Table of Contents[Qari][muuji]
Farsamooyinka barashada qotodheer ee loo yaqaan "shabakadaha neerfaha garaafka" (GNNs) waxay ku shaqeeyaan qaybta garaafka. Shabakadahan ayaa beryahan dambe helay adeegsiga qaybo kala duwan, oo ay ku jiraan aragga kombuyuutarka, nidaamyada la-talinta, iyo wanaajinta isku-dhafka ah, si loo magacaabo dhowr.
Intaa waxaa dheer, shabakadahan waxaa loo isticmaali karaa inay matalaan nidaamyo adag, oo ay ku jiraan shabakadaha bulshada, shabakadaha isdhexgalka borotiinka-protein, garaafyada aqoonta, iyo kuwa kale oo badan oo daraasado ah.
Meesha aan-euclidean-ka ahayn waa halka xogta garaafku ka shaqeyso, si ka duwan noocyada kale ee xogta sida sawirada. Si loo kala saaro noodhka, saadaalinta isku xidhka, iyo xogta kooxda, falanqaynta garaafyada ayaa la isticmaalaa.
Maqaalkan, waxaan ku baari doonaa Graph Shabakada Neural si faahfaahsan, noocyadeeda, iyo sidoo kale bixi tusaalooyin wax ku ool ah adoo isticmaalaya PyTorch.
Haddaba, waa maxay Graph?
Garaafku waa nooc ka mid ah qaab-dhismeedka xogta oo ka samaysan nood iyo geeso. Xidhiidhada u dhexeeya qanjidhada kala duwan waxaa lagu go'aamiyaa geesaha. Haddii jihada lagu tilmaamo noodhka, garaafka ayaa la sheegay in la hagayo; haddii kale, waa mid aan toos ahayn.
Codsiga wanaagsan ee garaafyada waa qaabaynta xidhiidhka ka dhexeeya shakhsiyaadka kala duwan ee a network bulshada. Markaad la macaamilayso duruufo adag, sida isku xidhka iyo iswaydaarsiga, garaafyadu aad bay waxtar u leeyihiin.
Waxay ku shaqeeyaan nidaamyada talada, falanqaynta semantic, falanqaynta shabakada bulshada, iyo aqoonsiga qaabka
. Abuuritaanka xalalka garaaf-ku-salaysan waa goob-cusub oo bixisa faham qotodheer oo ku saabsan xogta adag iyo kuwa la xidhiidha.
Shabakadda Neural Graph
Shabakado neural ah oo garaafka ah waa noocyo shabakad neural oo gaar ah oo ku shaqayn kara qaabka xogta garaafka. Isku-xidhka garaafyada iyo shabakadaha neerfaha ee is-bedbeddela leh (CNNs) ayaa saamayn weyn ku leh iyaga.
Shabakadaha Neural Networks ayaa lagu shaqaaleeyay hawlo ay ka mid yihiin saadaasha noodhka, geesaha, iyo garaafyada.
- CNN waxaa loo isticmaalaa in lagu kala saaro sawirada. Si la mid ah, si loo saadaaliyo fasalka, GNNs ayaa lagu dabaqaa shabagga pixel ee ka dhigan qaab-dhismeedka garaafyada.
- Kala soocida qoraalka iyadoo la adeegsanayo shabakadaha neerfaha ee soo noqnoqda. GNNs ayaa sidoo kale loo adeegsadaa naqshadaha garaafyada halkaas oo kelmad kasta oo weedha ku jirta ay tahay node.
Si loo saadaaliyo noodhka, geesaha, ama garaafyada dhamaystiran, shabakadaha neural ayaa loo isticmaalaa si loo abuuro GNNs. Saadaasha heerka qanjirada, tusaale ahaan, waxay xallin kartaa dhibaatada sida ogaanshaha spam.
Saadaasha isku xidhku waa kiis caadi ah oo ku jira hababka la taliyayaasha waxaana laga yaabaa inay tusaale u tahay dhibaatada saadaasha cidhif-caqliga leh.
Noocyada Shabakadda Neural Network Graph
Noocyo badan oo shabakada neerfaha ayaa jira, iyo Shabakadaha Neural ee Convolutional ayaa ku jira badidooda. Qaybtan waxaan ku baran doonaa GNN-yada ugu caansan.
Shabakadaha Convolutional Networks (GCNs)
Waxay la mid yihiin CNN-yada caadiga ah. Waxay kasbatay sifooyin iyadoo eegaysa qanjidhada dhow. Hawlaha firfircoonida waxa isticmaala GNNs si ay ugu daraan toosan la'aan ka dib marka la isku daro xididada noodhka oo u diraan wax soo saarka lakabka cufan.
Waxa uu ka kooban yahay iskudhafan garaafka, lakab toosan, iyo hawl qabad aan waxba baran, nuxur ahaan. GCN-yadu waxay u kala baxaan laba nooc oo waaweyn: Shabakadaha Convolutional Networks iyo Shabakadaha Convolutional Networks.
Shabakadaha Iskoodhka-Encoder-ka Sawirka
Waxay isticmaashaa cod-bixiyaha si ay u barato sida loo matalo garaafyada iyo furaha si ay isugu daydo in ay dib u dhisto garaafyada wax gelinta. Waxa jira lakabka qoor-gooyaha ah ee isku xidhaya cod-bixiyaha iyo cod-bixiyaha.
Maadaama auto-encoders ay qabtaan shaqo aad u fiican oo ah maaraynta dheelitirka fasalka, inta badan waxaa loo adeegsadaa saadaalinta isku xirka.
Shabakadaha Neural Networks ee soo noqnoqda (RGNNs)
Shabakado xidhiidho badan leh, oo hal noodu leeyahay xidhiidho badan, waxay barataa qaabka fidinta ugu fican waxayna maamuli kartaa garaafyada. Si loo kordhiyo sinnaanta oo loo yareeyo cabbirka xad-dhaafka ah, kuwa caadiga ah ayaa loo isticmaalaa qaabkan shabakada neerfaha garaafka.
Si loo helo natiijooyin wanaagsan, RGNNs waxay u baahan yihiin awood hawleed yar. Waxaa loo adeegsadaa jiilka qoraalka, aqoonsiga hadalka, tarjumaada mashiinka, sharraxaadda sawirka, summadaynta fiidiyowga, iyo soo koobidda qoraalka.
Shabakadaha Sawirka Neural ee Gated (GGNNs)
Markay timaaddo hawlaha ku-tiirsanaanta muddada-dheer, waxay ka sarreeyaan RGNN-yada. Marka lagu daro noodhka, cidhifka, iyo albaabada ku meel gaadhka ah ee ku tiirsanaanta muddada dheer, shabakadaha garaafyada garaafyada waxay kor u qaadaan shabakadaha garaafyada soo noqnoqda.
Albaabada waxay u shaqeeyaan si la mid ah Unugyada Soo noqnoqda ee Gated (GRUs) taas oo loo isticmaalo dib u soo celinta iyo iloobida xogta marxalado kala duwan.
Hirgelinta Shabakadda Neural Network iyadoo la isticmaalayo Pytorch
Arrinka gaarka ah ee aan diiradda saari doono waa arrin kala soocidda noodhka guud. Waxaan leenahay shabakad bulsho oo baaxad leh oo la yiraahdo muuse-github, kaas oo laga soo ururiyay API-ga furan, ee loogu talagalay horumarinta GitHub.
Cidhifyadu waxay muujinayaan xidhiidhka ka dhexeeya kuwa raacsan ee u dhexeeya qanjidhada, kuwaas oo matalaya horumariyayaal (isticmaalayaasha madal) kuwaas oo xiddig ku yeeshay ugu yaraan 10 kayd (xusuusnow in kelmadda wadaaga ahi ay muujinayso xidhiidh aan toos ahayn).
Iyada oo ku saleysan meesha noodka, kaydka xiddigta leh, loo shaqeeyaha, iyo ciwaanka iimaylka, sifooyinka noodhka waa la soo celiyay. Saadaasha haddii isticmaale GitHub uu yahay horumariye shabakad ama a horumarinta mashiinka barashada waa shaqadeena.
Magaca shaqada ee isticmaale kastaa wuxuu u adeegay aasaaska hawshan la beegsanayo.
Ku rakibida PyTorch
Si aan u bilowno, marka hore waxaan u baahanahay inaan rakibno PyTorch. Waxaad u habeyn kartaa si waafaqsan mashiinkaaga halkan. Waa kan kayga:
Soo dejinta modules
Hadda, waxaan soo dejineynaa cutubyada lagama maarmaanka ah
Soo dejinta oo baadh xogta
Talaabada soo socota waa inaad akhrido xogta oo aad sawirto shanta saf ee ugu horreeya iyo shanta saf ee ugu dambeeya ee faylka sumadaha.
Kaliya laba ka mid ah afarta tiir - aqoonsiga noodhka (ie, isticmaalaha) iyo ml_target, kaas oo ah 1 haddii isticmaaluhu uu xubin ka yahay bulshada barashada mashiinka iyo 0 haddii kale - ayaa nagu khuseeya xaaladan.
Marka la eego in ay jiraan laba fasal oo keliya, waxaan hadda hubin karnaa in hawshayadu tahay arrin kala soocidda binary.
Isku dheelitir la'aanta fasalka ee muhiimka ah awgeed, kalasaaruhu wuxuu kaliya u qaadan karaa fasalka ugu badan halkii uu qiimeyn lahaa fasalka aan la matalin, isagoo ka dhigaya dheelitirka fasalka arrin kale oo muhiim ah oo la tixgeliyo.
Qorista histogram (qaybinta soo noqnoqda) waxay muujinaysaa dheellitir la'aan sababtoo ah waxaa jira fasalo ka yar barashada mashiinka (calaamad=1) marka loo eego fasalada kale.
Qaabka Codaynta
Astaamaha qanjidhada ayaa ina ogeysiinaya sifada ku xidhan nood kasta. Anagoo fulinayna habkayaga si aan u codeeyno xogta, waxaan isla markaaba u codayn karnaa sifooyinkaas.
Waxaan rabnaa inaan ka faa'iidaysano habkan si aan u koobno qayb yar oo ka mid ah shabakada (dheh, 60 noode) si loo soo bandhigo. Koodhka ayaa halkan ku taxan.
Naqshadeynta iyo muujinta garaafyada
Waxaan isticmaali doonaa joomatari toosan. xogta si aan u dhisno garaafkeena.
Si loo qaabeeyo hal garaaf oo leh astaamo kala duwan (ikhtiyaar), xogta ah shay Python fudud ayaa la isticmaalaa. Anagoo ka faa'iidaysanayna fasalkan iyo sifooyinka soo socda -dhammaantood waa teendhooyin toosh ah - waxaynu samayn doonaa shayga garaafka.
Qaabka qiimaha x, kaas oo loo qoondayn doono sifooyinka noode-ku-xidhan, waa [tirada noodhka, tirada sifooyinka].
Qaabka y waa [tirada qanjidhada], waxaana lagu dabaqi doonaa calaamadaha noodaha.
Tilmaanta cidhifka: Si aan u qeexno garaaf aan toosnayn, waxaan u baahanahay in aan balaadhino tusmooyinka cidhifka asalka ah si aan u oggolaanno jiritaanka laba geesood oo kala toosan oo isku xira isla labada nood laakiin tilmaamaya jihooyin iska soo horjeeda.
Labada geesood, mid tilmaamaya noodhka 100 ilaa 200, kan kalena 200 ilaa 100, ayaa loo baahan yahay, tusaale ahaan, inta u dhaxaysa noodhka 100 iyo 200. Haddii tusmooyinka cidhifyada la bixiyo, markaa tani waa sida garaafka aan toosnayn loo matali karo. [2,2*lambarka cidhifyada asalka ah] ayaa noqon doona qaabka tensor-ka.
Waxaan abuurnaa habka garaafka sawirida si aan u muujino garaaf. Tallaabada ugu horreysa waa in aan u beddelno shabakadeenna isku midka ah oo loo beddelo garaaf NetworkX, ka dibna la sawiri karo iyadoo la adeegsanayo NetworkX.draw.
Samee qaabkayada GNN oo tababar
Waxaan ku bilaabaynaa in aan codeyno xogta oo dhan annagoo fulinayna xogta code-ka leh light=Been ka bacdina ugu yeera construct graph with light=Been si loo dhiso garaafyada oo dhan. Isku dayi mayno inaanu sawiro garaafkan wayn sababtoo ah waxaan u malaynayaa inaad isticmaalayso mishiin maxalli ah oo leh khayraad xadidan.
Maaskarada, kuwaas oo ah vectors binary kuwaas oo tilmaamaya noodes ka tirsan maaskaro kasta oo gaar ah iyada oo la adeegsanayo tirooyinka 0 iyo 1, ayaa loo isticmaali karaa in lagu ogeysiiyo wejiga tababarka nudaha ay tahay in lagu daro inta lagu jiro tababarka iyo in loo sheego wejiga fikradda nudaha yihiin xogta imtixaanka. Tooshka joomatari.wuxuu beddelaa.
Kala qaybsanaan heer-node ah ayaa lagu dari karaa iyada oo la adeegsanayo maaskarada tababarka, maaskarada val, iyo sifooyinka maaskaro ee fasalka AddTrainValTestMask, kaas oo loo isticmaali karo in lagu qaado garaaf oo awood noo siinaya inaan qeexno sida aan rabno in waji-xidhkayaga loo dhiso.
Kaliya waxaan u isticmaalnaa 10% tababarka waxaana u isticmaalnaa 60% xogta sida la dejiyay tijaabada anagoo 30% u isticmaaleyno sida dejinta ansaxinta.
Hadda, waxaan isku dhejin doonaa laba lakab oo GCNConv ah, oo kan ugu horreeya oo leh tirinta sifada wax soo saarka taas oo la mid ah tirada astaamaha garaafkayaga sida sifooyinka wax-gelinta.
Lakabka labaad, oo ka kooban qanjidhada wax-soo-saarka oo le'eg tirada fasalladayada, waxaanu codsanaa hawl-qabad relu waxaanan siinaa sifooyinka qarsoon.
Tusmada cidhifka iyo miisaanka cidhifku waa laba ka mid ah xulashooyinka badan x ee GCNConv ku aqbali karto shaqada hore, laakiin xaaladdeenna, waxaan u baahanahay oo keliya labada doorsoome ee hore.
In kasta oo xaqiiqda ah in qaabkeenu uu awood u yeelan doono inuu saadaaliyo fasalka node kasta ee garaafka, waxaan weli u baahanahay inaan go'aamino saxnaanta iyo khasaaraha mid kasta oo gooni ah iyadoo ku xiran marxaladda.
Tusaale ahaan, inta lagu jiro tababarka, waxaan rabnaa kaliya inaan ka faa'iidaysano tababarka loo dejiyay si aan u go'aamino saxnaanta iyo khasaaraha tababarka, sidaas darteedna waa meesha ay waji-gashigayagu ku anfacaan.
Si loo xisaabiyo khasaaraha ku habboon iyo saxnaanta, waxaanu qeexi doonaa shaqooyinka luminta daboolka iyo saxnaanta daboolan.
Tababarka qaabka
Hadda oo aanu qeexnay ujeedada tababarka ee loo adeegsan doono tooshka. Aadam waa horumariye sare.
Waxaan u qaban doonaa tababarka tiro cayiman oo xilliyo ah annagoo isha ku hayna saxnaanta xaqiijinta.
Waxa kale oo aanu qorshaynaa khasaaraha iyo saxnaanta tababarka xilliyadii kala duwanaa.
Khasaaraha Shabakadda Neural Network
Isticmaalka GNN-yada waxay leedahay khasaare yar. Goorta la shaqaaleysiiyo GNna iyo sida kor loogu qaado waxqabadka moodelladayada barashada mishiinnada ayaa labadaba naloo caddayn doonaa ka dib markaan si fiican u fahanno.
- Halka GNNs ay yihiin shabakado gacmeed, sida caadiga ah leh saddex lakab, inta badan shabakadaha neerfaha ayaa si qoto dheer u geli kara si ay u horumariyaan waxqabadka. Ma awoodno inaan ku samayno cirifka goynta xog-ururinta weyn sababtoo ah xaddidan.
- Way adagtahay in lagu tababaro qaab garaafyada, maadaama dhaqdhaqaaqooda qaabdhismeedku yahay mid firfircoon.
- Kharashaadka xisaabinta ee sarreeya ee shabakadahan awgeed, cabbiridda tusaalaha wax-soo-saarka ayaa soo bandhigaya caqabado. Cabbirka GNN-yada wax-soo-saarka ayaa noqon doona mid adag haddii qaab-dhismeedka garaafku uu weyn yahay oo adag yahay.
Ugu Dambeyn
Dhawrkii sano ee la soo dhaafay, GNN-yadu waxay u horumareen qalab awood leh oo waxtar leh oo loogu talagalay arrimaha barashada mashiinka ee qaybta garaafyada. Dulmar aasaasiga ah ee shabakadaha neural garaaf ayaa lagu bixiyay maqaalkan.
Taas ka dib, waxaad bilaabi kartaa abuurista xogta xogta loo isticmaali doono in lagu tababaro oo lagu tijaabiyo qaabka. Si aad u fahamto sida ay u shaqeyso iyo waxa ay awood u leedahay, waxa kale oo aad aad uga sii fogaan kartaa oo aad ku tababari kartaa adiga oo isticmaalaya nooc ka duwan xogta.
Koodh Farxad leh!
Leave a Reply