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

GIN – شبكة تشاكل الرسوم

Graph Isomorphism Network (2019)

لتكون أقوى ما يمكن في تمييز البنى، اجمع الجيران بالمجموع (لا بالمتوسط ولا الأقصى) ومرّر النتيجة إلى MLP؛ فتبلغ قوة اختبار Weisfeiler-Lehman.

العائلة: قوة تمييز (Expressive)المهام: تصنيف الرسوم وانحدارها (جزيئات، بروتينات)

الحدس

لتكون أقوى ما يمكن في تمييز البنى، اجمع الجيران بالمجموع (لا بالمتوسط ولا الأقصى) ومرّر النتيجة إلى MLP؛ فتبلغ قوة اختبار Weisfeiler-Lehman.

v(1+ε)h_v + Σ h_uinjective sumMLP2 layersh⁽⁰⁾Σh⁽¹⁾Σh⁽²⁾ΣCONCATh_G
GIN: مجموع الجيران مع تمثيل العقدة موزوناً بـ (1+ε) ثم شبكة MLP، وقراءة بالمجموع لكل الطبقات.

الشرح التفصيلي

أثبت المؤلفون أن قوة MPNN محدودة بـ 1-WL، وأنها تبلغه إذا كانت دوال التجميع والتحديث حقنية على المجموعات المتعددة. المجموع مع MLP يحقق ذلك، والمعامل ε يميز تمثيل العقدة عن جيرانها. الـ MLP ضرورية: طبقة خطية واحدة لا تكفي للحقنية.

للرسوم: قراءة بالمجموع لكل طبقة ثم ضم كل الطبقات. أظهرت التجارب أن GIN تحقق دقة تدريب شبه كاملة على مجموعات TU، بينما تعجز GCN وSAGE-mean عن ملاءمة بعضها، وهو دليل على الفرق في القدرة التعبيرية. ونسخة GINE تضيف خصائص الروابط إلى الرسائل.

البنية المعمارية

5 طبقات GIN (MLP بطبقتين وBatchNorm) ← قراءة بالمجموع لكل طبقة ← ضم ← MLP ← تصنيف.

المعادلات

h_v^{(k)}=\operatorname{MLP}^{(k)}\Big((1+\epsilon^{(k)})h_v^{(k-1)}+\sum_{u\in N(v)}h_u^{(k-1)}\Big)
طبقة GIN.
h_G=\operatorname{CONCAT}\Big(\operatorname{SUM}\{h_v^{(k)}\}\;\big|\;k=0,\dots,K\Big)
قراءة الرسم من كل الطبقات.

نقاط القوة

  • أقصى قوة تمييز ممكنة لـ MPNN
  • ممتازة في تصنيف الرسوم
  • بسيطة التنفيذ

القيود

  • لا تتجاوز 1-WL (لا تعد المثلثات عموماً)
  • المجموع حساس للدرجات الكبيرة في تصنيف العقد
  • قد تفرط في التخصيص على المجموعات الصغيرة

التعقيد الحسابي

O(|E|·F + n·MLP) لكل طبقة.

متى تستخدمه

تصنيف الرسوم وكل مهمة يعتمد فيها الوسم على البنية الدقيقة.

التنفيذ في PyTorch Geometric

torch_geometric.nn.GINConv / GINEConv

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

درّب GIN فعلياً في متصفحك

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2019). How Powerful are Graph Neural Networks?. International Conference on Learning Representations (ICLR). arXiv: 1810.00826الورقة الأصلية لـ GIN وربط قوة التمييز باختبار Weisfeiler-Lehman.
  2. Morris, C., Ritzert, M., Fey, M., Hamilton, W. L., Lenssen, J. E., Rattan, G., & Grohe, M. (2019). Weisfeiler and Leman Go Neural: Higher-order Graph Neural Networks. AAAI Conference on Artificial Intelligence. arXiv: 1810.02244تكافؤ MPNN مع اختبار 1-WL وتعميمه إلى k-GNN.