الرسم البياني للشبكات العصبية
الشبكات العصبية للرسم البياني (GNNs) هي نماذج تتعلم مباشرة من البيانات المنظمة للرسم البياني - العقد المتصلة بحواف - عن طريق تمرير المعلومات وتجميعها بين الجيران.
نظرة عامة
They matter because much of the real world is relational: social networks, molecules, road maps, and recommendation systems are all graphs that grids and sequences cannot naturally represent.
الغوص العميق
تعمل شبكة GNN من خلال تمرير الرسائل. تبدأ كل عقدة بمتجه المعالم، وفي كل طبقة تجمع كل عقدة الرسائل من جيرانها، وتجميعها باستخدام دالة التقليب الثابتة مثل المجموع، أو المتوسط، أو الحد الأقصى، وتحديث تمثيلها الخاص. يتيح تكديس طبقات L للمعلومات نشر قفزات L عبر الرسم البياني، وبالتالي فإن التضمين النهائي للعقدة يعكس الحي الأوسع، وليس فقط الاتصالات المباشرة. تختلف المتغيرات في كيفية تجميعها: تستخدم شبكات Graph Convolutional Networks متوسط الجوار الطبيعي، وتقوم GraphSAGE بعينات وتجميع عدد ثابت من الجيران من أجل قابلية التوسع، وتتعلم شبكات Graph Attention Networks الأوزان بحيث تهتم العقدة بشكل أكبر بالجيران المهمين. تقوم العقدة أو الحافة أو تضمينات الرسم البياني الكامل التي تم تعلمها بعد ذلك بتغذية رؤوس التصنيف أو الانحدار أو التنبؤ بالارتباط.
البصيرة الفنية
الخاصية المحددة هي ثبات التقليب: لا يحتوي الرسم البياني على ترتيب عقدة متأصل، لذلك يجب أن تنتج خطوة التجميع نفس النتيجة بغض النظر عن كيفية إدراج الجيران - وبالتالي المجموع أو المتوسط أو الحد الأقصى بدلاً من عملية الموضع الثابت. أحد القيود المعروفة هو الإفراط في التجانس: تكديس عدد كبير جدًا من طبقات تمرير الرسائل ويتقارب تضمين كل عقدة نحو نفس القيمة، مما يؤدي إلى إزالة الفروق المفيدة. وهذا يحد من العمق العملي ويحفز الاتصالات المتبقية والتطبيع.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل الشبكات العصبية الرسومية
تعتبر شبكات GNN أساسية بالنسبة للذكاء الاصطناعي العلمي. استخدمها نظام GNoME الخاص بـ DeepMind للتنبؤ بملايين الهياكل البلورية الجديدة المستقرة، كما تمثل نماذج الطقس مثل GraphCast الكرة الأرضية كرسم بياني للتنبؤ بشكل أسرع من أجهزة محاكاة الفيزياء. تتناول الأبحاث إمكانية التوسع في الرسوم البيانية ذات المليارات الحواف، والشبكات الأعمق التي تقاوم الإفراط في السلاسة، والعلاقة بين الشبكات GNN والمحولات (والتي تركز في الأساس على الرسوم البيانية المتصلة بالكامل). توقع تكاملًا أكثر إحكامًا مع النماذج الأساسية والاستخدام المتزايد في اكتشاف الأدوية وعلوم المواد.
التنفيذ في العالم الحقيقي
التنبؤ بالخصائص الجزيئية والسمية في اكتشاف الأدوية من خلال معاملة الذرات كعقد والروابط الكيميائية كحواف.
دعم التوصيات في شركات مثل Pinterest، حيث يتعلم PinSage التضمينات عبر رسم بياني للعناصر وتفاعلات المستخدم.
كشف عمليات الاحتيال وغسل الأموال من خلال اكتشاف الأنماط المشبوهة في الرسوم البيانية للمعاملات بين الحسابات.
التنبؤ بالطقس وحركة المرور، كما هو الحال في GraphCast ونماذج شبكة الطرق التي تمثل المواقع كعقد متصلة.
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بالتوثيق حيث تساعد شبكات Graph Neural Networks وأين تكون الطرق الأبسط أفضل.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Graph Neural Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
الشبكات العصبية
الأسئلة المتداولة
What is Graph Neural Networks?
الشبكات العصبية للرسم البياني (GNNs) هي نماذج تتعلم مباشرة من البيانات المنظمة للرسم البياني - العقد المتصلة بحواف - عن طريق تمرير المعلومات وتجميعها بين الجيران. إنها مهمة لأن جزءًا كبيرًا من العالم الحقيقي علائقي: فالشبكات الاجتماعية، والجزيئات، وخرائط الطريق، وأنظمة التوصية كلها رسوم بيانية لا تستطيع الشبكات والتسلسلات تمثيلها بشكل طبيعي.
ما هي الآلية الحسابية الأساسية لمعظم الشبكات العصبية الرسومية؟
تعمل شبكات GNN من خلال جعل كل عقدة تجمع وتجميع الرسائل من جيرانها، ثم تقوم بتحديث تمثيلها الخاص، ويتكرر عبر الطبقات.
لماذا يجب أن تكون وظيفة تجميع الجوار في GNN ثابتة التقليب؟
نظرًا لعدم وجود ترتيب قانوني لجيران العقدة، فإن العمليات مثل المجموع أو المتوسط أو الحد الأقصى تضمن أن الإخراج لا يعتمد على كيفية إدراج الجيران.
ما الذي يشير إليه "الإفراط في التجانس" في شبكات GNN العميقة؟
يؤدي تكديس عدد كبير جدًا من طبقات تمرير الرسائل إلى تقارب تمثيل كل عقدة نحو نفس القيمة، مما يؤدي إلى محو الفروق المفيدة.
ما الذي يميز شبكة انتباه الرسم البياني (GAT) عن شبكة الرسم البياني التلافيفية الأساسية (GCN)؟
تقوم GATs بتعيين أوزان الاهتمام المستفادة للجيران، مما يسمح للعقدة بالتركيز على العناصر الأكثر صلة بدلاً من حساب متوسطها بشكل موحد.
في GNN المطبق على الجزيء، ما الذي تمثله العقد والحواف عادةً؟
الجزيئات عبارة عن رسوم بيانية بشكل طبيعي: الذرات عبارة عن عقد، والروابط التي تربط بينها عبارة عن حواف، ولهذا السبب تتفوق شبكات GNN في التنبؤ بالخصائص الجزيئية.