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

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.

العائلة: طيفية (Spectral)المهام: تصنيف العقد مع مجال استقبال واسع

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.

MLPH = f(X)propagate K steps (no weights)Z ← (1-α) Â Z + α HŶ
الفصل بين التنبؤ والانتشار: شبكة MLP تتنبأ لكل عقدة، ثم تنتشر التنبؤات K خطوة عبر الرسم.

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 H
التكرار التقريبي لـ PageRank الشخصي.
Z^{\infty}=\alpha\left(I-(1-\alpha)\hat{A}\right)^{-1}H
الحل المغلق (PPNP) الذي يقاربه التكرار.

نقاط 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.APPNP

شيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. 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.