الشبكات التلافيفية للرسم البياني: قائمة بالتطبيقات التي تحتاج إلى معرفتها

الشبكة التلافيفية هي نوع من الشبكات العصبية. الشبكات العصبية هي نوع خاص من نماذج التعلم العميق. عادةً ما يشتمل التعلم الآلي أو التعلم العميق على خوارزميات صارمة ومكلفة بسبب مهمته المعقدة. وبالمثل ، فإن نماذج التعلم العميق على الرسوم البيانية أكثر تعقيدًا. تُستخدم الشبكات التلافيفية للرسم البياني بشكل أساسي لغرض تصنيف الصور. تعرف على المزيد حول الشبكة العصبية التلافيفية.

خلال العقد الماضي ، زاد تطبيق علم البيانات بشكل كبير. في هذا العالم الغني بالبيانات ، جلب نهج نموذج التعلم نتائج رائعة وتوقعات دقيقة. الرسوم البيانية مفيدة للعديد من أنظمة المعلومات.

من تفاعلات البروتين البيولوجي إلى اتصال الإنترنت و WorldWideWeb ، تمثل الرسوم البيانية كل هذه الأنظمة. أيضًا ، يتيح تنفيذ الشبكات العصبية من خلال بنية رسومية للكمبيوتر فهم خصائص الصورة. هذا النموذج هو أحد أكثر تطبيقات الرسم البياني تقدمًا في العالم الحقيقي. دعونا نناقش هذه الخوارزميات بالتفصيل:

كيف يتم بناء الشبكات العصبية

الشبكات العصبية هي واحدة من أكثر التقنيات تقدمًا في علم البيانات والتعلم العميق. الشبكات العصبية مفيدة في العديد من التطبيقات ، من تنبؤات سوق الأسهم إلى تصنيف الصور ، والتعرف على الكلام أو الشخصية وحتى في تحليل التسلسل.

جاء المفهوم الأول للشبكة العصبية من منظور بيولوجي. أجرى العلماء تجارب ترتبط فيها أعصاب الرؤية بمراكز السمع في الدماغ. في النهاية ، تعلم الكائن الحي أن يرى من خلال مركز السمع في الدماغ أيضًا. أثبتت التجارب الأخرى أن كل مركز من الدماغ يمكنه القيام بكل عمل.

بدأت المناهج في البدء في محاكاة الدماغ البشري لإعلام خوارزميات الكمبيوتر. لذلك ، وبالمثل ، اعتقد علماء الكمبيوتر أيضًا أنه يجب أن تكون هناك خوارزمية واحدة قادرة على حل جميع مشاكل تعلم دماغ الكمبيوتر. هكذا ولدت الشبكة العصبية.

تتكون الشبكة العصبية من طبقات متعددة من الخلايا العصبية. كل خلية عصبية عادة ما تكون عقدة الرسم البياني. كل خلية عصبية في كل طبقة متصلة بجميع الخلايا العصبية للطبقة التالية من خلال حافة مرجحة - تعمل أوزان الحافة كمعامل لحساب قيمة الطبقة.

من خلال backpropagation ، تتغير المعاملات لتناسب النموذج مع أمثلة تدريب العينة. في النهاية ، تعطي خلية عصبية واحدة من الطبقة الأخيرة المخرجات. في الصورة التالية ، تم شرح بنية الشبكة العصبية.

مصدر الصورة

قراءة: استخدام الشبكة العصبية التلافيفية لتصنيف الصور

شبكات الرسم البياني التلافيفية

الشبكات التلافيفية هي شبكات عصبية ثلاثية الأبعاد. تشمل معظم الاستخدامات العملية للشبكات العصبية التلافيفية تصنيف الصور والتعرف عليها ومعالجة اللغة الطبيعية والتعرف على الكلام. عادة ما تكون هذه النماذج أكثر تعقيدًا من نماذج الشبكة العصبية ثنائية الأبعاد المعتادة.

في هذه البنية ، يتم تجميع طبقات من الخلايا العصبية المختلفة. إن معلمة الأبعاد متغيرة في طبقات مختلفة لجعل النموذج يتعرف على المعلمات. على سبيل المثال ، الصور ثنائية الأبعاد ، وفي غضون ذلك ، يلعب لون كل نقطة أيضًا دورًا مهمًا. ومن ثم ، تظهر ثلاث معايير مختلفة. للتعامل مع مثل هذه التعقيدات ، تلعب Conv Nets دورًا مهمًا.

تعمل هذه المصفوفات ثلاثية الأبعاد العديدة ذات الأبعاد المختلفة على مستويات متعددة من الشبكة العصبية. في النهاية ، يلائم البعد "z" معلمة الإخراج للشبكة. يمكن أن يتم نقل المعلومات من مستوى إلى آخر من خلال مجموعة متنوعة من الخوارزميات المختلفة.

على سبيل المثال ، FC (متصل بالكامل) و Pooling و ReLU هي بعض الخوارزميات الحاسمة فيما يتعلق بهذا.

بشكل عام ، يتم الإشارة إلى قيم العقدة الخاصة بالشبكة العصبية ، حيث يشير الحرف "l" إلى رقم الطبقة. إذن ، a 0 هي مصفوفة الإدخال.

أ 0 = س

من ناحية أخرى ، تحدد عقدة الطبقة الأخيرة الإخراج. قل ، هناك طبقات "L". لذلك يشير L إلى إخراج الشبكة العصبية.

أ L = ص

مصدر الصورة

الصورة أعلاه تصور شبكة عصبية تلافيفية في تطبيق تصنيف الصور. يتم تعيين المعلمات لكلب ، قطة ، خفاش وطائر.

يتم حساب قيمة العقدة الخاصة بطبقة داخلية معينة من خلال قيم الطبقة السابقة.

أ ل + 1 = و ( أ ل ، θ)

هنا ، هي المصفوفة المجاورة ، و f هي الوظيفة المحددة. يمكن كتابة كل طبقة شبكة تلافيفية للرسم البياني باستخدام هذا التعبير. بهذه الطريقة ، عادةً ما يعمل الرسم البياني للشبكة العصبية التلافيفية.

تطبيقات الشبكات التلافيفية للرسم البياني

• تُنشئ شبكات الرسم البياني التلافيفية تنبؤات حول الأنظمة المادية ، مثل الرسوم البيانية ونهجها التفاعلي وتطبيقاتها. يوفر GCN أيضًا معلومات دقيقة حول خصائص كيانات العالم الحقيقي والأنظمة الفيزيائية (ديناميات الاصطدام ، مسارات الأجسام).
• تُستخدم شبكات GCN لأداء مشاكل تمايز الصور. يُعرف النموذج الذي يتبعه باسم "Zero-Shot Learning". الدافع الرئيسي لهذا النموذج هو تحديد صورة ذات تسمية غير معروفة وتجميعها في صور معروفة. يقومون أيضًا بجمع المعلومات الدلالية لهذه التسميات وتصنيفها.
• يمكن أن تأخذ GCNs طولًا معينًا من البصمات الجزيئية كمدخلات وتولد هياكل جزيئية متوقعة. MolGAN هو نوع واحد من شبكة Graph Convolutional التي تساعد على إنشاء هياكل جزيئية جديدة مع ميزات مختلفة فيها. بهذه الطريقة ، يسمح للعلماء باختراع الهياكل الجزيئية الحديثة يومًا بعد يوم.
• GCN قابلة للتطبيق لحل المشكلات المختلفة المتعلقة بعمليات البحث وتطبيقات التحسين التوافقي. تلعب شبكات الرسم البياني التلافيفية دورًا محوريًا في حل مشكلات البائعين ومشكلات التخصيص التربيعية وغير ذلك الكثير. بمساعدة الرسم البياني للإدخال ، يمكنه تجاوز الخوارزميات المعقدة التقليدية.

نادي كاراتيه زكاري

تطبيق هام آخر لشبكات الرسم التلافيفي هو حل مشاكل تنبؤ المجتمع ، مثل نادي زاكاري للكاراتيه. هذه المشكلة مبنية على الخلاف بين المدير ومدرب النادي.

علينا معرفة الجانب الذي سيختاره كل عضو في نادي الكاراتيه. يتم حل هذه المشكلة باستخدام تقنيات التعلم شبه الخاضعة للإشراف. باستخدام عقدتين معنونتين فقط ، تمكن Tobias Jepsen من حل المشكلة والوصول إلى دقة شبه مثالية من حيث التنبؤ بهذين المجتمعين.

الآن دعنا نلقي نظرة على الصور التالية ، وستتمكن من الحصول على بعض الأفكار حول مشكلة نادي الكاراتيه وحساباتها الصحيحة باستخدام شبكات الرسم التلافيفية.

مصدر الصورة

اقرأ أيضًا: أفكار مشروع الشبكة العصبية

تغليف

من خلال قراءة هذه المقالة ، ستكون قادرًا على فهم ماهية الشبكات التلافيفية للرسم البياني ، وكيف يتم بناء الشبكات العصبية ، وفكرة موجزة عن GCN وكيف تعمل ، ومختلف الجوانب والتطبيقات الحاسمة لـ GCN بما في ذلك مشكلة Zachary Karate Club.

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.