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

تصنيف الجزيئات بـ GIN

تصنيف الرسوم: من التجربة المصغرة في المتصفح (دورات مقابل أشجار) إلى MUTAG في PyG بتقييم متقاطع.

متوسطالمتصفح ثم Python

الوصف

تصنيف الرسوم: من التجربة المصغرة في المتصفح (دورات مقابل أشجار) إلى MUTAG في PyG بتقييم متقاطع.

الهدف البحثي

هل يتفوق تجميع المجموع (GIN) على المتوسط في التمييز بين البنى؟

المتطلبات

  • القراءة (Readout)
  • التحقق المتقاطع
مجموعة البيانات
رسوم مصطنعة ثم MUTAG
الخوارزمية
GIN، GCN

خطوات التنفيذ

  1. شغّل تجربة «قوة التمييز: تصنيف رسوم فيها دورة».
  2. قارن القراءة بالمجموع والمتوسط.
  3. حمّل MUTAG من TUDataset في PyG.
  4. نفّذ تحققاً متقاطعاً بعشرة أجزاء مع GIN وGCN.
  5. أبلغ عن المتوسط والانحراف لكل نموذج.

مقاييس التقييم

  • Accuracy
  • الانحراف المعياري عبر الأجزاء

النتائج المتوقعة

تباين كبير على MUTAG لصغرها (188 رسماً)؛ لا تبنِ استنتاجاً على فرق أصغر من الانحراف.

الأكواد والموارد

ابدأ من المختبر

تدريب فعلي (Actual Model Training)متقدم

قوة التمييز: تصنيف رسوم فيها دورة

مختبر المقارنة

تصنيف رسوم صغيرة: هل يحتوي الرسم دورة أم هو شجرة؟ ومقارنة GIN بقراءة المجموع مع GCN.

البيانات: رسوم مصطنعة: دورة مقابل شجرة (بلا خصائص للعقد)

شغّل التجربة

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. Debnath, A. K., Lopez de Compadre, R. L., Debnath, G., Shusterman, A. J., & Hansch, C. (1991). Structure-activity relationship of mutagenic aromatic and heteroaromatic nitro compounds. Correlation with molecular orbital energies and hydrophobicity. Journal of Medicinal Chemistry. DOI: 10.1021/jm00106a046مصدر مجموعة MUTAG.
  3. Morris, C., Kriege, N. M., Bause, F., Kersting, K., Mutzel, P., & Neumann, M. (2020). TUDataset: A collection of benchmark datasets for learning with graphs. ICML 2020 Workshop on Graph Representation Learning and Beyond (GRL+). arXiv: 2007.08663المجموعة التي توزّع MUTAG وPROTEINS وENZYMES.