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

GCN – الشبكة الالتفافية البيانية

Graph Convolutional Network (2017)

كل عقدة تأخذ متوسطاً موزوناً لتمثيلات جيرانها ونفسها (بأوزان تعتمد على الدرجات)، ثم تطبق تحويلاً خطياً مشتركاً ولاخطية. تكرار ذلك يعني رؤية جيران أبعد.

العائلة: طيفية (Spectral)المهام: تصنيف العقد شبه الخاضع للإشراف، مشفّر للروابط

الحدس

كل عقدة تأخذ متوسطاً موزوناً لتمثيلات جيرانها ونفسها (بأوزان تعتمد على الدرجات)، ثم تطبق تحويلاً خطياً مشتركاً ولاخطية. تكرار ذلك يعني رؤية جيران أبعد.

X, ÂinputGCN H W⁽¹⁾ReLUdropoutGCN H W⁽²⁾softmaxper node = D̃^-½ (A + I) D̃^-½H⁽ˡ⁺¹⁾ = σ(  H⁽ˡ⁾ W⁽ˡ⁾ )
طبقتا GCN: كل طبقة تضرب التمثيلات في مصفوفة الجوار المطبّعة ثم في الأوزان، ثم دالة تنشيط.

الشرح التفصيلي

تُشتق الطبقة من ChebNet بأخذ K = 1 وتقريب λ_max ≈ 2 ومعامل واحد، ثم «حيلة إعادة التطبيع» بإضافة الحلقات الذاتية قبل التطبيع المتماثل. النتيجة ضرب في مصفوفة جوار مطبّعة Â ثم ضرب في مصفوفة أوزان. التطبيع المتماثل يخفض رسائل العقد عالية الدرجة ويبقي القيم الذاتية محدودة.

النموذج الكلاسيكي طبقتان مع Dropout وL2 ويُدرَّب على عقد قليلة موسومة بينما يمر الانتشار على الرسم كله. وهو مرشح تمرير منخفض، فينجح في الرسوم المتجانسة ويعاني من التنعيم المفرط مع العمق ومن عدم التجانس.

البنية المعمارية

GCNConv(F→16) ← ReLU ← Dropout ← GCNConv(16→C) ← Softmax.

المعادلات

H^{(l+1)}=\sigma\!\left(\tilde{D}^{-\frac12}\tilde{A}\tilde{D}^{-\frac12}H^{(l)}W^{(l)}\right)
قاعدة الانتشار مع Ã = A + I.

نقاط القوة

  • بسيطة وسريعة ومعاملاتها قليلة
  • خط أساس قوي في الرسوم المتجانسة
  • تفسير طيفي واضح

القيود

  • أوزان الجيران ثابتة لا تعتمد على المحتوى
  • تنعيم مفرط مع العمق
  • ضعيفة في عدم التجانس
  • تمييزها أقل من 1-WL بسبب التجميع المطبّع

التعقيد الحسابي

O(|E|·F + n·F·F′) لكل طبقة.

متى تستخدمه

أول نموذج تجربه لتصنيف العقد في رسم متجانس، ومشفّر افتراضي في GAE.

التنفيذ في PyTorch Geometric

torch_geometric.nn.GCNConv

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

درّب GCN فعلياً في متصفحك

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. Kipf, T. N., & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. International Conference on Learning Representations (ICLR). arXiv: 1609.02907الورقة الأصلية لـ GCN ومصدر التطبيع المتماثل للمصفوفة.