| http://dbpedia.org/ontology/abstract
|
الشبكات العصبية للرسم البياني (بالانجليزية … الشبكات العصبية للرسم البياني (بالانجليزية: Graph Neural Network) هي نوع من أنواع الشبكات العصبية الاصطناعية المستخدمة في معالجة البيانات التي يمكن تمثيلها من خلال الرسوم البيانية. الرسوم البيانية تتكون بالعادة من عدد محدود من العقد أو النقاط الموصول بينها بخطوط أو أسهم. بشكل عام في التعلم العميق الهندسي (بالانجليزية: Geometry Deep Learning) يمكننا تكييف بنية أي نوع من البيانات على شكل رسوم بيانية فعلى سبيل المثال يمكننا اعتبار الشبكات العصبية التلافيفية (بالانجليزية: Convolutional Neural Network) على أنها عبارة عن رسوم بيانية بحيث تتمثل من خلالها كل نقطة (بكسل) في الصورة على شكل عقدة في الرسوم البيانية. أو كمثال آخر يمكننا تمثيل الكلمات في الجمل على شكل عقد للرسم البياني. العنصرالأساسي في تصميم الشبكات العصبية للرسم البياني هو استخدام تمرير الرسائل المزدوج، مثل أن تقوم عقد الرسم البياني بتحديث تمثيلاتها بشكل متكرر من خلال تبادل المعلومات مع جيرانها. منذ نشأة هذا النوع من الشبكات العصبية، تم اقتراح العديد من أساليب بنائها، والتي تنفذ صيغًا مختلفة لتمريرالرسائل. اعتبارًا من عام 2022، بدأ التساؤل حول إمكانية إيجاد معماريات «تتجاوز» عملية تمرير الرسائل، أو إذا كان من الممكن اقتراح طرق مختلفة لتمرير الرسائل لكل نوع من أنواع الرسوم البيانية بحيث تكون ملائمة بشكل أفضل لطريقة عملها، هذه التساؤلات يمكن أن تكون موضوع لمشكلة بحث جديدة. تشمل تطبيقات الشبكات العصبية للرسوم البيانية: الشبكات الاجتماعية، والشبكات المتعلقة بالتضمين والاقتباس، والبيولوجيا الجزيئية، والكيمياء، والفيزياء ومشاكل التحسين الاندماجي الصعب NP. هناك العديد من المكتبات المفتوحة التي تقوم بإنشاء أو التعامل مع الشبكات العصبية للرسوم البيانية مثل PyTorch وTensorflow و jraph. البيانية مثل PyTorch وTensorflow و jraph.
, A Graph neural network (GNN) is a class of … A Graph neural network (GNN) is a class of artificial neural networks for processing data that can be represented as graphs. In the more general subject of "Geometric Deep Learning", certain existing neural network architectures can be interpreted as GNNs operating on suitably defined graphs. Convolutional neural networks, in the context of computer vision, can be seen as a GNN applied to graphs structured as grids of pixels. Transformers, in the context of natural language processing, can be seen as GNNs applied to complete graphs whose nodes are words in a sentence. The key design element of GNNs is the use of pairwise message passing, such that graph nodes iteratively update their representations by exchanging information with their neighbors. Since their inception, several different GNN architectures have been proposed, which implement different flavors of message passing. As of 2022, whether it is possible to define GNN architectures "going beyond" message passing, or if every GNN can be built on message passing over suitably defined graphs, is an open research question. Relevant application domains for GNNs include social networks, citation networks, molecular biology, chemistry, physics andNP-hard combinatorial optimization problems. Several open source libraries implementing graph neural networks are available, such as PyTorch Geometric (PyTorch), TensorFlow GNN (TensorFlow), and jraph (Google JAX). GNN (TensorFlow), and jraph (Google JAX).
|
| http://dbpedia.org/ontology/thumbnail
|
http://commons.wikimedia.org/wiki/Special:FilePath/GNN_building_blocks.png?width=300 +
|
| http://dbpedia.org/ontology/wikiPageExternalLink
|
https://distill.pub/2021/gnn-intro/ +
|
| http://dbpedia.org/ontology/wikiPageID
|
68162942
|
| http://dbpedia.org/ontology/wikiPageLength
|
29630
|
| http://dbpedia.org/ontology/wikiPageRevisionID
|
1117378573
|
| http://dbpedia.org/ontology/wikiPageWikiLink
|
http://dbpedia.org/resource/Adjacency_matrix +
, http://dbpedia.org/resource/Rectifier_%28neural_networks%29 +
, http://dbpedia.org/resource/Activation_function +
, http://dbpedia.org/resource/Words +
, http://dbpedia.org/resource/Social_network +
, http://dbpedia.org/resource/Open_source +
, http://dbpedia.org/resource/Physics +
, http://dbpedia.org/resource/Shortest_path_problem +
, http://dbpedia.org/resource/Transpose +
, http://dbpedia.org/resource/Backpropagation +
, http://dbpedia.org/resource/Distance_%28graph_theory%29 +
, http://dbpedia.org/resource/Graph_%28discrete_mathematics%29 +
, http://dbpedia.org/resource/PyTorch +
, http://dbpedia.org/resource/Computer_vision +
, http://dbpedia.org/resource/Complete_graph +
, http://dbpedia.org/resource/Eulerian_path +
, http://dbpedia.org/resource/Pixel +
, http://dbpedia.org/resource/Feature_%28machine_learning%29 +
, http://dbpedia.org/resource/Degree_matrix +
, http://dbpedia.org/resource/Matrix_multiplication +
, http://dbpedia.org/resource/Differentiable_functions +
, http://dbpedia.org/resource/Category:Supervised_learning +
, http://dbpedia.org/resource/Projection_%28mathematics%29 +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Library_%28computing%29 +
, http://dbpedia.org/resource/Convolutional_neural_network +
, http://dbpedia.org/resource/TensorFlow +
, http://dbpedia.org/resource/Gated_recurrent_unit +
, http://dbpedia.org/resource/Branch_and_Bound +
, http://dbpedia.org/resource/Eigenvalue +
, http://dbpedia.org/resource/Artificial_neural_network +
, http://dbpedia.org/resource/Identity_matrix +
, http://dbpedia.org/resource/CASP +
, http://dbpedia.org/resource/Category:Semisupervised_learning +
, http://dbpedia.org/resource/Transformer_%28machine_learning_model%29 +
, http://dbpedia.org/resource/Data_structure_alignment +
, http://dbpedia.org/resource/Invariant_%28mathematics%29 +
, http://dbpedia.org/resource/Molecules +
, http://dbpedia.org/resource/Citation_graph +
, http://dbpedia.org/resource/Attention_%28machine_learning%29 +
, http://dbpedia.org/resource/Order_of_approximation +
, http://dbpedia.org/resource/Sentence_%28linguistics%29 +
, http://dbpedia.org/resource/Numerical_stability +
, http://dbpedia.org/resource/Chemical_bond +
, http://dbpedia.org/resource/Layer_%28deep_learning%29 +
, http://dbpedia.org/resource/Statistical_classification +
, http://dbpedia.org/resource/Residual_neural_network +
, http://dbpedia.org/resource/Category:Graph_algorithms +
, http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Atoms +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Yujia_Li +
, http://dbpedia.org/resource/ReLU +
, http://dbpedia.org/resource/Nearest_neighbor_graph +
, http://dbpedia.org/resource/Combinatorial_optimization +
, http://dbpedia.org/resource/Permutation +
, http://dbpedia.org/resource/Google +
, http://dbpedia.org/resource/File:GNN_representational_limits.png +
, http://dbpedia.org/resource/Biology +
, http://dbpedia.org/resource/File:Message_Passing_Neural_Network.png +
, http://dbpedia.org/resource/Social_networks +
, http://dbpedia.org/resource/File:GNN_building_blocks.png +
, http://dbpedia.org/resource/Thomas_Kipf +
, http://dbpedia.org/resource/Simplicial_complex +
, http://dbpedia.org/resource/Social_relations +
, http://dbpedia.org/resource/Neighbourhood_%28graph_theory%29 +
, http://dbpedia.org/resource/Downsampling_%28signal_processing%29 +
, http://dbpedia.org/resource/Google_JAX +
, http://dbpedia.org/resource/DeepMind +
, http://dbpedia.org/resource/Molecular_biology +
, http://dbpedia.org/resource/AlphaFold +
, http://dbpedia.org/resource/Concatenation +
, http://dbpedia.org/resource/Sigmoid_function +
, http://dbpedia.org/resource/Map_%28mathematics%29 +
, http://dbpedia.org/resource/Max_Welling +
, http://dbpedia.org/resource/Petar_Veli%C4%8Dkovi%C4%87 +
, http://dbpedia.org/resource/Natural_language_processing +
, http://dbpedia.org/resource/Vanishing_gradient_problem +
, http://dbpedia.org/resource/NP-hard +
, http://dbpedia.org/resource/Protein_folding +
, http://dbpedia.org/resource/Graph_%28abstract_data_type%29 +
, http://dbpedia.org/resource/Attention +
, http://dbpedia.org/resource/Placement_%28electronic_design_automation%29 +
, http://dbpedia.org/resource/Social_graph +
, http://dbpedia.org/resource/Filter_%28signal_processing%29 +
, http://dbpedia.org/resource/Deep_Learning +
|
| http://dbpedia.org/property/wikiPageUsesTemplate
|
http://dbpedia.org/resource/Template:As_of +
, http://dbpedia.org/resource/Template:Reflist +
, http://dbpedia.org/resource/Template:Machine_learning +
, http://dbpedia.org/resource/Template:See_also +
|
| http://purl.org/dc/terms/subject
|
http://dbpedia.org/resource/Category:Unsupervised_learning +
, http://dbpedia.org/resource/Category:Supervised_learning +
, http://dbpedia.org/resource/Category:Artificial_neural_networks +
, http://dbpedia.org/resource/Category:Machine_learning +
, http://dbpedia.org/resource/Category:Graph_algorithms +
, http://dbpedia.org/resource/Category:Semisupervised_learning +
|
| http://www.w3.org/ns/prov#wasDerivedFrom
|
http://en.wikipedia.org/wiki/Graph_neural_network?oldid=1117378573&ns=0 +
|
| http://xmlns.com/foaf/0.1/depiction
|
http://commons.wikimedia.org/wiki/Special:FilePath/GNN_building_blocks.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/Message_Passing_Neural_Network.png +
, http://commons.wikimedia.org/wiki/Special:FilePath/GNN_representational_limits.png +
|
| http://xmlns.com/foaf/0.1/isPrimaryTopicOf
|
http://en.wikipedia.org/wiki/Graph_neural_network +
|
| owl:sameAs |
http://dbpedia.org/resource/Graph_neural_network +
, http://www.wikidata.org/entity/Q107750691 +
, http://ar.dbpedia.org/resource/%D8%A7%D9%84%D8%B4%D8%A8%D9%83%D8%A7%D8%AA_%D8%A7%D9%84%D8%B9%D8%B5%D8%A8%D9%8A%D8%A9_%D9%84%D9%84%D8%B1%D8%B3%D9%85_%D8%A7%D9%84%D8%A8%D9%8A%D8%A7%D9%86%D9%8A +
, https://global.dbpedia.org/id/FsrUX +
|
| rdfs:comment |
A Graph neural network (GNN) is a class of … A Graph neural network (GNN) is a class of artificial neural networks for processing data that can be represented as graphs. In the more general subject of "Geometric Deep Learning", certain existing neural network architectures can be interpreted as GNNs operating on suitably defined graphs. Convolutional neural networks, in the context of computer vision, can be seen as a GNN applied to graphs structured as grids of pixels. Transformers, in the context of natural language processing, can be seen as GNNs applied to complete graphs whose nodes are words in a sentence.raphs whose nodes are words in a sentence.
, الشبكات العصبية للرسم البياني (بالانجليزية … الشبكات العصبية للرسم البياني (بالانجليزية: Graph Neural Network) هي نوع من أنواع الشبكات العصبية الاصطناعية المستخدمة في معالجة البيانات التي يمكن تمثيلها من خلال الرسوم البيانية. الرسوم البيانية تتكون بالعادة من عدد محدود من العقد أو النقاط الموصول بينها بخطوط أو أسهم. تشمل تطبيقات الشبكات العصبية للرسوم البيانية: الشبكات الاجتماعية، والشبكات المتعلقة بالتضمين والاقتباس، والبيولوجيا الجزيئية، والكيمياء، والفيزياء ومشاكل التحسين الاندماجي الصعب NP. هناك العديد من المكتبات المفتوحة التي تقوم بإنشاء أو التعامل مع الشبكات العصبية للرسوم البيانية مثل PyTorch وTensorflow و jraph. البيانية مثل PyTorch وTensorflow و jraph.
|
| rdfs:label |
Graph neural network
, الشبكات العصبية للرسم البياني
|
| rdfs:seeAlso |
http://dbpedia.org/resource/AlphaFold +
, http://dbpedia.org/resource/Combinatorial_Optimization +
, http://dbpedia.org/resource/Recommender_system +
|
