الانتقال إلى المحتوى
العودة إلى نتائج البحث

الشبكات العصبية البيانية (GNNs)

قدّمه
Kipf, T.N. & Welling, M.
السنة
2017
النوع
Deep learning on graph-structured data

هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية

حجم الخط

بانتظار المراجعة العلمية.

حُجبت الأقسام التي تقرر عتبات عامة لحجم العينة في GNN إلى حين المراجعة العلمية. لا تضع الدراسة الأصلية عتبة أهلية عامة. مصدر المقارنة

ماذا تفعل؟

الشبكة العصبية البيانية (GNN) هي طريقة تعلم عميق، اشتهرت بواسطة كيبف وويلينغ في عام 2017 مع شبكة الالتفاف البياني (Graph Convolutional Network)، تتعلم من العلاقات في هياكل الشبكات (البيانات البيانية) المكونة من عقد وحواف. وهي مصممة للبيانات ذات الطبيعة العلائقية بطبيعتها، مثل الشبكات الاجتماعية، والهياكل الجزيئية، وأنظمة التوصية.

الفكرة الحدسية وراء الطريقة

العديد من أنواع البيانات ليست جداول مسطحة من صفوف مستقلة بل شبكات من كيانات مترابطة: أشخاص مرتبطون بالصداقات، ذرات مرتبطة بالروابط، عناصر مرتبطة بمن يشتريها معًا. تأخذ الشبكة العصبية البيانية هذه الترابطية على محمل الجد. بدلاً من النظر إلى كل عقدة بمعزل عن غيرها، تسمح لكل عقدة بالاستماع إلى جيرانها وتحديث تمثيلها الخاص بناءً على ما يحيط بها، بحيث يصبح هيكل الرسم البياني نفسه جزءًا مما يتعلمه النموذج.

التاريخ

انتقلت الشبكات العصبية البيانية إلى التيار الرئيسي مع شبكة الالتفاف البياني (Graph Convolutional Network) لكيبف وويلينغ في عام 2017، والتي صاغت التعلم على الرسوم البيانية كشكل من أشكال الالتفاف المعتمد على الحي. وسّع فيليتشكوفيتش وزملاؤه الفكرة في عام 2018 باستخدام شبكات الانتباه البيانية (Graph Attention Networks)، مما سمح للعقد بتقييم جيرانها بشكل مختلف. عززت مونوجراف هاملتون لعام 2020 بعنوان تعلم تمثيل الرسم البياني (Graph Representation Learning) هذا المجال، وأصبحت الشبكات العصبية البيانية منذ ذلك الحين أداة قياسية للبيانات العلائقية.

متى تُستخدم

هذا القسم بانتظار المراجعة العلمية. لا تستخدم شروطه قواعدَ لاختيار الطريقة.

النص الأصلي بانتظار المراجعة

الحدود والاعتبارات

  • لا يحدد المصدر الحدود؛ ويتطلب تحديد الملاءمة تقييمًا منفصلًا.

لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.

نقاط القوة

  • تتعلم مباشرة من الهيكل العلائقي بدلاً من إجبار البيانات على صفوف مسطحة.
  • مناسبة بشكل طبيعي للشبكات الاجتماعية، والهياكل الجزيئية، وأنظمة التوصية.
  • افتراضات خفيفة على توزيعات الميزات؛ تتعامل مع ميزات العقد المستمرة والفئوية والثنائية.
  • تلتقط كيف يشكل سياق العقدة - حيّها في الرسم البياني - سلوكها.

التطبيقات

  • تحليل العقد والروابط في الشبكات الاجتماعية.
  • التنبؤ بالخصائص على الهياكل الجزيئية.
  • أنظمة التوصية المبنية على رسوم بيانية لتفاعل المستخدم والعنصر.
  • شرح وتعلم العلاقات في أي مجموعة بيانات متصلة بشكل طبيعي.

كيف يعمل

كيف يعمل

1
الصيغة
h_v^{(l+1)} = \sigma\!\left(\sum_{u \in \mathcal{N}(v)} \frac{1}{c_{vu}} W^{(l)} h_u^{(l)}\right)

طرق ذات صلة

المصادر

  1. Kipf, T.N. & Welling, M. (2017). Semi-Supervised Classification with Graph Convolutional Networks. ICLR.

    افتح مرجع المنشور
    تم النسخ.
  2. Veličković, P. et al. (2018). Graph Attention Networks. ICLR.

    افتح مرجع المنشور
    تم النسخ.
  3. Hamilton, W.L. (2020). Graph Representation Learning. Morgan & Claypool.

    افتح مرجع DOI
    تم النسخ.