ما هي الشبكات العصبية للرسم البياني GNN وكيف تتميز عن الشبكة العصبية الالتفافية CNN؟

إذا أردت أن تخرج من منزلك الى مكان جديد لا تعرف طريقه, فكيف تذهب؟ مؤكد أنك ستستخدم تطبيقا مثل Google Maps ليرشدك الى المكان, بل وربما يقترح عليك أكثر من طريق مؤدية الى نفس المكان, هذا يعني أن هناك خط واصل بين مكان سكنك والمكان الذي ستذهب إليه, أي يمثلان نقطتين وبينهما خط واصل يوضح العلاقة بينهما, هكذا تماما البيانات.

إذا أردنا الحديث عن الشبكات العصبية فإن العديد من البيانات تمثل فيها على شكل رسوم بيانية لتوضيح التغيرات فيها بمرور الوقت وأيضا لتسهيل دراستها وفهم العلاقات بينها, مثلا يمكن تمثيل الكلمات في الجمل على شكل عقد في الرسم البياني أو الصور و غيرها من البيانات, ولكن التعامل مع الرسوم البيانية قد يكون تحديا بالنسبة للشبكات العصبية مثل التعامل مع البيانات ذات الأبعاد العالية والتفاعلات المعقدة بين المتغيرات, بينما قد يكون تحليل البيانات الثنائية الأبعاد نسبيا سهلا، إلا أن الصعوبة تتزايد مع البيانات ذات الأبعاد المتعددة والتفاعلات غير الخطية.

بالإضافة الى أن الرسوم البيانية متغيرة وليس لها نموذج ثابت, أي من الممكن أن يكون لرسمين بيانين مختلفين

تمثلات رقمية متشابهة وهذا يصعب عملية تحليل البيانات باستخدام الأدوات الإحصائية التقليدية. 

 ولكن جاء الحل مع الشبكات العصبية للرسم البياني Graph Neural Network التي سهلت التعامل مع تمثيل البيانات بالرسم البياني, اسمها يبين مفهومها ولكن ما هي تحديدا وما مهامها, هذا ما سنعرفه في هذا المقال.

ما هي الشبكات العصبية للرسم البياني؟

قبل أن نتعرف على مفهومها دعونا نتعرف بالبداية على مفهوم الرسم البياني وكيف يستخدم لتمثيل البيانات.

ما هو الرسم البياني؟ 

الرسم البياني هو هيكل بيانات يستخدم لتمثيل العلاقات بين مجموعة من العناصر المعروفة باسم العقد, يمكن تصور العقد ككيانات أو عناصر، في حين تمثل الحواف الروابط أو العلاقات بين هذه العقد, بمعنى آخر، يتم استخدام الرسم البياني لتمثيل الاتصالات والتفاعلات بين الكيانات المختلفة. [1]

يمكن تعيين بيانات أو معلومات محددة لكل عنصر في الرسم البياني, مثلا، إذا كانت كل عقدة تمثل شخصا، يمكن تخزين معلومات مثل اسم الشخص وعمره داخل كل عقدة, أما بالنسبة للحواف يمكن أن تمثل العلاقة بين الأشخاص، كما يمكن تخزين معلومات إضافية مثل نوع العلاقة (صداقة، قرابة، إلخ).

هذا يسمح  بتمثيل البيانات بشكل أكثر دقة واستخدام الرسم البياني كوسيلة لتخزين وتنظيم معلومات مترابطة بين مختلف العناصر.

إذا أردنا مثلا توضيح كيفية تمثيل الكلمات في نص معين على هيئة رسم بياني يمكن تلخيصه كالآتي, يتم إعطاء كل رمز في النص سواء أكان حرف أو كلمة مؤشرات أي أرقام محددة, بحيث تكون هذه الأرقام متسلسلة كتسلسل الكلمات في النص, فبدلا من التعامل مع الكلمات بشكل مباشر يتم التعامل بهذه الأرقام.

ثم تستخدم المؤشرات في إنشاء رسم بياني بسيط بحيث يمثل كل مؤشر ( الكلمات التي تم تمثيلها بأرقام) عقدة, تنشأ الاتصالات بين العقد عبر حواف بحيث تمثل العلاقات بينها. 

الآن دعونا نخوض في مفهوم الشبكات العصبية للرسم البياني, تعد الشبكات العصبية للرسم البياني نوع خاص من الشبكات العصبية صممت للتعامل مع هياكل البيانات ذات التمثيل البياني, بحيث يمكنها تحليل العلاقات و التفاعلات بين العناصر في الرسم البياني مثل العقد والحواف مما يجعلها مثيرة للاهتمام للتنبؤ بالعقد والحواف وتنفيذ مهام أخرى مستندة إلى هياكل الرسوم البيانية. [2]

أما عن سبب تطوير هذا النوع من الشبكات فهو يرجع الى عدم قدرة الشبكة العصبية الالتفافية في تحقيق نتائج مثالية, بسبب حجم الرسم البياني وتعقيد هيكله, لذلك كانت الحاجة الى إيجاد حل فعال للتعامل مع الرسوم البيانية ذات الأحجام المتغيرة والبينة المعقدة. 

الفرق بين الشبكات العصبية للرسم البياني GNN والشبكة العصبية الالتفافية CNN

لفهم الفروق بينهما علينا أن نوضح باختصار شديد ما نوع البيانات التي تتعامل معها كل منهما, صممت الشبكة العصبية الالتفافية CNN  لمعالجة البيانات ذات الهيكل الشبكي مثل الصور, حيث يكون الترتيب الهندسي أو العلاقات المكانية بين البكسلات في الصورة ذات أهمية بالغة, يعني ذلك فهم كيفية توزيع وترتيب البكسلات في الصورة بالنسبة لبعضها البعض.

أما بالنسبة للشبكة العصبية للرسم البياني GNN فتهتم بمعالجة البيانات الممثلة برسم بياني, حيث يكون للاتصالات بين العقد أهمية كبيرة. 

أما عن لماذا تعد GNN أفضل من CNN, نوضح ذلك بعدة فروقات: [3]

1. نطاق المعلومات

GNN: قادرة على دمج المعلومات من كامل الرسم البياني، مما يتيح لها التعامل مع العلاقات العالمية في البيانات.

CNN:  تعتمد بشكل رئيسي على معلومات محلية، مما يقتصر نطاقها على المناطق المحلية في البيانات.

1. التكيف مع البيانات غير الدقيقة أو الناقصة

GNN:تظهر مرونة عالية في التعامل مع بيانات غير دقيقة أو ناقصة.

CNN: تجد صعوبة في التعامل مع فقدان المعلومات أو الانتظامات في البيانات.

1. الاستدلال الاستقرائي

GNN: قادرة على إجراء استدلال استقرائي، مما يسمح لها بتعميم تعليماتها إلى رسوم بيانية غير مرئية أو أكبر حجما.

CNN: تحتاج إلى مدخلات ثابتة الحجم وتعتمد على معلومات محددة لحجم البيانات.

ما آلية عمل الشبكة العصبية للرسوم البيانية؟

كما ذكرنا في البداية أن الرسوم البيانية متغيرة و غير منظمة، حيث يمكن أن تأخذ أي شكل أو حجم وتحتوي على أي نوع من البيانات، بما في ذلك الصور والنصوص, لذلك كيف تعمل هذه الشبكات؟ [4]

من خلال عملية  تعرف بتبادل الرسائل، تنظم هذه الشبكات الرسوم البيانية بحيث يمكن لخوارزميات التعلم الآلي استخدامها, تستخدم هذه العملية لتضمين معلومات حول الجيران في كل عقدة داخل الرسم البياني, بحيث تتيح للشبكات العصبية الوصول إلى معلومات محيطة حول كل عقدة، وهي النقاط في الرسم البياني، و تضمن هذه المعلومات في كل عقدة.

هذه العملية تمكن النماذج الذكية من تحليل الأنماط وتوقع السلوك بناء على المعلومات المجاورة, أي بمعنى آخر، يمكن للخوارزميات التعلم الآلي استخدام تبادل الرسائل لفحص العلاقات والتفاعلات بين العقد في الرسم البياني، مما يسهم في تحليل البيانات واستنتاج أنماط مهمة لاتخاذ قرارات أو توقعات دقيقة.

لتوضيح الفكرة أكثر تستفيد أنظمة التوصية من تضمين معلومات العقد في الشبكات العصبية لتحديد توافق العملاء مع المنتجات. وفي نفس السياق، تعتمد أنظمة اكتشاف الاحتيال على تضمينات الحواف لاكتشاف المعاملات ذات الاشتباه، في حين تستخدم نماذج اكتشاف الأدوية تبادل الرسائل لمقارنة رسوم بيانية كاملة للجزيئات وفهم كيفية تفاعلها.

تظهر GNN بطريقتين مميزتين: أولا، استخدامها للرياضيات القليلة، وثانيا، عدم تعقيد هيكلها، حيث تتألف غالبا من طبقتين أو ثلاث فقط, وهذا يتماشى مع اختلافها عن نماذج الذكاء الاصطناعي الأخرى التي تعتمد على الرياضيات الكثيفة وتشمل مئات الطبقات في هيكل الشبكة العصبية.

أنواع الشبكة العصبية البيانية

تصنف GNNs الى ثلاثة أنواع كما يلي: [5]

• شبكة صعبية بيانية دورية Recurrent GNN: يتميز هذا النوع بوجود اتصالات دورية بين العقد في الرسم البياني, حيث يؤدي هذا الاتصال الدوري إلى إنتاج إشارات إخراج من عقد وتأثيرها على عقد أخرى, و الإشارات التي تم إنتاجها بفعل الاتصالات الدورية تؤثر على العقد في نفس الدورة الزمنية، وهذا التأثير يظهر بطريقة ديناميكية ومتغيرة مع مرور الوقت. يستند هذا النوع الى نظرية باناخ للنقاط الثابتة. 

• شبكة عصبية بيانية مكانية Spatial GNN: تشبه شبكة GNN المكانية الشبكة العصبية الالتفافية CNN, و تقوم بجمع المعلومات أو الخصائص من العقد المجاورة ونقلها إلى العقد المركزي في الشبكة.

• شبكة عصبية بيانية طيفية Spectral GNN: هذه الشبكة العصبية الرسومية تعتمد على نظرية المصفوفات في الرياضيات، تستخدم العقد والتوبولوجي لاستخراج النتيجة، ولكن الشبكة العصبية الطيفية تستخدم مفاهيم القيم الذاتية والمتجهات الذاتية للحصول على النتيجة من البيانات الرسومية المقدمة.

أنواع المهام التي تقوم بها GNNs 

للشبكة العصبية للرسم البياني مهام عديدة, منها: [6]

• تصنيف العقد Node Classification: هي عملية تحديد تصنيف العقد (العناصر) عن طريق مراجعة تصنيفات جيرانها, وعادة يتم تدريب هذا النوع من المشكلات بشكل شبه مشرف، حيث يتم تصنيف جزء صغير فقط من الرسم البياني.
• تصنيف الرسم البياني Graph Classification: المهمة هي تصنيف الرسم البياني ككل إلى فئات مختلفة، مشابهة لتصنيف الصور، وتطبيقاتها تتنوع من تحديد طبيعة بروتين في مجال الحوسبة الحيوية إلى تصنيف الوثائق في معالجة اللغة الطبيعية وتحليل شبكات التواصل الاجتماعي.
• تصور الرسم البياني Graph Visualization: هو مجال يجمع بين نظرية الرسوم الهندسية وتصوير المعلومات في علم الرياضيات وعلوم الحاسوب. يركز على تمثيل بصري للرسوم البيانية لكشف الهياكل والتشوهات الممكنة في البيانات، مما يساعد المستخدم على فهم الرسوم البيانية.
• التنبؤ بالروابط Link Prediction: يتطلب من الخوارزمية فهم العلاقات بين الكيانات في الرسوم البيانية والتنبؤ ما إذا كان هناك اتصال بينهم، وهو أمر حيوي في الشبكات الاجتماعية وأنظمة التوصية وفي تنبؤ ارتباطات جماعات إجرامية.
• تجميع الرسوم البيانية Graph Clustering: هي عملية تجميع البيانات في شكل رسوم بيانية. يتم تنفيذ ذلك عبر تجميع العقد في المجموعات بناء على الاتصال الكثيف أو تجميع الرسوم ككائنات بناء على التشابه.

الخاتمة

في الختام, نذكركم بأبرز ما جاء في هذا المقال, الشبكة العصبية للرسم البياني هي نوع خاص من الشبكات العصبية الاصطناعي صممت للتعامل مع البيانات الممثلة برسم بياني, لأنها تتميز بقدرتها على فهم العلاقات والتفاعلات بين العناصر مثل العقد والحواف. تتميز هذه الشبكة عن الشبكة العصبية الالتفافية CNN بأنها أفضل بسبب قدرتها على دمج المعلومات من كامل الرسم البياني، أما CNN فهي تعتمد بشكل رئيسي على معلومات محلية. تصنف الى ثلاثة أنواع أساسية: دورية ومكانية وطيفية.

تشكل الشبكات العصبية للرسوم البيانية إسهاما قيما في مجالات مثل تحليل الشبكات الاجتماعية، ونظم التوصية، وتنبؤ العلاقات الجماعية، مما يفتح أفقا جديدة لاستكشاف وتفسير البيانات البيانية بفعالية أكبر.

المصادر

1. A Gentle Introduction to Graph Neural Networks
2. A Comprehensive Introduction to Graph Neural Networks (GNNs) | DataCamp
3. What is Graph Neural Network? An Introduction to GNN and Its Applications | Simplilearn.
4. https://blogs.nvidia.com/blog/what-are-graph-neural-networks/
5. What are Graph Neural Networks? - GeeksforGeeks
6. Graph Neural Network and Some of GNN Applications