🤖 machine learning

Structure-Centric Graph Foundation Model via Geometric Bases

تقترح هذه الورقة نماذج التأسيس الرسومية المتمحورة حول البنية (SCGFM)، وهي نهج مبتكر يعامل طوبولوجيا الرسم البياني كمصدر أساسي للمعرفة القابلة للنقل من خلال استخدام قواعد هندسية قابلة للتعلم ومحاذاة "غوروموف-واسرشتاين" للتغلب على عدم التجانس الهيكلي وعدم توافق الميزات، مما يحقق تعميماً فائقاً عبر مجالات الرسوم البيانية المتنوعة.

المؤلفون الأصليون: Xiaodong He, Haolan He, Ruiyi Fang, Ming Sun, Zhao Kang

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiaodong He, Haolan He, Ruiyi Fang, Ming Sun, Zhao Kang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت كيفية التعرف على أنواع مختلفة من الخرائط. بعض هذه الخرائط هي لمدن ذات شوارع تشبه الشبكة، وبعضها لغابات ذات مسارات متعرجة، وبعضها لأنظمة مترو أنفاق ذات حلقات معقدة.

المشكلة هي أن هذه الخرائط لا تشبه بعضها البعض على الإطلاق؛ فهي تمتلك أعداداً مختلفة من المحطات، وأشكالاً متباينة، وحتى "التسميات" الموجودة على المحطات (مثل "مقهى" مقابل "شجرة") تستخدم لغات مختلفة تماماً. تفشل نماذج الذكاء الاصطناعي التقليدية هنا لأنها تحاول حشر كل خريطة في صندوق جامد واحد، مما يؤدي غالباً إلى فقدان الشكل الفريد للخريطة أثناء العملية.

يقدم هذا البحث نموذجاً جديداً للذكاء الاصطناعي يسمى SCGFM (نموذج التأسيس الرسومي المرتكز على البنية - Structure-Centric Graph Foundation Model). بدلاً من إجبار الخرائط على الدخول في صندوق، يعلّم SCGFM الروبوت فهم شكل الخريطة أولاً، بغض النظر عما هو مكتوب عليها.

إليك كيف يعمل ذلك، مقسماً إلى مفاهيم بسيطة:

1. "المسطرة العالمية" (القواعد الهندسية)

تخيل أن لديك مجموعة من القوالب الرئيسية أو "القواعد الهندسية". هذه ليست خرائط حقيقية، بل هي أشبه بمجموعة صغيرة من الأشكال المجردة: أحدها يشبه النجمة، وآخر يشبه الحلقة، وثالث يشبه الخط الطويل، وهكذا.

التشبيه: فكر في هذه القواعد كأنها قطع "ليجو" (Lego) تمثل اللبنات الأساسية لأي شبكة.
كيف تعمل: يتعلم الذكاء الاصطناعي هذه الأشكال تلقائياً. هو لا يهتم إذا كان المدخل جزيئاً كيميائياً أو شبكة اجتماعية؛ بل يتساءل فقط: "إلى أي مدى تشبه هذه الخريطة الجديدة قطعة الـ 'نجمة' الخاصة بي؟ وإلى أي مدى تشبه قطعة الـ 'حلقة' الخاصة بي؟"

2. "فحص المسافة" (Gromov-Wasserstein)

لتحديد مدى تشابه خريطة جديدة مع قالب رئيسي، يستخدم النموذج أداة رياضية خاصة تسمى مسافة غروموف-واسرشتاين (Gromov-Wasserstein - GW).

التشبيه: تخيل أن لديك ورقة مجعدة (الخريطة الجديدة) وقالبًا مسطحاً (القاعدة الرئيسية). لا يمكنك ببساطة وضع الورقة فوق القالب لأن أحجامهما مختلفة. بدلاً من ذلك، تخيل مطّ وتشكيل الورقة المجعدة حتى تتناسب تماماً مع القالب. "التكلفة" أو "الجهد" المطلوب لمط الورقة هو ما يحدد المسافة.
النتيجة: إذا كانت الخريطة الجديدة مشابهة جداً لقالب "الحلقة"، فإن تكلفة المط تكون منخفضة. وإذا كانت مختلفة تماماً، تكون التكلفة عالية. وهذا يخلق نظام إحداثيات يعتمد بحت على الشكل، متجاهلاً الأسماء أو التسميات المحددة على العقد.

3. "المترجم العالمي" (إعادة ترميز الميزات)

عادةً ما يرتبك الذكاء الاصطناناعي عندما يستخدم أحد مجموعات البيانات 100 رقماً لوصف عقدة بينما تستخدم مجموعة أخرى 50 رقماً فقط. يحل SCGFM هذه المشكلة عن طريق تجاهل الأرقام الأصلية في البالب.

التشبيه: تخيل أنك تترجم كتاباً. بدلاً من محاولة الترجمة كلمة بكلمة (وهو ما يفشل إذا كانت اللغات مختلفة جداً)، تقوم أولاً بتلخيص بنية الحبكة (الشكل). بمجرد أن تعرف أن القصة هي "رحلة بطل" (الشكل)، يمكنك بعد ذلك ترجمة التفاصيل المحددة (الميزات) لتناسب بنية تلك القصة.
كيف يعمل: يأخذ النموذج ميزات العقد (مثل "عمر المستخدم" أو "نوع الرابط الكيميائي") ويعيد إسقاطها على القوالب الرئيسية. هذا يخلق وصفاً موحداً يمكنه العمل مع أي مجموعة بيانات، سواء كانت جزيئاً أو شبكة اجتماعية.

4. "الخريطة السحرية" (المخرج النهائي)

النتيجة النهائية هي "بصمة" واحدة وموجزة لأي رسم بياني (Graph). تتكون هذه البصمة من ثلاثة أجزاء:

إحداثيات الشكل: "هذا الرسم البياني يتكون من 30% نجمة، 50% حلقة، و20% خط".
الملخص الإحصائي: "هذا الرسم البيضي يحتوي على الكثير من المثلثات والحلقات القصيرة".
الميزات المتوافقة: "إليك التفاصيل المحددة، ولكنها منظمة وفقاً للشكل".

لماذا يعد هذا أمراً بالغ الأهمية؟

معظم نماذج الذكاء الاصطناعي الحالية تشبه الطهاة المتخصصين: طباخ يصنع بيتزا رائعة ولكنه لا يستطيع صنع السوشي. إذا أعطيته مكونات السوشي، فسيفشل.

أما SCGFM فهو يشبه المهندس المعماري الماهر. لا يهمه ما إذا كنت تبني منزلاً، أو جسراً، أو برجاً؛ فهو يفهم المبادئ الهيكلية الأساسية (الهندسة). ولأنه يتعلم هذه المبادئ أولاً، يمكنه:

نقل المعرفة بسهولة: يمكنه التعلم من مجموعة بيانات للجزيئات وتطبيق ذلك المعرفة فوراً على الشبكات الاجتماعية، رغم اختلافهما التام.
العمل ببيانات قليلة جداً: يمكنه التعرف على نوع جديد من الرسوم البيانية بعد رؤية أمثلة قليلة فقط (تعلم القليل من الأمثلة - Few-shot learning) لأنه يفهم بالفعل "لغة الأشكال".
التعامل مع البيانات الفوضوية: لا يحتاج إلى تنظيف البيانات أو تنسيقها بشكل مثالي مسبقاً؛ فهو ينظر فقط إلى الشكل.

الخلاصة

يزعم البحث أنه من خلال التعامل مع الرسوم البيانية كـ أشكال هندسية وليس مجرد قوائم من نقاط البيانات، يخلق SCGFM لغة عالمية للشبكات. فهو يسمح للذكاء الاصطناعي بـ "فهم" بنية الرسم البياني أولاً، مما يجعله بارعاً للغاية في التعرف على الأنماط عبر عوالم مختلفة تماماً (مثل البيولوجيا، ووسائل التواصل الاجتماعي، والكيمياء) دون الحاجة إلى إعادة تدريبه من الصفر لكل منها.

ملخص تقني: نموذج أساسي للرسوم البيانية متمحور حول البنية عبر القواعد الهندسية

1. بيان المشكلة

تهدف النماذج الأساسية للرسوم البيانية (GFMs) إلى تعلم تمثيلات قابلة للنقل عبر مجالات متنوعة من الرسوم البيانية. ومع ذلك، تواجه النهج الحالية عقبتين رئيسيتين:

التباين الهيكلي: تختلف الرسوم البيانية بشكل كبير في الطوبولوجيا، والمقياس، والمقاييس المستحثة عبر المجالات. وخلافًا للنصوص أو الصور، فإن الرسوم البيانية هي كائنات علاقية تُعرَّف فقط حتى حد التماثل (isomorphism)، وتفتقر إلى مرجع هندسي مشترك.
عدم توافق الميزات: غالبًا ما تختلف فضاءات ميزات العقد في الأبعاد والدلالات عبر مجموعات البيانات. تفرض النماذج الأساسية الحالية عادةً أبعاد ميزات ثابتة عبر إسقاطات خاصة بمجموعة البيانات، أو الحشو (padding)، أو الموائمات (adapters). وبينما يضبط هذا النهج فضاءات الميزات، إلا أنه يفشل في محاذاة البنى الأساسية للرسوم البيانية، مما يؤدي إلى تمثيلات تعكس ضعفًا في التشابه الهيكلي الجوهري وتحد من القدرة على النقل عبر المجالات.

الخيارات البديلة الحالية، مثل ترميز الرسوم البيانية (graph tokenization)، تفرض ترتيبات اصطناعية على هياكل غير مرتبة بطبيعتها، مما ينتهك التباين التبادلي (permutation invariance) ويفشل في التقاط الهندسة الجوهرية للرسم البياني.

2. المنهجية: SCGFM

يقترح المؤلفون النماذج الأساسية للرسوم البيانية المتمحورة حول البنية (SCGFM)، والتي تعامل طوبولوجيا الرسم البياني كمصدر أساسي للمعرفة القابلة للنقل. الرؤية الجوهرية هي نمذجة الرسوم البيانية كـ فضاءات قياس متريّة (mm-spaces) وتعلم نظام إحداثي هيكلي مشترك.

2.1 المنظور الهندسي

يفترض SCGFM أن الرسوم البيانية في العالم الحقيقي تقع ضمن مجموعة محدودة تمامًا من فضاءات الـ mm-spaces. بناءً على نظرية غرو-مومبكت (Gromov's compactness theorem)، يمكن تقريب أي رسم بياني من خلال مسافاته إلى مجموعة منتهية من الأنماط الهندسية المعيارية (القواعد).

2.2 المكونات الأساسية

يتكون الإطار من مرحلتتين: التدريب المسبق للقواعد الهندسية والإسقاط اللاحق.

أ. القواعد الهندسية القابلة للتعلم

يتعلم SCGFM مجموعة منتهية من القواعد الهندسية $\{B_k\}_{k=1}^K$ . يتم تعريف كل قاعدة $B_k$ كفضاء mm-space منتهي $([M], d_k, \mu_k)$ :

المتري ( $d_k$ ): يتم تمثيله بمصفوفة متماثلة وفارغة قابلة للتعلم $B_k \in [0, 1]^{M \times M}$ ، والتي تحدد أوزان الحواف لهيكل رسم بياني معياري بـ $M$ من العقد.
القياس ( $\mu_k$ ): ثابت على توزيع منتظم لضمان وجود اقترانات (couplings) محددة بدقة.

تشكل هذه القواعد معًا نظام إحداثي هيكلي مشترك.

ب. المحاذاة الهيكلية عبر مسافة غرو-واسرستاين (GW)

يتم محاذاة الرسوم البيانية المدخلة $G$ مع القواعد باستخدام مسافات غرو-واسرستاين (GW). لضمان القابلية للتوسع، تستخدم الطريقة مسافة غرو-واسرستاين المقطعية (SGW)، والتي تقلل التعقيد الحسابي من $O(N^3)$ إلى $O(N \log N)$ تقريبًا عن طريق إسقاط الهياكل المترية على شرائح أحادية البعد.

بالنسب رسم بياني $G$ ، يتم حساب التفاوت الهيكلي لكل قاعدة $B_k$ كـ $\delta_k = d_{GW}(G, B_k)$ . يتم تحويل هذه المسافات إلى متجه إحداثي هيكلي $w$ (أوزان) عبر دالة softmax:
$w_k = \frac{\exp(-\delta_k / \tau)}{\sum_j \exp(-\delta_j / \tau)}$
يعمل هذا المتجه $w$ كتمثيل للرسم البياني في الفضاء الهندسي المشترك.

ج. إعادة ترميز الميزات

لمعالجة عدم توافق الميزات دون افتراض أبعاد ثابتة، يستخدم SCGFM آلية إعادة ترميز الميزات المدركة للهيكل:

خطة النقل: تقوم خطة النقل المثلى $T_{ik}$ التي تم الحصول عليها أثناء حساب GW بربط العقد من الرسم البياني المدخل بالقاعدة الهندسية.
الإسقاط: يتم تجميع ميزات العقد وإسقاطها على القواعد باستخدام $T_{ik}$ ، مما ينتج عنه مصفوفة ميزات موحدة $H(G)$ .
التوحيد: تعمل هذه العملية على توحيد تمثيلات العقد المرتبطة بالهيكل، مع بقائها مستقلة عن أبعاد الميزات الأصلية.

د. أهداف التدريب

هدف التدريب المسبق هو تقليل مجموع مرجح من ثلاثة خسائر:

خسارة إعادة بناء GW ( $L_{gw}$ ): تقلل المسافة بين الرسم البياني المدخل والبديل الخطي لمركز ثقل GW (مزيج مرجح من القواعد).
خسارة إعادة بناء الإحصاءات ( $L_{rec}$ ): يقوم فك التشفيد $f(\cdot)$ بإعادة بناء إحصائيات مستوى الرسم البياني (مخطط الدرجة، التجميع، الأنماط/motifs) من $w$ لضمان الدقة الهيكلية.
تنظيم التنوع ( $L_{div}$ ): يفرض الفصل الزوجي بين القواعد لمنع الانهيار وضمان تغطيتها للفضاء الهيكلي.

هـ. التمثيل اللاحق

التمثيل النهائي للرسم البياني $z(G)$ هو دمج لـ:

الإحداثيات الهيكلية $w$ .
الإحصائيات المعاد بناؤها $f(w)$ .
الميزات المسقطة $vec(H(G))$.

يُستخدم هذا التمثيل الموحد لمهام الرسم البياني أو تصنيف العقد عبر مشفر مجمد ومصنف خفيف الوزن (مثل الشبكة البروتوتيبية/Prototypical Network).

3. المساهمات الرئيسية

نموذج أساسي متمحور حول البنية: إطار عمل مبتكر يتيح النقل عبر مجموعات بيانات الرسوم البيانية غير المتجانسة دون الحاجة إلى معماريات خاصة بكل مجموعة بيانات أو معالجة مسبقة للميزات، بالاعتماد بدلاً من ذلك على نظام إحداثي هندسي مشترك.
القواعد الهندسية والفضاء الكامن: تقديم قواعد هندسية قابلة للتعلم تستحث فضاءً كامنًا محاذيًا للهندسة. يوضح المؤلفون أن المسافات في هذا الفضاء ترتبط ارتباطًا وثيقًا بهندسة GW الجوهرية.
مرونة الميزات: آلية لتوحيد ميزات العقد غير المتجانسة من خلال المحاذاة الهيكلية، مما يلغي الحاجة إلى أبعاد ميزات ثابتة أو معالجة مسبقة خاصة بالمجال.
الضمانات النظرية: إثبات أن الإحداثيات الهيكلية المتعلمة والإحصائيات المعاد بناؤها هي مستمرة ليبشيتز (Lipschitz continuous) بالنسبة لمسافة GW، مما يضمن الاستقرار.

4. النتائج التجريبية

قيم المؤلفون SCGFM على 12 مجموعة بيانات عبر 5 مجالات (الجزيئات، الشبكات الاجتماعية، الأكاديمية، التجارة الإلكترونية، والرسوم الاصطناعية) لكل من تصنيف مستوى الرسم البياني وتصنيف مستوى العقدة تحت بروتوكول التعلم بلقطات قليلة (5-shot few-shot learning).

الأداء: تفوق SCGFM باستمرار على النماذج المرجعية القوية، بما في ذلك نماذج GNN التقليدية (GCN, GIN, GAT)، والأساليب ذات التعلم الخاضع للإشراف الذاتي (GraphCL, GraphMAE)، والنماذج الأساسية الحالية (GCOPE, RiemannGFM, GIT).
- تصنيف الرسم البياني: حقق دقة فائقة في التصنيف داخل المجال وعبر المجالات، خاصة في مجموعة بيانات COLORS-3 حيث تدهورت النماذج المرجعية إلى مستويات تقارب الصدفة بسبب التحولات الهيكلية الكبيرة.
- تصنيف العقد: أظهر سلوكًا قريبًا من الاستقلال عن المصدر. على سبيل المثال، في مجموعة بيانات Reddit، ظل الأداء مرتفعًا (~84%) بغض النظر عن مجال التدريب المسبق، ويُعزى ذلك إلى قدرة النموذج على إسقاط الميزات الدلالية عالية الأبعاد إلى فضاء تضمن فيه نظرية "كوفر" (Cover's Theorem) القابلية للفصل الخطي.
القابلية للتوسع: توسع SCPFM بسلاسة مع رسوم بيانية تضم 5 ملايين عقدة، محافظًا على أدنى استهلاك لذروة الذاكرة (~12 جيجابايت) بين جميع الطرق. واجهت الطرق المنافسة (GAT, GIT) أخطاء "نفاد الذاكرة" عند مقاييس أقل.
دراسات الاستئصال (Ablation Studies):
- في مجموعات البيانات المعتمدة على الميزات (مثل Cora)، كانت الميزات المسقطة $vec(H)$ حاسمة؛ حيث أدى حذفها إلى انخفاض كارثي في الأداء.
- في مجموعات البيانات المعتمدة على البنية (مثل PROTEINS, MUTAG)، كانت الإحداثيات الهندسية $w$ هي المحرك الرئيسي للأداء.
- كانت خسائر إعادة البناء والتنوع ضرورية لاستقرار التدريب عبر جميع الأنماط.
القابلية للتفسير: أظهرت عمليات التصور أن القواعد المتعلمة تخصصت في أنماط هندسية متميزة (مثل التجمعات الكثيفة، وأنماط الحلقة والذيل) وتطورت من أنماط غير مهيكلة إلى نماذج أولية طوبولوجية حادة أثناء التدريب.
التماثل (Isometry): أظهرت المسافات الإقليدية الكامنة ارتباطًا خطيًا قويًا ( $\rho \approx 0.70$ ) مع مسافات GW الحقيقية، مما يؤكد أن التضمين يحافظ على الهندسة الجوهرية للرسم البياني.

5. الأهمية والادعاءات

يزعم البحث أن SCGFM يقدم بديلًا مبنيًا على أسس سليمة لترميز الرسوم البيانية والنماذج الأساسية المعتمدة على المجال. من خلال نمذجة الرسوم البيانية كفضاءات قياس متريّة واستخدام مسافات GW، ينجح SCGFM في فصل الطوبولوجيا عن الدلالات.

يؤكد المؤلفون أن نهجهم:

يتعمم بقوة عبر المجالات المتباينة دون تعديلات معمارية.
يوفر استقرارًا نظريًا من خلال ضمانات الاستمرارية ليبشيتز.
يتوسع بكفاءة للرسوم البيانية الضخمة، متجاوزًا الاختناقات الحسابية لحساب GW الدقيق عبر تقريب SGW.
يتكيف مع نمط البيانات، مستفيدًا بفعالية من الإشارات الهيكلية أو الدلالية اعتمادًا على خصائص مجموعة البيانات.

يضع هذا العمل حجر الأساس نحو نموذج أساسي موحد للرسوم البيانية متمحور حول البنية، يتغلب على قيود النهج المعتمدة على الميزات أو النهج القائمة على الترميز (token-based).