APPNP – التنبؤ ثم الانتشار بـ PageRank الشخصي
Approximate Personalized Propagation of Neural Predictions (2019)
افصل «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.
الحدس
افصل «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.
الشرح التفصيلي
يعتمد النموذج على علاقة GCN بالمسار العشوائي: تكرار Â يقارب التوزيع الثابت الذي لا يعتمد على العقدة البادئة (سبب التنعيم المفرط). PageRank الشخصي يضيف احتمال «انتقال آني» α إلى العقدة البادئة، فيبقى التوزيع الثابت محلياً لكل عقدة. يقرَّب الحل المغلق بـ K تكرار للقوة، دون معاملات إضافية.
بما أن الانتشار بلا معاملات، يمكن أخذ K كبيرة (10 أو أكثر) فيتسع مجال الاستقبال دون تنعيم مفرط ودون زيادة عدد المعاملات. والتدريب نهاية لنهاية: التدرج يمر عبر الانتشار إلى MLP.
البنية المعمارية
MLP(X) = H ← K خطوة: Z ← (1−α)ÂZ + αH ← softmax.
المعادلات
Z^{(0)}=H=f_\theta(X),\qquad Z^{(k+1)}=(1-\alpha)\hat{A}Z^{(k)}+\alpha HZ^{\infty}=\alpha\left(I-(1-\alpha)\hat{A}\right)^{-1}Hنقاط القوة
- مجال استقبال واسع دون تنعيم مفرط
- معاملات قليلة (معاملات MLP فقط)
- فصل التحويل عن الانتشار يسهل التحليل والتوسع
القيود
- الانتشار ثابت يفترض التجانس
- α معامل فائق حساس
- كلفة K ضرب متفرق في كل تمرير
التعقيد الحسابي
O(n·F·H) للـ MLP + O(K·|E|·C) للانتشار.
متى تستخدمه
تصنيف عقد بوسوم قليلة يحتاج معلومات من عقد بعيدة في رسم متجانس.
التنفيذ في PyTorch Geometric
torch_geometric.nn.APPNPشيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Gasteiger, J. (Klicpera), Bojchevski, A., & Günnemann, S. (2019). Predict then Propagate: Graph Neural Networks meet Personalized PageRank. International Conference on Learning Representations (ICLR). arXiv: 1810.05997APPNP: فصل التنبؤ عن الانتشار عبر PageRank الشخصي.
