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

SGC – الشبكة الالتفافية المبسطة

Simplifying Graph Convolutional Networks (2019)

إذا كانت قوة GCN تأتي من التنعيم عبر الجيران لا من اللاخطيات بين الطبقات، فلنحذف اللاخطيات: K طبقة تصبح ضرباً واحداً في Â^K يُحسب مسبقاً، ثم مصنف خطي.

العائلة: طيفية (Spectral)المهام: تصنيف العقد على رسوم كبيرة متجانسة، خط أساس سريع

الحدس

إذا كانت قوة GCN تأتي من التنعيم عبر الجيران لا من اللاخطيات بين الطبقات، فلنحذف اللاخطيات: K طبقة تصبح ضرباً واحداً في Â^K يُحسب مسبقاً، ثم مصنف خطي.

MLPH = f(X)propagate K steps (no weights)Z ← (1-α) Â Z + α HŶ
الفصل بين التنبؤ والانتشار: شبكة MLP تتنبأ لكل عقدة، ثم تنتشر التنبؤات K خطوة عبر الرسم.

الشرح التفصيلي

تزيل SGC دوال التنشيط بين طبقات GCN فتنهار الأوزان المتتالية إلى مصفوفة واحدة W، ويصبح النموذج انحداراً لوجستياً على خصائص منعّمة Â^K X. تُحسب الخصائص المنعّمة مرة واحدة قبل التدريب، فيصبح التدريب بكلفة نموذج خطي ويتوسع إلى رسوم ضخمة بدفعات عادية.

أظهر المؤلفون أن أداءها قريب من GCN على مجموعات الاقتباس مع تسريع كبير، وحللوا Â طيفياً بوصفها مرشحاً منخفض التمرير تقلص إضافةُ الحلقات الذاتية مجالَه الطيفي. وهي اليوم خط أساس إلزامي: إذا لم يتفوق نموذجك عليها فاللاخطية لا تضيف شيئاً.

البنية المعمارية

معالجة مسبقة: S = Â^K X ← انحدار لوجستي softmax(SW).

المعادلات

\hat{Y}=\operatorname{softmax}\!\left(\hat{A}^{K}X\,\Theta\right)
نموذج SGC كاملاً.

نقاط القوة

  • أسرع بكثير من GCN
  • يتوسع إلى ملايين العقد بعد حساب مسبق واحد
  • عدد معاملات قليل جداً ومقاومة لفرط التخصيص

القيود

  • خطي: لا يلتقط تفاعلات معقدة بين الخصائص
  • ضعيف في عدم التجانس
  • K كبيرة تسبب تنعيماً مفرطاً

التعقيد الحسابي

معالجة مسبقة O(K·|E|·F)، ثم تدريب O(n·F·C).

متى تستخدمه

خط أساس سريع، ورسوم ضخمة متجانسة، وتجارب أولية.

التنفيذ في PyTorch Geometric

torch_geometric.nn.SGConv

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

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. Wu, F., Zhang, T., de Souza, A. H., Fifty, C., Yu, T., & Weinberger, K. Q. (2019). Simplifying Graph Convolutional Networks. International Conference on Machine Learning (ICML). arXiv: 1902.07153SGC: إزالة اللاخطية وضغط K طبقة في ضرب واحد.