ChebNet – الشبكة الالتفافية بمتعددات حدود تشيبيشيف
Chebyshev Spectral CNN (2016)
اجعل المرشح الطيفي متعدد حدود من الدرجة K في اللابلاسيان: يصبح موضعياً (يرى حتى K قفزة)، ورخيصاً (ضرب متفرق متكرر)، ولا يحتاج تحليلاً ذاتياً.
الحدس
اجعل المرشح الطيفي متعدد حدود من الدرجة K في اللابلاسيان: يصبح موضعياً (يرى حتى K قفزة)، ورخيصاً (ضرب متفرق متكرر)، ولا يحتاج تحليلاً ذاتياً.
الشرح التفصيلي
يُعاد قياس اللابلاسيان إلى المجال [−1, 1]، ثم يُكتب المرشح مجموعاً موزوناً لمتعددات حدود تشيبيشيف T_k(L̃). تحسب الحدود بعلاقة تكرارية: T_k x = 2L̃ T_{k-1}x − T_{k-2}x، فلكل حد ضرب متفرق واحد. المعاملات K+1 فقط لكل زوج قنوات، ومستقلة عن حجم الرسم.
أضافت الورقة أيضاً تجميعاً (Pooling) سريعاً بعد تجزئة الرسم تجزئة خشنة متعددة المستويات (Graclus) وترتيب العقد في شجرة ثنائية، مما يسمح بتجميع يشبه التجميع في CNN. وتُعدّ ChebNet الجسر بين الطيفي والمكاني: GCN حالتها الخاصة عند K = 1 مع تبسيطات.
البنية المعمارية
طبقات ChebConv بدرجة K (مثلاً 2–25) مع ReLU، وتجميع هرمي اختياري، ثم طبقة متصلة كلياً.
المعادلات
y=\sum_{k=0}^{K}\theta_k\,T_k(\tilde{L})\,x,\qquad \tilde{L}=\frac{2L}{\lambda_{\max}}-Iنقاط القوة
- موضعي بدقة: مدى K قفزة
- خطي في عدد الروابط لكل طبقة
- لا يحتاج تحليلاً ذاتياً
- K أكبر يعطي مجال استقبال أوسع في طبقة واحدة
القيود
- يفترض لابلاسياناً متماثلاً (رسم غير موجه)
- K كبيرة تزيد خطر فرط التخصيص
- المعاملات لا تميز الجيران على المسافة نفسها
التعقيد الحسابي
O(K·|E|·F) لكل طبقة.
متى تستخدمه
حين تحتاج مجال استقبال أوسع في طبقة واحدة، أو مكوناً مكانياً في نموذج مكاني زماني (كما في STGCN).
التنفيذ في PyTorch Geometric
torch_geometric.nn.ChebConvشيفرة توضيحية للاستخدام المعتاد؛ راجع توثيق إصدار المكتبة الذي تستخدمه قبل تشغيلها.
تابع التعلّم
نماذج مرتبطة
دروس تشرحه
المراجع
- Defferrard, M., Bresson, X., & Vandergheynst, P. (2016). Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering. Advances in Neural Information Processing Systems (NeurIPS). arXiv: 1606.09375ChebNet: مرشحات متعددات حدود تشيبيشيف موضعية ورخيصة.
- Shuman, D. I., Narang, S. K., Frossard, P., Ortega, A., & Vandergheynst, P. (2013). The emerging field of signal processing on graphs: Extending high-dimensional data analysis to networks and other irregular domains. IEEE Signal Processing Magazine. DOI: 10.1109/MSP.2012.2235192 · arXiv: 1211.0053مدخل معالجة الإشارات على الرسوم: تحويل فورييه البياني والمرشحات.
