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)
مكانية / انتقال رسائل (Spatial)
انتباه (Attention)
قوة تمييز (Expressive)
عميقة ومعالجة التنعيم (Deep)
علائقية وغير متجانسة (Relational)
توليدية وذاتية الإشراف (Generative / SSL)
تجميع هرمي (Pooling)
قابلة للتوسع (Scalable)
زمنية ومكانية-زمنية (Temporal)
محوّلات الرسوم (Graph Transformers)
هندسية ومتكافئة (Geometric)
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.
| النموذج | العائلة | السنة | المهام المناسبة | التعقيد |
|---|---|---|---|---|
| Spectral CNN | طيفية (Spectral) | 2014 | تصنيف العقد والإشارات على رسم ثابت | O(n³) للتحليل الذاتي مرة واحدة، ثم O(n²) لكل تحويل في كل طبقة. |
| ChebNet | طيفية (Spectral) | 2016 | تصنيف العقد والإشارات على الرسوم، المكونات المكانية في نماذج المرور | O(K·|E|·F) لكل طبقة. |
| GCN | طيفية (Spectral) | 2017 | تصنيف العقد شبه الخاضع للإشراف، مشفّر للروابط | O(|E|·F + n·F·F′) لكل طبقة. |
| SGC | طيفية (Spectral) | 2019 | تصنيف العقد على رسوم كبيرة متجانسة، خط أساس سريع | معالجة مسبقة O(K·|E|·F)، ثم تدريب O(n·F·C). |
| APPNP | طيفية (Spectral) | 2019 | تصنيف العقد مع مجال استقبال واسع | O(n·F·H) للـ MLP + O(K·|E|·C) للانتشار. |
| GPR-GNN | طيفية (Spectral) | 2021 | تصنيف العقد في الرسوم المتجانسة وغير المتجانسة | O(n·F·H + K·|E|·C). |
| MPNN | مكانية / انتقال رسائل (Spatial) | 2017 | التنبؤ بخصائص الجزيئات (انحدار على مستوى الرسم) | O(|E|·d²) لكل خطوة بسبب مصفوفات الروابط. |
| GGNN | مكانية / انتقال رسائل (Spatial) | 2016 | التحليل البرمجي، الاستدلال على الرسوم، مخرجات تسلسلية | O(T·(|E|·d + n·d²)). |
| GraphSAGE | مكانية / انتقال رسائل (Spatial) | 2017 | تصنيف العقد الاستقرائي، الرسوم الضخمة، التوصية | O(∏ S_k · F²) لكل عقدة مستهدفة. |
| GAT | انتباه (Attention) | 2018 | تصنيف العقد التحويلي والاستقرائي | O(|V|·F·F′ + |E|·F′) لكل رأس. |
| GATv2 | انتباه (Attention) | 2022 | تصنيف العقد والروابط والرسوم حيث يهم اختيار الجار المناسب لكل عقدة | كـ GAT تقريباً: O(|E|·F′) لكل رأس. |
| GIN | قوة تمييز (Expressive) | 2019 | تصنيف الرسوم وانحدارها (جزيئات، بروتينات) | O(|E|·F + n·MLP) لكل طبقة. |
| PNA | قوة تمييز (Expressive) | 2020 | تصنيف الرسوم وانحدارها، المهام متعددة الخصائص | نحو 12 ضعف كلفة التجميع في GCN، خطية في |E|. |
| JK-Net | عميقة ومعالجة التنعيم (Deep) | 2018 | تصنيف العقد في رسوم ذات بنى محلية متفاوتة | كلفة الطبقات + تجميع O(n·L·F). |
| GCNII | عميقة ومعالجة التنعيم (Deep) | 2020 | تصنيف العقد بشبكات عميقة (حتى 64 طبقة) | O(L·(|E|·F + n·F²)). |
| H2GCN | عميقة ومعالجة التنعيم (Deep) | 2020 | تصنيف العقد في الرسوم غير المتجانسة | يعتمد على عدد جيران الرتبة الثانية، وقد يقارب O(Σ d_v²). |
| R-GCN | علائقية وغير متجانسة (Relational) | 2018 | تصنيف الكيانات وإكمال رسوم المعرفة | O(|R|·n·F² + |E|·F) دون تفكيك. |
| HAN | علائقية وغير متجانسة (Relational) | 2019 | تصنيف العقد في الرسوم غير المتجانسة (أكاديمية، أفلام) | تعتمد على كثافة رسوم المسارات الوصفية؛ قد تكون أكبر بكثير من |E|. |
| HGT | علائقية وغير متجانسة (Relational) | 2020 | الرسوم الأكاديمية الضخمة غير المتجانسة والمتغيرة زمنياً | خطية في |E| لكل رأس، مع معاملات تتناسب مع عدد الأنواع. |
| GAE | توليدية وذاتية الإشراف (Generative / SSL) | 2016 | التنبؤ بالروابط، تمثيلات العقد غير الخاضعة للإشراف | المشفّر O(|E|·F)، والتقييم على الأزواج المطلوبة فقط. |
| VGAE | توليدية وذاتية الإشراف (Generative / SSL) | 2016 | التنبؤ بالروابط، التوليد الاحتمالي للروابط | كـ GAE مع رأسين. |
| SEAL | توليدية وذاتية الإشراف (Generative / SSL) | 2018 | التنبؤ بالروابط | O(عدد الأزواج × حجم الرسم الفرعي). |
| DGI | توليدية وذاتية الإشراف (Generative / SSL) | 2019 | تعلم تمثيلات العقد دون وسوم | ضعف كلفة المشفّر (الرسم الحقيقي والمفسد). |
| GraphCL | توليدية وذاتية الإشراف (Generative / SSL) | 2020 | التدريب المسبق لتصنيف الرسوم، التعلم شبه الخاضع للإشراف | ضعف كلفة المشفّر + O(B²) للتشابهات في الدفعة. |
| DiffPool | تجميع هرمي (Pooling) | 2018 | تصنيف الرسوم بتمثيل هرمي | O(n²) ذاكرة للرسم الكثيف وO(n·k) للإسناد. |
| SAGPool | تجميع هرمي (Pooling) | 2019 | تصنيف الرسوم | O(|E|·F) لكل مستوى. |
| Graph U-Net | تجميع هرمي (Pooling) | 2019 | تصنيف العقد وتصنيف الرسوم | O(|E|·F) لكل مستوى، أعلى مع A². |
| Cluster-GCN | قابلة للتوسع (Scalable) | 2019 | تصنيف العقد على رسوم ضخمة، نماذج GCN عميقة | O(L·|E_batch|·F + L·b·F²) لكل خطوة. |
| GraphSAINT | قابلة للتوسع (Scalable) | 2020 | تصنيف العقد على رسوم ضخمة | O(L·|E_sub|·F) لكل خطوة. |
| DCRNN | زمنية ومكانية-زمنية (Temporal) | 2018 | التنبؤ بحركة المرور متعدد الخطوات | O(T·K·|E|·F) لكل تسلسل. |
| STGCN | زمنية ومكانية-زمنية (Temporal) | 2018 | التنبؤ بحركة المرور والسلاسل الزمنية على الرسوم | O(T·|E|·F) لكل كتلة، متوازٍ زمنياً. |
| EvolveGCN | زمنية ومكانية-زمنية (Temporal) | 2020 | تصنيف العقد والروابط في الرسوم الديناميكية المتقطعة | O(T·(|E_t|·F + F³)) تقريباً. |
| TGAT | زمنية ومكانية-زمنية (Temporal) | 2020 | التنبؤ بالروابط وتصنيف العقد في الرسوم الزمنية المستمرة | O(L·k·F²) لكل استعلام مع k جاراً معايناً. |
| TGN | زمنية ومكانية-زمنية (Temporal) | 2020 | التنبؤ بالروابط وتصنيف العقد الديناميكي في تيارات الأحداث | O(|events|·d²) للذاكرة + كلفة التضمين لكل استعلام. |
| Graph Transformer | محوّلات الرسوم (Graph Transformers) | 2021 | تصنيف الرسوم وانحدارها (ZINC، PATTERN، CLUSTER) | O(|E|·d) للانتباه المحلي + O(n³) لحساب LapPE مرة لكل رسم. |
| Graphormer | محوّلات الرسوم (Graph Transformers) | 2021 | انحدار خصائص الجزيئات على نطاق واسع (PCQM4M) | O(n²·d) لكل طبقة + O(n³) أو O(n·|E|) لأقصر المسارات. |
| GraphGPS | محوّلات الرسوم (Graph Transformers) | 2022 | تصنيف وانحدار الرسوم، مهام المدى البعيد (LRGB) | O(|E|·d) محلياً + O(n²·d) كاملاً أو O(n·d) خطياً. |
| SchNet | هندسية ومتكافئة (Geometric) | 2017 | انحدار الطاقة والقوى للجزيئات، الديناميكا الجزيئية | O(n·k·F) مع k جاراً ضمن القطع. |
| DimeNet | هندسية ومتكافئة (Geometric) | 2020 | انحدار خصائص الجزيئات (QM9، MD17) | O(n·k²·F) لثلاثيات الجيران. |
| EGNN | هندسية ومتكافئة (Geometric) | 2021 | الديناميكا، الجزيئات، توليد الجزيئات ثلاثية الأبعاد | O(|E|·F²) لكل طبقة. |
| DGCNN (EdgeConv) | هندسية ومتكافئة (Geometric) | 2019 | تصنيف السحب النقطية وتجزئتها | O(n²) لبناء kNN + O(n·k·F²) لكل طبقة. |
| DeepWalk | تمثيلات ضحلة (Shallow Embeddings) | 2014 | تمثيلات العقد غير الخاضعة للإشراف، تصنيف العقد متعدد الوسوم | O(n·γ·t·w·d) تقريباً. |
| node2vec | تمثيلات ضحلة (Shallow Embeddings) | 2016 | تمثيلات العقد، التنبؤ بالروابط، تصنيف العقد | معالجة مسبقة لاحتمالات الانتقال + O(n·r·l) للمسارات. |
