لماذا الرسوم البيانية؟ من البيانات المنتظمة إلى البنى العلائقية
Why Graphs? From Grids to Relational Structure
يشرح الدرس لماذا تفشل الشبكات العصبية التقليدية حين تكون العلاقات بين العناصر هي جوهر البيانات، وكيف يقدّم الرسم البياني لغة موحّدة لتمثيل الجزيئات والشبكات الاجتماعية والطرق والمعرفة، وما المقصود بالانحياز الاستقرائي العلائقي الذي تقوم عليه الشبكات العصبية البيانية.
أهداف الدرس
- تمييز البيانات الإقليدية المنتظمة (صور، نصوص، جداول) من البيانات العلائقية غير المنتظمة
- شرح سبب عدم ملاءمة الشبكات الالتفافية والمتكررة مباشرة للرسوم البيانية
- تعريف الثبات تحت التبديل (Permutation Invariance) والتكافؤ (Equivariance) ولماذا هما شرطان أساسيان
- التعرف على المستويات الثلاثة للمهام: العقدة والرابط والرسم كاملاً
1 البيانات ليست دائماً شبكة منتظمة
صُممت معظم معماريات التعلم العميق الكلاسيكية لبيانات ذات بنية منتظمة: الصورة شبكة ثنائية الأبعاد من البكسلات لكل بكسل فيها ثمانية جيران بالضبط وترتيب ثابت (أعلى، أسفل، يمين، يسار)، والنص تسلسل خطي لكل كلمة فيه سابق ولاحق. هذا الانتظام هو ما يسمح للشبكة الالتفافية (CNN) بأن تنزلق بمرشح ثابت الحجم على الصورة، وللشبكة المتكررة أو المحوّل بأن يعالج الكلمات بترتيبها.
لكن كثيراً من بيانات العالم الحقيقي لا يملك هذا الانتظام. الجزيء مجموعة ذرات بينها روابط كيميائية، وعدد جيران كل ذرة يختلف (الكربون يرتبط بأربع والهيدروجين بواحدة)، ولا يوجد «يمين» أو «يسار» للذرة. الشبكة الاجتماعية مستخدمون بينهم علاقات صداقة، وقد يكون لأحدهم خمسة أصدقاء ولآخر خمسة آلاف. شبكة الطرق تقاطعات بينها شوارع، ورسم المعرفة كيانات بينها علاقات من أنواع مختلفة. في كل هذه الحالات المعلومة الأهم ليست في العناصر منفردة بل في العلاقات بينها.
2 الرسم البياني لغة موحّدة
الرسم البياني (Graph) هو الزوج G = (V, E) حيث V مجموعة العقد (Nodes) وE مجموعة الروابط (Edges) بينها. يمكن أن تحمل كل عقدة متجه خصائص (مثل نوع الذرة أو كلمات الورقة البحثية)، وكل رابط خصائص (مثل نوع الرابطة الكيميائية أو طول الطريق)، بل والرسم كله خصائص عامة (مثل درجة حرارة التجربة). الصورة نفسها حالة خاصة من الرسم: كل بكسل عقدة مرتبطة بجيرانها الثمانية، والنص حالة خاصة أخرى: سلسلة عقد كل منها مرتبط بالتالي.
لهذا يقول باحثو التعلم العميق الهندسي (Geometric Deep Learning) إن الرسوم البيانية إطار يعمّم الشبكات والتسلسلات والمجموعات، وإن معماريات مثل CNN والمحوّلات يمكن قراءتها بوصفها شبكات بيانية على رسوم ذات بنية خاصة.
3 لماذا لا نستخدم شبكة عادية على مصفوفة الجوار؟
قد يبدو الحل البسيط أن نحوّل الرسم إلى مصفوفة جوار A ونمرّرها إلى شبكة متعددة الطبقات (MLP). لهذا الحل ثلاث مشكلات جوهرية. الأولى أن حجم المدخل يتغير مع عدد العقد، بينما تحتاج MLP مدخلاً ثابت الطول. الثانية أن الرسم الواحد له n! ترتيباً ممكناً للعقد، وكل ترتيب يعطي مصفوفة مختلفة رغم أن الرسم هو نفسه؛ فالشبكة العادية ستتعلم أن الترتيب مهم وهو ليس كذلك. الثالثة أن عدد المعاملات سيتضخم تربيعياً مع عدد العقد، فلا يمكن تطبيق النموذج على رسوم أكبر من التي تدرّب عليها.
الحل الذي تقدمه الشبكات العصبية البيانية (GNNs) أن تكون الدالة نفسها مشتركة بين كل العقد، وأن تعتمد على جوار العقدة لا على موقعها في الترتيب، تماماً كما يشارك المرشح نفسه بين كل مواقع الصورة في CNN.
4 الثبات والتكافؤ تحت التبديل
إذا أعدنا ترقيم العقد بمصفوفة تبديل P، تصبح الخصائص PX ومصفوفة الجوار PAPᵀ. نقول إن الدالة f على مستوى الرسم ثابتة تحت التبديل (Permutation Invariant) إذا لم يتغير خرجها، وإن الدالة F على مستوى العقد متكافئة مع التبديل (Permutation Equivariant) إذا تبدّل خرجها بالطريقة نفسها التي تبدّل بها الدخل. كل طبقة GNN مصممة لتكون متكافئة، وكل دالة قراءة (Readout) لتصنيف الرسوم مصممة لتكون ثابتة.
f(PX,\;PAP^{\top}) = f(X, A)F(PX,\;PAP^{\top}) = P\,F(X, A)5 ثلاثة مستويات للمهام
ستعود هذه المستويات في كل درس لاحق، لأن اختيار المعمارية ودالة الخسارة وطريقة التقسيم يعتمد على المستوى.
- مستوى العقدة (Node-level): تصنيف كل عقدة أو التنبؤ بقيمة لها، مثل تحديد موضوع ورقة في شبكة اقتباس أو كشف حساب احتيالي.
- مستوى الرابط (Edge-level): التنبؤ بوجود رابط أو نوعه، مثل التوصية بمنتج لمستخدم أو اكتشاف تفاعل بين دواءين.
- مستوى الرسم (Graph-level): تصنيف الرسم كاملاً أو التنبؤ بخاصية له، مثل سمية جزيء أو نوع بروتين.
6 الانحياز الاستقرائي العلائقي
كل معمارية ناجحة تحمل افتراضاً مسبقاً عن البيانات يسمى الانحياز الاستقرائي (Inductive Bias). في CNN الافتراض هو المحلية والثبات تحت الإزاحة. في GNN الافتراض هو أن حالة العقدة تتحدد بحالتها وحالات جيرانها، وأن القاعدة نفسها تنطبق على كل العقد. هذا الافتراض قوي جداً حين تكون العلاقات ذات معنى (الأصدقاء يتشابهون، والذرات المتجاورة تتفاعل)، ويصبح عبئاً حين يكون الرسم مشوّشاً أو حين يحتاج النموذج إلى معلومات من عقد بعيدة، وهي قيود ستدرسها في دروس التنعيم المفرط والانضغاط المفرط.
الفكرة التي يجب أن تخرج بها: GNN ليست «شبكة عصبية على صورة الرسم»، بل دالة مشتركة تطبَّق محلياً على كل عقدة وجوارها، وتحترم أن ترقيم العقد عشوائي.
خلاصة الدرس
- الرسوم البيانية تمثل البيانات التي تكون العلاقات فيها جوهر المعلومة
- MLP على مصفوفة الجوار تفشل بسبب الحجم المتغير والترتيب العشوائي وتضخم المعاملات
- طبقات GNN متكافئة مع التبديل ودوال القراءة ثابتة تحته
- مهام GNN على ثلاثة مستويات: العقدة والرابط والرسم
تحقّق من فهمك
فكّر في الإجابة أولاً، ثم افتح السؤال لترى الجواب.
لماذا لا يصلح ترتيب العقد مدخلاً للنموذج؟
لأن الرسم نفسه يمكن ترقيمه بـ n! طريقة، وكلها تمثل البيانات نفسها؛ أي نموذج يتأثر بالترتيب سيعطي مخرجات مختلفة لرسم واحد.
ما الفرق بين الثبات والتكافؤ تحت التبديل؟
الثبات: الخرج لا يتغير إطلاقاً (مناسب لخصائص الرسم كله). التكافؤ: الخرج يتبدّل بالطريقة نفسها التي تبدّل بها الدخل (مناسب لتمثيلات العقد).
تابع التعلّم
نماذج في هذا الدرس
مفاهيم مرتبطة
المراجع
- Bronstein, M. M., Bruna, J., Cohen, T., & Veličković, P. (2021). Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. arXiv preprint (proto-book). arXiv: 2104.13478إطار موحّد للتعلم العميق الهندسي: التماثل والثبات والتكافؤ.
- Battaglia, P. W., Hamrick, J. B., Bapst, V., et al. (2018). Relational inductive biases, deep learning, and graph networks. arXiv preprint. arXiv: 1806.01261إطار Graph Networks العام (تحديث الروابط والعقد والحالة الشاملة).
- 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.
