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

TGN – الشبكات البيانية الزمنية

Temporal Graph Networks (2020)

أعطِ كل عقدة ذاكرة تلخص تاريخها وتُحدَّث كلما شاركت في حدث، ثم احسب التمثيل اللحظي من الذاكرة والجوار الزمني.

العائلة: زمنية ومكانية-زمنية (Temporal)المهام: التنبؤ بالروابط وتصنيف العقد الديناميكي في تيارات الأحداث

الحدس

أعطِ كل عقدة ذاكرة تلخص تاريخها وتُحدَّث كلما شاركت في حدث، ثم احسب التمثيل اللحظي من الذاكرة والجوار الزمني.

timea→bc→ab→da→dc→bmemory s_v(t)GRU updatetime encodingcos(ω Δt + φ)temporal attnover past events
الرسوم الزمنية المستمرة: تيار أحداث (u, v, t)، وذاكرة لكل عقدة تُحدَّث مع كل حدث.

الشرح التفصيلي

الإطار من وحدات: دالة رسالة لكل حدث (من ذاكرتي الطرفين والفارق الزمني وخصائص الحدث)، ومجمّع للرسائل في الدفعة (الأحدث أو المتوسط)، ومحدّث للذاكرة (GRU)، ووحدة تضمين (غالباً انتباه زمني كما في TGAT) تقرأ الذاكرة والجيران. يُعالج تيار الأحداث بالدفعات بالترتيب الزمني، مع حيلة لمنع تسرب الحدث الحالي إلى ذاكرته قبل التنبؤ به.

أظهرت الورقة أن الذاكرة مع تضمين بطبقة انتباه واحدة يفوق TGAT وJODIE مع كلفة أقل، وأن TGN تعمم كثيراً من النماذج السابقة بوصفها حالات خاصة.

البنية المعمارية

تيار أحداث ← رسائل ← تجميع ← تحديث ذاكرة GRU ← تضمين بانتباه زمني ← فاك تشفير.

المعادلات

m_i(t)=\operatorname{msg}\!\big(s_i(t^-),s_j(t^-),\Delta t,e_{ij}(t)\big),\qquad s_i(t)=\operatorname{GRU}\!\big(\bar{m}_i(t),s_i(t^-)\big)
الرسالة وتحديث الذاكرة.

نقاط القوة

  • ذاكرة طويلة المدى رخيصة
  • إطار عام يوحّد نماذج سابقة
  • أداء قوي في التنبؤ بالروابط

القيود

  • تعقيد هندسي في معالجة التيار
  • الذاكرة تحتاج تحديثاً تسلسلياً
  • حساس للتقييم بالسلبيات السهلة

التعقيد الحسابي

O(|events|·d²) للذاكرة + كلفة التضمين لكل استعلام.

متى تستخدمه

تيارات أحداث كبيرة مستمرة تحتاج تنبؤاً فورياً.

التنفيذ في PyTorch Geometric

torch_geometric.nn.TGNMemory (مثال tgn.py)

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

تابع التعلّم

نماذج مرتبطة

دروس تشرحه

المراجع

  1. Rossi, E., Chamberlain, B., Frasca, F., Eynard, D., Monti, F., & Bronstein, M. (2020). Temporal Graph Networks for Deep Learning on Dynamic Graphs. ICML 2020 Workshop on Graph Representation Learning and Beyond. arXiv: 2006.10637TGN: ذاكرة لكل عقدة تُحدَّث مع كل حدث.
  2. Huang, S., Poursafaei, F., Danovitch, J., Fey, M., Hu, W., Rossi, E., Leskovec, J., Bronstein, M., Rabusseau, G., & Rabbany, R. (2023). Temporal Graph Benchmark for Machine Learning on Temporal Graphs. Advances in Neural Information Processing Systems (NeurIPS), Datasets and Benchmarks. arXiv: 2307.01026معيار TGB للرسوم الزمنية مع تقييم موحّد.