الشبكات العصبية البيانية
Graph Neural Networks (GNN)
عائلة نماذج تعلّم عميق تعمل مباشرة على الرسوم البيانية، فتتعلم تمثيلاً لكل عقدة من خصائصها وخصائص جيرانها.
الشرح
الشبكة العصبية البيانية تطبّق الطبقة نفسها على كل عقدة: تجمع رسائل من جيرانها (Message Passing) ثم تحدّث تمثيلها. تكديس k طبقات يجعل تمثيل العقدة يعتمد على جوارها حتى k قفزات. ولأن التجميع لا يتأثر بترتيب الجيران، يعمل النموذج على رسوم بأي حجم وأي ترتيب للعقد. من هذا الإطار تخرج GCN وGraphSAGE وGAT وGIN وR-GCN، وتُستخدم المخرجات لتصنيف العقد أو الرسوم أو التنبؤ بالروابط. انظر Gilmer et al. (2017) لإطار انتقال الرسائل العام، وHamilton (2020) لمدخل شامل.
المعادلة
h_i^{(k)}=\phi\Big(h_i^{(k-1)},\ \bigoplus_{j\in\mathcal{N}(i)}\psi\big(h_i^{(k-1)},h_j^{(k-1)},e_{ji}\big)\Big)شرح الرموز
- h_i^(k): تمثيل العقدة i بعد الطبقة k
- N(i): جيران العقدة i
- ψ: دالة الرسالة
- ⊕: دالة تجميع لا تتأثر بالترتيب (مجموع، متوسط، حد أقصى)
- φ: دالة التحديث
- e_ji: خصائص الرابط إن وُجدت
جرّبه في: مختبر انتقال الرسائل
المراجع
- 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). arXiv: 1704.01212صاغت إطار Message Passing Neural Networks (MPNN) الذي يوحّد كثيراً من نماذج GNN.
- Hamilton, W. L. (2020). Graph Representation Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool. DOI: 10.2200/S01045ED1V01Y202009AIM046كتاب تعليمي شامل في تمثيل الرسوم وانتقال الرسائل.
- 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. DOI: 10.1109/TNNLS.2020.2978386مسح شامل لأنواع GNN وتطبيقاتها.
