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

دليل النماذج

دليل مفصّل لـ 43 نموذجاً من الشبكات العصبية البيانية: الحدس، والمعادلات، ومخطط المعمارية، ونقاط القوة والقيود، والتعقيد، ومتى تستخدم كل نموذج، والشيفرة، والمراجع الأصلية.

طيفية (Spectral)

Spectral CNNالشبكة الالتفافية الطيفيةSpectral Networks on Graphs · 2014تنقل فكرة الالتفاف من الصور إلى الرسوم عبر مبرهنة الالتفاف: بدل تحريك مرشح على الرسم، نحوّل إشارة العقد إلى «مجال الترددات» البياني، ونضرب كل تردد بمعامل متعلَّم، ثم نعود.ChebNetالشبكة الالتفافية بمتعددات حدود تشيبيشيفChebyshev Spectral CNN · 2016اجعل المرشح الطيفي متعدد حدود من الدرجة K في اللابلاسيان: يصبح موضعياً (يرى حتى K قفزة)، ورخيصاً (ضرب متفرق متكرر)، ولا يحتاج تحليلاً ذاتياً.GCNالشبكة الالتفافية البيانيةGraph Convolutional Network · 2017كل عقدة تأخذ متوسطاً موزوناً لتمثيلات جيرانها ونفسها (بأوزان تعتمد على الدرجات)، ثم تطبق تحويلاً خطياً مشتركاً ولاخطية. تكرار ذلك يعني رؤية جيران أبعد.يُدرَّب في المختبرSGCالشبكة الالتفافية المبسطةSimplifying Graph Convolutional Networks · 2019إذا كانت قوة GCN تأتي من التنعيم عبر الجيران لا من اللاخطيات بين الطبقات، فلنحذف اللاخطيات: K طبقة تصبح ضرباً واحداً في Â^K يُحسب مسبقاً، ثم مصنف خطي.APPNPالتنبؤ ثم الانتشار بـ PageRank الشخصيApproximate Personalized Propagation of Neural Predictions · 2019افصل «ماذا نتنبأ» عن «كيف ننشر»: شبكة MLP تتنبأ لكل عقدة من خصائصها، ثم تُنشر التنبؤات على الرسم بـ PageRank الشخصي الذي يعود دائماً جزئياً إلى التنبؤ الأصلي، فلا يذوب.GPR-GNNشبكة PageRank العامة التكيفيةGeneralized PageRank GNN · 2021مثل APPNP لكن أوزان خطوات الانتشار متعلَّمة وقد تكون سالبة؛ فيتعلم النموذج مرشحاً منخفض التمرير في الرسوم المتجانسة أو عالي التمرير في غير المتجانسة.

مكانية / انتقال رسائل (Spatial)

انتباه (Attention)

قوة تمييز (Expressive)

عميقة ومعالجة التنعيم (Deep)

علائقية وغير متجانسة (Relational)

توليدية وذاتية الإشراف (Generative / SSL)

GAEالمشفّر الذاتي البيانيGraph Auto-Encoder · 2016شفّر العقد بـ GCN إلى متجهات، ثم أعد بناء الروابط من الضرب الداخلي بين المتجهات: العقد المتصلة يجب أن يكون ضربها الداخلي كبيراً.يُدرَّب في المختبرVGAEالمشفّر الذاتي البياني التغايريVariational Graph Auto-Encoder · 2016مثل GAE لكن كل عقدة تُشفَّر إلى توزيع غاوسي (متوسط وتباين) بدل نقطة، ويضاف حد KL يقرب التوزيعات من التوزيع المعياري.يُدرَّب في المختبرSEALالتنبؤ بالروابط من الرسوم الفرعيةLearning from Subgraphs, Embeddings and Attributes for Link prediction · 2018بدل الضرب الداخلي بين تمثيلين، استخرج الرسم الفرعي المحيط بالعقدتين (حتى h قفزة)، ووسم كل عقدة بمسافتيها إليهما، ثم صنّف الرسم الفرعي: هل فيه رابط بينهما؟DGIتعظيم المعلومات البيانية العميقDeep Graph Infomax · 2019اجعل تمثيل كل عقدة «يعرف» الرسم الذي ينتمي إليه: مميّز يفرق بين تمثيلات عقد حقيقية وتمثيلات من رسم مفسد، بالنسبة إلى ملخص الرسم.GraphCLالتعلم التبايني للرسوم بالزياداتGraph Contrastive Learning · 2020ولّد نسختين معدّلتين من كل رسم (بحذف عقد أو روابط أو إقناع خصائص)، واجعل تمثيليهما متقاربين ومتباعدين عن رسوم أخرى في الدفعة.

تجميع هرمي (Pooling)

قابلة للتوسع (Scalable)

زمنية ومكانية-زمنية (Temporal)

DCRNNالشبكة المتكررة بالالتفاف الانتشاريDiffusion Convolutional Recurrent Neural Network · 2018حركة المرور تنتشر عبر شبكة الطرق في الاتجاهين؛ استبدل الضرب المصفوفي في وحدة GRU بالتفاف انتشاري على الرسم الموجه، وتنبأ بالمستقبل بمشفّر–فاك تشفير.STGCNالشبكة الالتفافية المكانية الزمانيةSpatio-Temporal Graph Convolutional Network · 2018تخلَّ عن الشبكات المتكررة: كتل تجمع التفافاً زمنياً بوابياً، ثم التفافاً بيانياً، ثم التفافاً زمنياً؛ أسرع بكثير وبمعاملات أقل.EvolveGCNالشبكة الالتفافية المتطورةEvolving Graph Convolutional Networks · 2020في الرسوم التي تظهر فيها عقد وتختفي، احمل عبر الزمن أوزان GCN نفسها لا تمثيلات العقد، وطوّر الأوزان بشبكة متكررة.TGATالانتباه البياني الزمنيTemporal Graph Attention · 2020مثل GAT لكن على الجيران الزمنيين (من تفاعل مع العقدة قبل لحظة الاستعلام)، مع ترميز وظيفي للفارق الزمني يُضاف إلى الخصائص.TGNالشبكات البيانية الزمنيةTemporal Graph Networks · 2020أعطِ كل عقدة ذاكرة تلخص تاريخها وتُحدَّث كلما شاركت في حدث، ثم احسب التمثيل اللحظي من الذاكرة والجوار الزمني.

محوّلات الرسوم (Graph Transformers)

هندسية ومتكافئة (Geometric)

SchNetشبكة SchNet للمرشحات المستمرةSchNet · 2017الذرات ليست شبكة منتظمة؛ ولّد أوزان المرشح من المسافة بين الذرتين بشبكة صغيرة، فيصبح الالتفاف مستمراً في الفضاء وثابتاً تحت الدوران والإزاحة.DimeNetانتقال الرسائل الاتجاهيDirectional Message Passing Neural Network · 2020أرسل الرسائل على الروابط بدل العقد، ودع رسالة الرابط تتأثر بالزاوية بين الروابط المتجاورة، فتعرف الشبكة الهندسة الزاوية للجزيء مع بقاء الثبات تحت الدوران.EGNNالشبكة البيانية المتكافئة مع E(n)E(n) Equivariant Graph Neural Network · 2021حدّث الخصائص بدوال ثابتة (تعتمد على مربع المسافة)، وحدّث الإحداثيات بتحريك كل نقطة على اتجاهات الفروق إلى جيرانها؛ فيكون النموذج متكافئاً مع الدوران والإزاحة والانعكاس تلقائياً.DGCNN (EdgeConv)الشبكة الالتفافية البيانية الديناميكيةDynamic Graph CNN (EdgeConv) · 2019للسحب النقطية: اربط كل نقطة بأقرب k نقطة، واحسب رسالة من النقطة ومن فرقها عن الجار، واجمع بالأقصى؛ ثم أعد بناء رسم الجيران في فضاء الخصائص الجديد في كل طبقة.

تمثيلات ضحلة (Shallow Embeddings)

جدول مقارنة النماذج

مقارنة وصفية من محتوى الدليل، مرتبة بحسب العائلة. لا أرقام أداء هنا: الأداء يعتمد على البيانات والإعداد، فارجع إلى المراجع ومعايير المقارنة.

النموذجالعائلةالسنةالمهام المناسبةالتعقيد
Spectral CNNطيفية (Spectral)2014تصنيف العقد والإشارات على رسم ثابتO(n³) للتحليل الذاتي مرة واحدة، ثم O(n²) لكل تحويل في كل طبقة.
ChebNetطيفية (Spectral)2016تصنيف العقد والإشارات على الرسوم، المكونات المكانية في نماذج المرورO(K·|E|·F) لكل طبقة.
GCNطيفية (Spectral)2017تصنيف العقد شبه الخاضع للإشراف، مشفّر للروابطO(|E|·F + n·F·F′) لكل طبقة.
SGCطيفية (Spectral)2019تصنيف العقد على رسوم كبيرة متجانسة، خط أساس سريعمعالجة مسبقة O(K·|E|·F)، ثم تدريب O(n·F·C).
APPNPطيفية (Spectral)2019تصنيف العقد مع مجال استقبال واسعO(n·F·H) للـ MLP + O(K·|E|·C) للانتشار.
GPR-GNNطيفية (Spectral)2021تصنيف العقد في الرسوم المتجانسة وغير المتجانسةO(n·F·H + K·|E|·C).
MPNNمكانية / انتقال رسائل (Spatial)2017التنبؤ بخصائص الجزيئات (انحدار على مستوى الرسم)O(|E|·d²) لكل خطوة بسبب مصفوفات الروابط.
GGNNمكانية / انتقال رسائل (Spatial)2016التحليل البرمجي، الاستدلال على الرسوم، مخرجات تسلسليةO(T·(|E|·d + n·d²)).
GraphSAGEمكانية / انتقال رسائل (Spatial)2017تصنيف العقد الاستقرائي، الرسوم الضخمة، التوصيةO(∏ S_k · F²) لكل عقدة مستهدفة.
GATانتباه (Attention)2018تصنيف العقد التحويلي والاستقرائيO(|V|·F·F′ + |E|·F′) لكل رأس.
GATv2انتباه (Attention)2022تصنيف العقد والروابط والرسوم حيث يهم اختيار الجار المناسب لكل عقدةكـ GAT تقريباً: O(|E|·F′) لكل رأس.
GINقوة تمييز (Expressive)2019تصنيف الرسوم وانحدارها (جزيئات، بروتينات)O(|E|·F + n·MLP) لكل طبقة.
PNAقوة تمييز (Expressive)2020تصنيف الرسوم وانحدارها، المهام متعددة الخصائصنحو 12 ضعف كلفة التجميع في GCN، خطية في |E|.
JK-Netعميقة ومعالجة التنعيم (Deep)2018تصنيف العقد في رسوم ذات بنى محلية متفاوتةكلفة الطبقات + تجميع O(n·L·F).
GCNIIعميقة ومعالجة التنعيم (Deep)2020تصنيف العقد بشبكات عميقة (حتى 64 طبقة)O(L·(|E|·F + n·F²)).
H2GCNعميقة ومعالجة التنعيم (Deep)2020تصنيف العقد في الرسوم غير المتجانسةيعتمد على عدد جيران الرتبة الثانية، وقد يقارب O(Σ d_v²).
R-GCNعلائقية وغير متجانسة (Relational)2018تصنيف الكيانات وإكمال رسوم المعرفةO(|R|·n·F² + |E|·F) دون تفكيك.
HANعلائقية وغير متجانسة (Relational)2019تصنيف العقد في الرسوم غير المتجانسة (أكاديمية، أفلام)تعتمد على كثافة رسوم المسارات الوصفية؛ قد تكون أكبر بكثير من |E|.
HGTعلائقية وغير متجانسة (Relational)2020الرسوم الأكاديمية الضخمة غير المتجانسة والمتغيرة زمنياًخطية في |E| لكل رأس، مع معاملات تتناسب مع عدد الأنواع.
GAEتوليدية وذاتية الإشراف (Generative / SSL)2016التنبؤ بالروابط، تمثيلات العقد غير الخاضعة للإشرافالمشفّر O(|E|·F)، والتقييم على الأزواج المطلوبة فقط.
VGAEتوليدية وذاتية الإشراف (Generative / SSL)2016التنبؤ بالروابط، التوليد الاحتمالي للروابطكـ GAE مع رأسين.
SEALتوليدية وذاتية الإشراف (Generative / SSL)2018التنبؤ بالروابطO(عدد الأزواج × حجم الرسم الفرعي).
DGIتوليدية وذاتية الإشراف (Generative / SSL)2019تعلم تمثيلات العقد دون وسومضعف كلفة المشفّر (الرسم الحقيقي والمفسد).
GraphCLتوليدية وذاتية الإشراف (Generative / SSL)2020التدريب المسبق لتصنيف الرسوم، التعلم شبه الخاضع للإشرافضعف كلفة المشفّر + O(B²) للتشابهات في الدفعة.
DiffPoolتجميع هرمي (Pooling)2018تصنيف الرسوم بتمثيل هرميO(n²) ذاكرة للرسم الكثيف وO(n·k) للإسناد.
SAGPoolتجميع هرمي (Pooling)2019تصنيف الرسومO(|E|·F) لكل مستوى.
Graph U-Netتجميع هرمي (Pooling)2019تصنيف العقد وتصنيف الرسومO(|E|·F) لكل مستوى، أعلى مع A².
Cluster-GCNقابلة للتوسع (Scalable)2019تصنيف العقد على رسوم ضخمة، نماذج GCN عميقةO(L·|E_batch|·F + L·b·F²) لكل خطوة.
GraphSAINTقابلة للتوسع (Scalable)2020تصنيف العقد على رسوم ضخمةO(L·|E_sub|·F) لكل خطوة.
DCRNNزمنية ومكانية-زمنية (Temporal)2018التنبؤ بحركة المرور متعدد الخطواتO(T·K·|E|·F) لكل تسلسل.
STGCNزمنية ومكانية-زمنية (Temporal)2018التنبؤ بحركة المرور والسلاسل الزمنية على الرسومO(T·|E|·F) لكل كتلة، متوازٍ زمنياً.
EvolveGCNزمنية ومكانية-زمنية (Temporal)2020تصنيف العقد والروابط في الرسوم الديناميكية المتقطعةO(T·(|E_t|·F + F³)) تقريباً.
TGATزمنية ومكانية-زمنية (Temporal)2020التنبؤ بالروابط وتصنيف العقد في الرسوم الزمنية المستمرةO(L·k·F²) لكل استعلام مع k جاراً معايناً.
TGNزمنية ومكانية-زمنية (Temporal)2020التنبؤ بالروابط وتصنيف العقد الديناميكي في تيارات الأحداثO(|events|·d²) للذاكرة + كلفة التضمين لكل استعلام.
Graph Transformerمحوّلات الرسوم (Graph Transformers)2021تصنيف الرسوم وانحدارها (ZINC، PATTERN، CLUSTER)O(|E|·d) للانتباه المحلي + O(n³) لحساب LapPE مرة لكل رسم.
Graphormerمحوّلات الرسوم (Graph Transformers)2021انحدار خصائص الجزيئات على نطاق واسع (PCQM4M)O(n²·d) لكل طبقة + O(n³) أو O(n·|E|) لأقصر المسارات.
GraphGPSمحوّلات الرسوم (Graph Transformers)2022تصنيف وانحدار الرسوم، مهام المدى البعيد (LRGB)O(|E|·d) محلياً + O(n²·d) كاملاً أو O(n·d) خطياً.
SchNetهندسية ومتكافئة (Geometric)2017انحدار الطاقة والقوى للجزيئات، الديناميكا الجزيئيةO(n·k·F) مع k جاراً ضمن القطع.
DimeNetهندسية ومتكافئة (Geometric)2020انحدار خصائص الجزيئات (QM9، MD17)O(n·k²·F) لثلاثيات الجيران.
EGNNهندسية ومتكافئة (Geometric)2021الديناميكا، الجزيئات، توليد الجزيئات ثلاثية الأبعادO(|E|·F²) لكل طبقة.
DGCNN (EdgeConv)هندسية ومتكافئة (Geometric)2019تصنيف السحب النقطية وتجزئتهاO(n²) لبناء kNN + O(n·k·F²) لكل طبقة.
DeepWalkتمثيلات ضحلة (Shallow Embeddings)2014تمثيلات العقد غير الخاضعة للإشراف، تصنيف العقد متعدد الوسومO(n·γ·t·w·d) تقريباً.
node2vecتمثيلات ضحلة (Shallow Embeddings)2016تمثيلات العقد، التنبؤ بالروابط، تصنيف العقدمعالجة مسبقة لاحتمالات الانتقال + O(n·r·l) للمسارات.