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

تمثيل الرسم

Graph Embedding

متجه واحد يلخص رسماً كاملاً، يُحسب عادة بتجميع تمثيلات عقده (Readout).

مفاهيم متقدمةمتوسط

الشرح

يختلف عن تمثيل العقدة (Node Embedding) الذي يعطي متجهاً لكل عقدة. تمثيل الرسم يُستخدم في تصنيف الرسوم (هل الجزيء سام؟) وفي البحث عن رسوم متشابهة. أبسط طريقة جمع أو متوسط تمثيلات العقد بعد طبقات GNN، وبيّن Xu et al. (2019) أن الجمع أقوى في التمييز من المتوسط والحد الأقصى. في المختبر تراه في مقارنة «دورة أم شجرة» في وحدة المقارنة.

المعادلة

h_G=\mathrm{READOUT}\big(\{h_i^{(K)}: i\in V\}\big)

شرح الرموز

  • h_G: تمثيل الرسم
  • h_i^(K): تمثيل العقدة بعد آخر طبقة
  • READOUT: جمع أو متوسط أو حد أقصى أو تجميع متعلَّم

جرّبه في: مختبر المقارنة

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. 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).