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

دراسة الإفراط في التنعيم

قياس أثر العمق على GCN، ثم اختبار علاج واحد (وصلات تخطٍّ أو DropEdge أو PairNorm) وقياس أثره.

متقدمالمتصفح ثم Python

الوصف

قياس أثر العمق على GCN، ثم اختبار علاج واحد (وصلات تخطٍّ أو DropEdge أو PairNorm) وقياس أثره.

الهدف البحثي

عند أي عمق تبدأ الدقة بالانهيار؟ وهل يؤخر العلاج المختار ذلك؟

المتطلبات

  • فهم انتقال الرسائل
  • مفهوم الإفراط في التنعيم
مجموعة البيانات
رسم SBM في المتصفح ثم Cora في Python
الخوارزمية
GCN بأعماق 1 إلى 16

خطوات التنفيذ

  1. شغّل تجربة «عمق الشبكة والإفراط في التنعيم» في المتصفح.
  2. سجّل الدقة ومتوسط تشابه جيب التمام لكل عمق.
  3. كرر على Cora بـ PyG بأعماق 2 و4 و8 و16.
  4. أضف وصلات تخطٍّ (Residual) وأعد القياس.
  5. ارسم الدقة مقابل العمق للنموذجين.

مقاييس التقييم

  • Accuracy
  • متوسط تشابه جيب التمام بين التمثيلات
  • Dirichlet energy (اختياري)

النتائج المتوقعة

انخفاض الدقة مع العمق الكبير وتقارب التمثيلات، وتحسن جزئي مع وصلات التخطي.

الأكواد والموارد

ابدأ من المختبر

تدريب فعلي (Actual Model Training)متقدم

عمق الشبكة والإفراط في التنعيم

مختبر تصنيف العقد

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

البيانات: رسم اقتباس مصطنع (SBM) معلن

شغّل التجربة

المراجع

  1. Li, Q., Han, Z., & Wu, X.-M. (2018). Deeper Insights Into Graph Convolutional Networks for Semi-Supervised Learning. Proceedings of the AAAI Conference on Artificial Intelligence. DOI: 10.1609/aaai.v32i1.11604تفسر GCN بوصفها تنعيماً لابلاسياً وتبيّن ظاهرة الإفراط في التنعيم (Over-smoothing).
  2. 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.