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

DGCNN (EdgeConv) – الشبكة الالتفافية البيانية الديناميكية

Dynamic Graph CNN (EdgeConv) (2019)

للسحب النقطية: اربط كل نقطة بأقرب k نقطة، واحسب رسالة من النقطة ومن فرقها عن الجار، واجمع بالأقصى؛ ثم أعد بناء رسم الجيران في فضاء الخصائص الجديد في كل طبقة.

العائلة: هندسية ومتكافئة (Geometric)المهام: تصنيف السحب النقطية وتجزئتها

الحدس

للسحب النقطية: اربط كل نقطة بأقرب k نقطة، واحسب رسالة من النقطة ومن فرقها عن الجار، واجمع بالأقصى؛ ثم أعد بناء رسم الجيران في فضاء الخصائص الجديد في كل طبقة.

k-NN graph in feature spacee_ij = h_θ(x_i, x_j − x_i)x_i′ = max_j e_ijrecompute k-NN per layer
EdgeConv: رسم أقرب k جيران يُعاد بناؤه في كل طبقة من فضاء الخصائص.

الشرح التفصيلي

EdgeConv تحسب لكل رابط h_Θ(x_i, x_j − x_i): الجزء الأول يحمل البنية الشاملة والثاني البنية المحلية. التجميع بالأقصى. الأهم أن الرسم ديناميكي: بعد كل طبقة يُعاد حساب kNN في فضاء الخصائص، فتتصل نقاط متشابهة دلالياً (مثل جناحي طائرة) وإن تباعدت. تُضم مخرجات الطبقات ثم تجميع شامل.

حققت نتائج قوية على ModelNet40 وShapeNet عند نشرها، وأثبتت أن بناء الرسم نفسه جزء متعلَّم من النموذج.

البنية المعمارية

EdgeConv × 4 (kNN ديناميكي) ← ضم ← طبقة خطية ← تجميع أقصى شامل ← MLP.

المعادلات

x_i'=\max_{j\in\operatorname{kNN}(i)}h_\Theta\!\left(x_i,\,x_j-x_i\right)
EdgeConv.

نقاط القوة

  • يلتقط البنى المحلية والشاملة
  • الرسم الديناميكي يتعلم الجوار الدلالي
  • لا يحتاج روابط مسبقة

القيود

  • kNN في كل طبقة مكلف O(n²)
  • ليس متكافئاً مع الدوران بطبيعته
  • حساس لـ k

التعقيد الحسابي

O(n²) لبناء kNN + O(n·k·F²) لكل طبقة.

متى تستخدمه

السحب النقطية والبيانات بلا رسم صريح.

التنفيذ في PyTorch Geometric

torch_geometric.nn.EdgeConv / DynamicEdgeConv

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

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. Wang, Y., Sun, Y., Liu, Z., Sarma, S. E., Bronstein, M. M., & Solomon, J. M. (2019). Dynamic Graph CNN for Learning on Point Clouds. ACM Transactions on Graphics. DOI: 10.1145/3326362 · arXiv: 1801.07829EdgeConv: رسم kNN يُعاد بناؤه في كل طبقة من فضاء الخصائص.