هوش‌مصنوعی در سال 2024: شبکه‌های عصبی گراف

مزایای واقعی یادگیری ماشین گراف چیست؟ و چرا شبکه‌های عصبی گراف در سال 2024 اهمیت دارند؟ این مقاله برخی از کاربردهای بسیار تاثیرگذار GNNها را خلاصه می‌کند و همه چیزهایی را که برای سرعت بخشیدن به موج بزرگ بعدی هوش مصنوعی باید بدانید را در اختیار شما قرار می‌دهد.

داده‌های گراف در همه جای دنیا وجود دارد: هر سیستمی که از موجودیت‌ها و روابط بین آنها تشکیل شده باشد، می‌تواند به عنوان یک گراف نمایش داده شود. اگرچه الگوریتم‌های یادگیری عمیق در دهه گذشته به دلیل توانایی آنها در استخراج ویژگی‌های سطح بالا از داده‌ها با عبور از لایه‌های غیرخطی، پیشرفت چشمگیری در زمینه‌هایی مانند پردازش زبان طبیعی، بینایی کامپیوتری و تشخیص گفتار داشته‌اند. معماری‌های یادگیری به‌طور خاص برای داده‌های ساختار یافته اقلیدسی، مانند داده‌های جدولی، تصاویر، متن و صدا طراحی شده‌اند، در حالی که داده‌های گراف عمدتاً نادیده گرفته شده است.

روش‌های سنتی هوش‌مصنوعی برای استخراج اطلاعات از اشیاء رمزگذاری‌شده توسط ساختارهای تا حدی «سخت[1]» طراحی شده‌اند. برای مثال، تصاویر معمولاً به صورت شبکه‌های دوبعدی پیکسل‌ها با اندازه ثابت و متن به‌عنوان دنباله‌ای یک بعدی از کلمات (یا نشانه‌ها[2]) کدگذاری می‌شوند. از سوی دیگر، بازنمایی داده‌ها به روشی ساختاریافته گرافی ممکن است اطلاعات ارزشمندی را که از بازنمایی ابعاد بالاتر این موجودات و روابط آنها پدید می‌آید، آشکار کند و در غیر این صورت از بین می‌رود.

مروری بر یادگیری قوانین

روش‌های مبتنی بر قانون، دسته‌ای از تکنیک‌های شناخته شده را در حوزه یادگیری ماشین و داده‌کاوی تشکیل می‌دهند. هدف این روش‌ها شناسایی قاعده‌مندی‌ها در داده‌هایی است که به‌عنوان قوانین IF-THEN قابل بیان هستند. دو نوع اصلی از وظایف مبتنی بر قانون وجود دارد: کشف قوانین توصیفی و یادگیری قوانین پیش‌بینی. کشف قوانین توصیفی بر شناسایی و توصیف الگوهای مهم در یک مجموعه داده از طریق قوانین متمرکز است. برعکس، یادگیری قواعد پیش‌بینی‌کننده به جمع‌آوری مجموعه‌ای از قوانین مربوط می‌شود که در مجموع، فضای نمونه را به‌طور جامع پوشش می‌دهند و امکان پیش‌بینی برای هر نمونه قابل تصور را فراهم می‌کنند.

 

انواع قوانین یادگیری

یادگیری تقویتی: یادگیری- Q عمیق

کودکان نوپا در مورد محیط خود با انجام کار یاد می‌گیرند. آنها شروع به تعامل با محیط خود می‌کنند، اقدامات مختلفی را انجام می‌دهند و اطلاعات زیادی را از طریق حواس خود دریافت می‌کنند. اقدامات خودشان اگر عمل به نتیجه خوبی منجر شود، کودک نوپا تمایل دارد آن عمل را بیشتر انجام دهد، اما اگر عمل نتیجه بدی داشته باشد، ممکن است کودک نوپا اینگونه رفتار نکند.

روشی که انسان‌ها یاد می‌گیرند الهام‌بخش حوزه‌ای در هوش‌مصنوعی به نام یادگیری تقویتی بود. شبکه‌های عصبی Q-Learning و Deep Q دو الگوریتمی هستند که در این زمینه محبوب شده‌اند و در این مقاله به توضیح آنها خواهم پرداخت!

یادگیری تقویتی

ابتدا باید زیرساخت‌های اساسی یادگیری تقویتی را درک کنیم. پنج جزء اصلی برای الگوریتم‌های یادگیری تقویتی وجود دارد.

۱) عامل: بازیکن/رباتی که با محیط در تعامل است و تصمیم می گیرد

۲) محیط‌ها: محیطی که عامل با آن تعامل دارد

۳) اقدام: عملی که عامل انجام می‌دهد

۴) مشاهدات: حالت‌های جدید پس از انجام اقدامات

۵) پاداش: ارزشی که عامل سعی می‌کند در طول آموزش عامل به حداکثر برساند

این مؤلفه‌ها همه در حلقه‌ای مانند زیر برای آموزش عامل کار می‌کنند: