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

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.

العائلة: طيفية (Spectral)المهام: تصنيف العقد والإشارات على الرسوم، المكونات المكانية في نماذج المرور

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.

Spectral CNNg_θ = diag(θ)ChebNetΣ θ_k T_k(L̃)GCNK = 1, θ sharedSGCÂ^K X WO(n³) eigendecomposition → O(|E|) sparse products
من الطيفي إلى المكاني: كل نموذج تبسيط للذي قبله حتى الوصول إلى GCN وSGC.

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}}-I
المرشح بمتعددات حدود تشيبيشيف للابلاسيان المعاد قياسه.

نقاط 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.ChebConv

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

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. 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.
  2. 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.