GCN على شبكة الكاراتيه الحقيقية
تدريب GCN فعلياً على بيانات حقيقية صغيرة بعدد قليل من العقد المعلَّمة، ثم قراءة الدقة ومصفوفة الالتباس بصدق.
شغّل التجربةNode Classification Lab
درّب GCN أو GraphSAGE أو GAT أو GIN فعلياً في متصفحك على شبكة الكاراتيه الحقيقية أو رسم مصطنع، مع تقسيم تدريب وتحقق واختبار، ومصفوفة الالتباس، والدقة والدقة الإيجابية والاستدعاء وF1، ومقارنة التشغيلات.
تصنيف العقد مهمة تحويلية شبه خاضعة للإشراف غالباً: نعرف فئة بعض العقد ونريد فئة الباقي. الخسارة تُحسب على عقد التدريب فقط، وتُختار أفضل دورة (Epoch) بدقة التحقق، ولا يُلمس الاختبار إلا مرة واحدة في النهاية. جرّب عدد العقد المعلَّمة والطبقات وDropout ومعدل التعلم، وقارن بنموذج MLP لا يرى الرسم لتعرف ما الذي أضافته البنية.
\hat{y}_i=\arg\max_c\ \mathrm{softmax}\!\left(f_\theta(X,A)\right)_{ic}\mathrm{Acc}=\frac{1}{|T|}\sum_{i\in T}\mathbb{1}[\hat{y}_i=y_i],\quad F_1=\frac{2PR}{P+R}جارٍ تحميل المختبر التفاعلي…
تدريب GCN فعلياً على بيانات حقيقية صغيرة بعدد قليل من العقد المعلَّمة، ثم قراءة الدقة ومصفوفة الالتباس بصدق.
شغّل التجربةرؤية الفجوة بين دقة التدريب ودقة الاختبار حين تكون العقد المعلَّمة قليلة جداً والنموذج كبيراً بلا تنظيم.
شغّل التجربةقياس أثر زيادة عدد طبقات GCN على الدقة وعلى تشابه تمثيلات العقد.
شغّل التجربةتدريب GAT ثم عرض معاملات الانتباه لعقدة مختارة بوصفها سماكة للروابط.
شغّل التجربةمقارنة نموذج يميز أنواع العلاقات (R-GCN) بنموذج يعاملها كلها سواء (GCN) على رسم معرفي صغير.
شغّل التجربةنعرف تسميات قلة من العقد ونريد تسميات البقية. الرسم كاملاً (بما فيه العقد غير المعلَّمة) يُستخدم في انتقال الرسائل، لكن الخسارة تُحسب على العقد المعلَّمة فقط. هذا إعداد Kipf & Welling (2017) على Cora.
لا تستخدم تسميات عقد التحقق أو الاختبار في الخسارة أو في اختيار الخصائص، واختر المعاملات الفائقة على التحقق لا على الاختبار، ولا تطبع الخصائص بإحصاءات محسوبة من الاختبار. وجود عقد الاختبار في الرسم أثناء التدريب مقبول في الإعداد الانتقالي لأن تسمياتها مخفية.
لأن مجموعة الاختبار صغيرة: في شبكة الكاراتيه نحو 20 عقدة اختبار، فكل خطأ يغير الدقة بنحو 5 نقاط. أبلغ دائماً عن المتوسط والانحراف المعياري عبر عدة بذور، ولا تستنتج من تشغيل واحد.
الصف هو الفئة الحقيقية والعمود هو الفئة المتوقعة. القطر هو التوقعات الصحيحة. خلية خارج القطر (i,j) تعني أن عقداً من الفئة i صُنّفت خطأً على أنها j. منها تُحسب الدقة (Precision) والاستدعاء (Recall) وF1 لكل فئة.
الدقة الإجمالية تخفي ضعف النموذج في الفئات الصغيرة. Macro-F1 يحسب F1 لكل فئة ثم يأخذ المتوسط بالتساوي، فيكشف إن كان النموذج يتجاهل فئة نادرة.
حين تصل دقة التدريب إلى قرابة 100% بينما تتوقف دقة التحقق أو تنخفض، وتنخفض خسارة التدريب وترتفع خسارة التحقق. العلاج: Dropout، وتنظيم L2، وتقليل الحجم المخفي، والإيقاف المبكر على التحقق.
الانتقالي (Transductive): الرسم كاملاً بما فيه عقد الاختبار متاح أثناء التدريب وتسمياتها مخفية (Cora القياسية). الاستقرائي (Inductive): يجب أن يعمل النموذج على عقد أو رسوم لم يرها أبداً، كما في GraphSAGE على رسوم جديدة.
يمكن استخدام مصفوفة الهوية (متجه one-hot لكل عقدة) كما في تجربة الكاراتيه، لكنها لا تعمم على عقد جديدة. البدائل: الدرجة، أو مقاييس بنيوية، أو تمثيلات Node2Vec، أو متجه ثابت لكل العقد.
تدريب فعلي بالانتشار الخلفي في المتصفح حتى 400 عقدة. على رسوم صغيرة تتغير النتائج كثيراً مع البذرة والتقسيم؛ شغّل عدة بذور قبل أي استنتاج. Cora وغيرها عبر خادم Python الاختياري.
الأقسام
لا يوجد قسم بهذا الاسم. اضغط «بحث» للبحث في محتوى الموقع كله.
المفضلة
نتائجي وشهاداتي
تقدّمي في الأكاديميةنتائج اختباراتيتقدّم الأطفالشهادات الأكاديميةشهادات الاختباراتابدأ أي درس أو اختبار وسيظهر هنا لتعود إليه بسرعة.
الإعدادات
أنا مساعد الشبكات العصبية البيانية. اسألني عن مفهوم أو خوارزمية أو مجموعة بيانات، أو اطلب تجربة أو مشروعاً، وسأجيبك من محتوى المختبر مع ذكر المصادر.
يجيب من قاعدة معرفة المختبر فقط، دون نموذج لغوي خارجي ودون إرسال سؤالك إلى أي جهة خارجية.
قد يخطئ المساعد أحياناً، فراجع المصادر المرفقة.