الشبكات العصبية الالتفافية الرسومية العميقة ثنائية القناة: وصلات متبقية لتجاوز فرط التجانس وتحسين تصنيف العقد

تُعد الشبكات العصبية الالتفافية الرسومية من أبرز أدوات التعلم الآلي لمعالجة البيانات ذات البنية الشبكية، إذ تتعلم تمثيلات للعقد تستند إلى خصائصها وعلاقاتها بالعقد المجاورة، وقد ظهرت الشبكات ثنائية القناة القائمة على السمات الهجينة لتمثيل الخصائص المختلفة للشبكات بصورة مشتركة بحيث تتعلم السمات بعضها من بعض وتتحسن أداءات مهام التعلم الآلي اللاحقة، غير أن هذه الشبكات ما تزال مقيدة بعدد طبقات الالتفاف، فزيادة الطبقات تؤدي إلى ظاهرة فرط التجانس التي تتشابه فيها تمثيلات العقد ويتراجع أداء النموذج كلما ازداد عمقه، وهو تحدٍّ بنيوي يحد من تطوير نماذج رسومية أعمق وأدق في مهام مثل تصنيف العقد في الشبكات العلمية وشبكات الاستشهادات

أولًا: أهداف الدراسة ومنهجيتها

هدفت الدراسة إلى تطوير شبكة عصبية التفافية رسومية عميقة ثنائية القناة تتجاوز قيد عدد الطبقات وتتجنب ظاهرة فرط التجانس وتحسن أداء النموذج في مهام تصنيف العقد، واستلهم الباحثون فكرتهم من نجاح الوصلات المتبقية في الشبكات العصبية الالتفافية التقليدية، فطبقوها على الشبكات الرسومية ثنائية القناة وزادوا من عمقها بصورة تسمح بتدفق المعلومات عبر الطبقات دون أن تتجانس تمثيلات العقد تجانسًا يفقدها قدرتها التمييزية، وأطلقوا على النموذج المقترح اسم دي تو جي سي إن، ثم تحققوا من أدائه على ثلاث مجموعات بيانات معروفة في بحوث الشبكات هي سايت سير ودي بي إل بي وإس دي بي إل بي، وقارنوه بالخوارزميات المستخدمة في مهام تصنيف العقد

ثانيًا: أبرز النتائج

1، أظهر النموذج المقترح دي تو جي سي إن قدرة فعالة على تجنب ظاهرة فرط التجانس التي تصيب الشبكات الرسومية عند تراكم عمليات الالتفاف متعددة الطبقات، إذ حافظت تمثيلات العقد على تمايزها الرغم من زيادة عمق الشبكة بفضل الوصلات المتبقية المستعارة من نجاحها في الشبكات الالتفافية التقليدية

2، أدى تعميق الشبكة ثنائية القناة باستخدام الوصلات المتبقية إلى تحسين أداء النموذج في المهام اللاحقة، فبدل أن يتراجع الأداء مع ازدياد الطبقات كما يحدث في النماذج التقليدية، أصبح العمق الإضافي مصدرًا لتعلم سمات أغنى وأكثر تعبيرًا عن بنية الشبكة وخصائص عقدها المتنوعة

3، أثبت التحقق التجريبي على مجموعات البيانات الثلاث سايت سير ودي بي إل بي وإس دي بي إل بي أن النموذج المقترح يتفوق على الخوارزميات المقارنة المستخدمة في مهام تصنيف العقد، وهو ما يؤكد جدوى المقاربة عبر قواعد بيانات مختلفة البنية والحجم

ثالثًا: دلالات الدراسة وتطبيقاتها

تشير هذه النتائج إلى أن الوصلات المتبقية تمثل مفتاحًا عمليًا لبناء شبكات رسومية أعمق دون التضحية بالأداء، وهو ما يوسع نطاق التطبيقات الممكنة للشبكات ثنائية القناة في تحليل الشبكات الاجتماعية وشبكات الاستشهادات الأكاديمية والشبكات الحيوية وغيرها من المجالات التي تتطلب نمذجة مشتركة لسمات متعددة، كما تفتح الدراسة الباب أمام الباحثين لاستكشاف تهجين آليات أخرى ناجحة في التعلم العميق ونقلها إلى عالم الشبكات الرسومية، مع دراسة حدود العمق المفيد ومتطلبات الحوسبة المرتبطة به، وتكتسب هذه الاتجاهات أهمية متزايدة للباحثين العرب في علوم الحاسب والذكاء الاصطناعي الذين يعملون على تحليل شبكات البيانات الضخمة وتطبيقات التصنيف والتنبؤ في بيئات شبكية معقدة، إذ يقدم النموذج المقترح أساسًا قابلًا للتطوير والتكييف مع شبكات واقعية متنوعة السمات

ويستند الأساس النظري لهذه المقاربة إلى طبيعة النمذجة المشتركة للسمات المتباينة في الشبكات، فلكل قناة من قناتي النموذج منظورها الخاص إلى بيانات الشبكة، وحين تتعلم القناتان بعضهما من بعض عبر بنية عميقة محمية من فرط التجانس يصبح التمثيل الناتج أغنى من مجموع أجزائه، وهو ما يعزز قدرة النموذج على التقاط الأنماط الدقيقة التي تفوت النماذج أحادية القناة أو الضحلة الطبقات في الشبكات كثيفة الترابط ومتعددة السمات

وخلاصة القول إن الدراسة قدمت شبكة التفافية رسومية عميقة ثنائية القناة توظف الوصلات المتبقية لرفع عمق النموذج وتجنب فرط التجانس وتحسين الأداء، وأثبتت تفوقها على الخوارزميات المقارنة في تصنيف العقد عبر ثلاث مجموعات بيانات، بما يضيف إلى أدوات التعلم العميق على الشبكات خيارًا أعمق وأكثر كفاءة، وهو ما يفيد الباحثين العرب وطلاب الدراسات العليا المهتمين بتحليل الشبكات والذكاء الاصطناعي التطبيقي