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 الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة

مختبر تصنيف العقد

Node 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.

المعادلات

\hat{y}_i=\arg\max_c\ \mathrm{softmax}\!\left(f_\theta(X,A)\right)_{ic}
الفئة المتنبأ بها لكل عقدة.
\mathrm{Acc}=\frac{1}{|T|}\sum_{i\in T}\mathbb{1}[\hat{y}_i=y_i],\quad F_1=\frac{2PR}{P+R}
الدقة على مجموعة الاختبار T، وF1 الوسط التوافقي للدقة الإيجابية P والاستدعاء R (نعرض المتوسط الكلي Macro).

جارٍ تحميل المختبر التفاعلي…

تجارب جاهزة

تدريب فعلي (Actual Model Training)مبتدئ

GCN على شبكة الكاراتيه الحقيقية

تدريب GCN فعلياً على بيانات حقيقية صغيرة بعدد قليل من العقد المعلَّمة، ثم قراءة الدقة ومصفوفة الالتباس بصدق.

البيانات: Zachary Karate Club (34 عقدة، فئتان)

شغّل التجربة
تدريب فعلي (Actual Model Training)متوسط

كيف يبدو الإفراط في الملاءمة؟

رؤية الفجوة بين دقة التدريب ودقة الاختبار حين تكون العقد المعلَّمة قليلة جداً والنموذج كبيراً بلا تنظيم.

البيانات: رسم اقتباس مصطنع (SBM) معلن

شغّل التجربة
تدريب فعلي (Actual Model Training)متقدم

عمق الشبكة والإفراط في التنعيم

قياس أثر زيادة عدد طبقات GCN على الدقة وعلى تشابه تمثيلات العقد.

البيانات: رسم اقتباس مصطنع (SBM) معلن

شغّل التجربة
تدريب فعلي (Actual Model Training)متوسط

ماذا ينظر إليه GAT؟

تدريب GAT ثم عرض معاملات الانتباه لعقدة مختارة بوصفها سماكة للروابط.

البيانات: رسم اقتباس مصطنع (SBM) معلن

شغّل التجربة
تدريب فعلي (Actual Model Training)متقدم

R-GCN على رسم معرفي أكاديمي

مقارنة نموذج يميز أنواع العلاقات (R-GCN) بنموذج يعاملها كلها سواء (GCN) على رسم معرفي صغير.

البيانات: رسم معرفي أكاديمي مصطنع: أوراق ومؤلفون ومؤتمرات بثلاث علاقات

شغّل التجربة

مفاهيم هذه الوحدة

أسئلة شائعة

ما معنى التصنيف شبه الموجَّه للعقد؟

نعرف 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.

كيف أتجنب تسرب البيانات في تصنيف العقد؟

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.

لماذا تتغير الدقة كثيراً بين تشغيل وآخر؟

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.

كيف أقرأ مصفوفة الالتباس؟

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.

لماذا أستخدم Macro-F1 مع الدقة؟

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.

كيف أعرف أن النموذج يفرط في الملاءمة؟

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.

ما الفرق بين التعلم الانتقالي والاستقرائي؟

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.

ماذا أفعل إذا لم تكن للعقد خصائص؟

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.

حدود التنفيذ

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.

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.
  2. Hamilton, W. L., Ying, R., & Leskovec, J. (2017). Inductive Representation Learning on Large Graphs. Advances in Neural Information Processing Systems (NeurIPS). arXiv: 1706.02216الورقة الأصلية لـ GraphSAGE والتعلم الاستقرائي بالعيّنات من الجوار.
  3. Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., & Bengio, Y. (2018). Graph Attention Networks. International Conference on Learning Representations (ICLR). arXiv: 1710.10903الورقة الأصلية لـ GAT والانتباه متعدد الرؤوس على الجيران.
  4. Zachary, W. W. (1977). An Information Flow Model for Conflict and Fission in Small Groups. Journal of Anthropological Research. DOI: 10.1086/jar.33.4.3629752مصدر شبكة نادي الكاراتيه (34 عضواً).
  5. Yang, Z., Cohen, W. W., & Salakhutdinov, R. (2016). Revisiting Semi-Supervised Learning with Graph Embeddings. International Conference on Machine Learning (ICML). arXiv: 1603.08861مصدر التقسيم العام (Planetoid) لـ Cora وCiteSeer وPubMed.
  6. Shchur, O., Mumme, M., Bojchevski, A., & Günnemann, S. (2018). Pitfalls of Graph Neural Network Evaluation. NeurIPS 2018 Workshop on Relational Representation Learning. arXiv: 1811.05868تبيّن أن ترتيب النماذج يتغير مع تغيير التقسيم، وتوصي بتقسيمات وبذور متعددة.
  7. Kingma, D. P., & Ba, J. (2015). Adam: A Method for Stochastic Optimization. International Conference on Learning Representations (ICLR). arXiv: 1412.6980المُحسِّن المستخدم في كل تجارب التدريب في المختبر.