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

الشبكات العصبية البيانية

Graph Neural Networks (GNN)

عائلة نماذج تعلّم عميق تعمل مباشرة على الرسوم البيانية، فتتعلم تمثيلاً لكل عقدة من خصائصها وخصائص جيرانها.

آليات GNNمبتدئ

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

  1. 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.
  2. 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.
  3. 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.