع MLP خطاً أساسياً.

البيانات: رسم اقتباس مصطنع (SBM) معلن

شغّل التجربة

المراجع

  1. Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2019). How Powerful are Graph Neural Networks?. International Conference on Learning Representations (ICLR). arXiv: 1810.00826الورقة الأصلية لـ GIN وربط قوة التمييز باختبار Weisfeiler-Lehman.
  2. Morris, C., Kriege, N. M., Bause, F., Kersting, K., Mutzel, P., & Neumann, M. (2020). TUDataset: A collection of benchmark datasets for learning with graphs. ICML 2020 Workshop on Graph Representation Learning and Beyond (GRL+). arXiv: 2007.08663المجموعة التي توزّع MUTAG وPROTEINS وENZYMES.
  3. Ying, Z., You, J., Morris, C., Ren, X., Hamilton, W., & Leskovec, J. (2018). Hierarchical Graph Representation Learning with Differentiable Pooling. Advances in Neural Information Processing Systems (NeurIPS). arXiv: 1806.08804تجميع هرمي قابل للتعلم لتصنيف الرسوم (DiffPool).