ما هي الشبكات العصبية للرسم البياني؟ الشرح والتطبيقات [مع الرسوم البيانية]

مقدمة

في الآونة الأخيرة ، اكتسبت الشبكات العصبية شعبية كبيرة بسبب تطبيقها وسهولة استخدامها في مجال التعرف على الأنماط واستخراج البيانات. جلب تطبيق التعلم العميق على مهام مثل اكتشاف الأشياء والتعرف على الكلام باستخدام تقنيات مثل CNN و RNN وأجهزة التشفير التلقائي قدرًا هائلاً من العمل في البحث والتطوير للشبكات العصبية.

يتم تنفيذ تطبيق التعلم العميق على البيانات مثل الصور والنصوص ومقاطع الفيديو بسهولة لأنها تستند إلى البيانات الإقليدية. ماذا عن التطبيقات التي يتم فيها تمثيل البيانات على أنها رسوم بيانية (غير إقليدية) ذات علاقات معقدة للغاية بين الكائنات؟

هذا هو المكان الذي نأتي فيه إلى مفهوم الشبكات العصبية للرسم البياني (GNN). في هذه المقالة ، سنتعرف على تعريفات وأساسيات الرسوم البيانية وشبكات GNN ونرى بعضًا من أحدث تطبيقات الشبكات العصبية للرسم البياني.

ما هو الرسم البياني؟

من العنوان - Graph Neural Networks ، نرى أن الجزء الأساسي من GNN هو الرسم البياني.

في علوم الكمبيوتر ، يُعرَّف الرسم البياني بأنه بنية بيانات مكونة من عنصرين. الرؤوس والحواف. يمكن تعريف الرسم البياني G على أنه G = VE . حيث V هي مجموعة الرؤوس و E هي الحواف بينهما. غالبًا ما يتم استخدام مصطلح القمم والعقد بالتبادل. إذا كان هناك أي علامة سهم على الحواف تسمى تبعية الاتجاه ، فهي عبارة عن رسم بياني موجه. إذا لم يكن الأمر كذلك ، فهي رسوم بيانية غير موجهة.

مصدر

يمكن أن يمثل الرسم البياني عدة أشياء - شبكة الوسائط الاجتماعية ، وشبكة المدينة ، والجزيئات وما إلى ذلك. ضع في اعتبارك الرسم البياني التالي الذي يمثل شبكة من المدن. يتم تمثيل المدن كعُقد والطرق التي تربطها هي الأطراف.

مصدر

باستخدام شبكة الرسم البياني أعلاه ، يمكننا حل العديد من المشكلات المتعلقة بهذه المدن مثل العثور على المدن التي ترتبط جيدًا أو العثور على أقصر مسافة بين مدينتين.

ما هي الشبكات العصبية للرسم البياني؟

نظرًا لأن الرسوم البيانية تتمتع بقدرات تعبيرية قوية للغاية ، فإنها تحظى باهتمام واسع في مجال التعلم الآلي. كل عقدة لها تضمين مرتبط معها. هذا التضمين يحدد العقدة في مساحة البيانات. تشير شبكات Graph Neural إلى بنيات الشبكة العصبية التي تعمل على الرسم البياني.

الهدف الأساسي لبنية GNN هو معرفة التضمين الذي يحتوي على معلومات حول المنطقة المجاورة لها. باستخدام هذا التضمين ، يمكننا حل العديد من المشكلات مثل تسمية العقدة والتنبؤ بالعقد والحواف وما إلى ذلك.

بمعنى آخر ، تعد شبكات الرسم البياني العصبية فئة إضافية من أساليب التعلم العميق المصممة لأداء الاستدلال على البيانات التي يتم تقديمها بواسطة الرسوم البيانية. يتم تطبيقها على الرسوم البيانية ويمكنها بسهولة أداء مهام التنبؤ على مستوى العقدة ومستوى الحافة ومستوى الرسم البياني.

لماذا ليس CNN؟

الميزة الرئيسية لـ GNN هي أنه يمكن أن يؤدي المهام التي فشلت الشبكات العصبية التلافيفية (CNN) في القيام بها. تُستخدم شبكات CNN لأداء مهام مثل اكتشاف الكائنات وتصنيف الصور والتعرف عليها. باستخدام الطبقات التلافيفية المخفية وطبقات التجميع ، تحقق CNN ذلك.

من الصعب حسابيًا أداء CNN على بيانات الرسم البياني لأنها طوبولوجيا تعسفية ومعقدة للغاية ، مما يعني أنه لا توجد منطقة مكانية. أيضًا ، هناك ترتيب عقدة غير ثابت مما يجعل تطبيق CNN أكثر صعوبة.

الشبكات العصبية للرسم البياني

وبالتالي ، من المفهوم أنه كما يطلق عليه ، GNN عبارة عن شبكة عصبية يتم تطبيقها مباشرة على الرسوم البيانية التي توفر طريقة ملائمة لمستوى الحافة ومستوى العقدة ومهام التنبؤ بمستوى الرسم البياني. هناك ثلاثة أنواع أساسية من الشبكات العصبية للرسم البياني:

1. الشبكة العصبية المتكررة للرسم البياني
2. الشبكة التلافيفية المكانية
3. الشبكة التلافيفية الطيفية

تتمثل إحدى بديهات GNN في أن العقد يتم تحديدها من خلال جيرانها ووصلاتهم. يمكننا تصور ذلك من خلال تخيل أنه إذا تمت إزالة جميع جيران العقدة ، فستفقد العقدة جميع معلوماتها. وبالتالي ، فإن مفهوم جيران العقدة والوصلات بالجيران يحددان العقدة.

مع وضع هذا في الاعتبار ، دعونا نعطي كل عقدة حالة (x) لتمثيل مفهومها. يمكننا استخدام حالة العقدة (س) لإنتاج ناتج (س) ، وهو القرار بشأن المفهوم. تسمى الحالة النهائية (x_n) للعقدة باسم "تضمين العقدة". تتمثل المهمة الرئيسية لكل شبكة Graph Neural Network في تحديد "تضمين العقدة" لكل عقدة ، من خلال النظر إلى المعلومات الموجودة على العقد المجاورة لها.

لنبدأ بأقوى إصدار من GNN أو Recurrent Graph Neural Network أو RecGNN

الشبكة العصبية المتكررة للرسم البياني

كما هو مذكور في الورقة الأصلية ، تم بناء RecGNN بافتراض نظرية Banach Fixed-Point Theorem التي تنص على ما يلي: دع (X ، د) يكون مساحة مترية كاملة واجعل (T: X → X) رسم خرائط انكماشية. ثم يحتوي T على نقطة ثابتة فريدة (x ∗) ولأي x∈X يتقارب التسلسل T_n (x) لـ n → ∞ إلى (x ∗). هذا يعني أنه إذا قمت بتطبيق التعيين T على x لـ k مرة ، فيجب أن تكون x ^ k مساوية تقريبًا لـ x ^ (k-1).

الشبكة التلافيفية المكانية

يشبه حدس الشبكة التلافيفية المكانية تلك الخاصة بـ CNN. كما نعلم في CNN ، فإن الفكرة هي إجراء التفاف عن طريق جمع وحدات البكسل المجاورة حول بكسل مركزي مع مرشح وأوزان قابلة للتعلم. تتبنى الشبكات التلافيفية المكانية فكرة مماثلة من خلال تجميع ميزات العقد المجاورة باتجاه العقدة المركزية.

مصدر

الشبكة التلافيفية الطيفية

على عكس الشبكات العصبية الأخرى في الرسم البياني ، فإن هذا النوع من GNN له أساس رياضي قوي. تم تطويره على نظرية معالجة إشارة الرسم البياني. يستخدم تقريب Chebyshev متعدد الحدود للتبسيط.

ما الذي يمكن أن تفعله شبكة GNN؟

يتم تصنيف المشكلات التي يمكن لـ GNN حلها على نطاق واسع إلى 3 فئات -

1. تصنيف العقدة
2. توقع الارتباط
3. تصنيف الرسم البياني

تصنيف العقدة

يتضمن التنبؤ بتضمين العقدة لكل عقدة في الرسم البياني. في مثل هذه الحالات ، يتم تمييز جزء فقط من الرسم البياني ، ومن ثم يُعرف هذا بالرسم البياني شبه الخاضع للإشراف. بعض التطبيقات عبارة عن مقاطع فيديو على YouTube وتوصيات صديق على Facebook وما إلى ذلك.

توقع الارتباط

تتمثل المهمة الرئيسية في تحديد العلاقة بين كيانين في رسم بياني والتنبؤ بما إذا كان هناك أي اتصال بين الكيانين. على سبيل المثال ، ضع في اعتبارك نظام التوصية حيث يتم إعطاء النموذج مجموعة من المراجعات من قبل مستخدمي المنتجات المختلفة. وتتمثل المهمة في توقع تفضيلات المستخدمين وضبط نظام التوصية للترويج للمنتجات التي تتوافق مع اهتمامات المستخدمين.

تصنيف الرسم البياني

يتضمن تصنيف الرسم البياني بأكمله إلى عدة فئات مختلفة. إنه مشابه تمامًا لمهمة تصنيف الصور ولكن الهدف هنا في مجال الرسم البياني. هناك العديد من الأمثلة على تصنيف الرسم البياني كما هو الحال في الكيمياء ، يتم إعطاء النموذج بنية جزيئية في شكل رسم بياني والمهمة هي تصنيف الهدف إلى فئة معينة.

تطبيقات الوقت الحقيقي لـ GNN

منذ طرحها في عام 2018 ، وجدت شبكات GNN عددًا لا بأس به من تطبيقات الوقت الفعلي التي تم تلخيصها أدناه.

معالجة اللغة الطبيعية

تجد GNN تطبيقاتها في مجموعة متنوعة من تطبيقات البرمجة اللغوية العصبية مثل تصنيف المشاعر وتصنيف النص وتوسيم التسلسل. يتم استخدامها في البرمجة اللغوية العصبية بسبب سهولة تطبيقها. يتم استخدامها أيضًا في تحليل الشبكة الاجتماعية مثل التنبؤ بالمنشورات المماثلة والتوصية بمحتوى محدد للمستخدمين.

الرؤية الحاسوبية

يعد Computer Vision مجالًا واسعًا نما بسرعة بمساعدة التعلم العميق في مجالات مثل تصنيف الصور واكتشاف الكائنات وما إلى ذلك. التطبيق الأكثر شيوعًا هو الشبكات العصبية التلافيفية. في وقت متأخر ، تم أيضًا تطبيق GNNs في هذا المجال. على الرغم من أن تطبيق GNN في Computer Vision لا يزال في مرحلته الأولية ، إلا أنه يظهر إمكانات هائلة في السنوات القادمة.

علم

تُستخدم شبكات GNN أيضًا على نطاق واسع في العلوم مثل أنظمة الفيزياء وتنبؤ الآثار الجانبية وتصنيف الأمراض. يستخدم الكيميائيون أيضًا GNNs لدراسة بنية الرسم البياني للمركبات والجزيئات.

مجالات أخرى

لا يقتصر تطبيق GNN على المهام المذكورة أعلاه فقط. كانت هناك عدة محاولات لتطبيق GNN على مجموعة متنوعة من المجالات مثل أنظمة التوصية وتحليل الشبكة الاجتماعية وما إلى ذلك.

خاتمة

في السنوات القليلة الماضية منذ إدخال شبكات GNN ، أصبحت أداة قوية وموثوقة لحل المشكلات التي يمكن نمذجتها بواسطة الرسوم البيانية. ويرجع ذلك إلى مرونتها وقوتها التعبيرية وسهولة تصورها. وبالتالي ، تعد شبكات GNN حلاً بديهيًا للبيانات غير المهيكلة مع مجموعة واسعة من تطبيقات العالم الحقيقي.

إذا كنت تريد معرفة المزيد عن GCN وميزاتها وفوائدها ، فقم بالتسجيل في upGrad Education Pvt. Ltd. ودورة الدراسات العليا والدبلوم في IIITB حول التعلم الآلي والذكاء الاصطناعي. تم تصميم هذه الدورة التدريبية حول التعلم الآلي والذكاء الاصطناعي للطلاب والمهنيين العاملين.

تقدم الدورة مجموعة من دراسات الحالة والمهام ، وجلسات الإرشاد الصناعي ، وحالة خريجي IIIT Bangalore ، والمساعدة في التوظيف مع الشركات الكبرى ، والأهم من ذلك ، تجربة تعليمية غنية.