التأثيرات المحلية المتراكمة وشبكات الرسوم العصبية للتنبؤ بالروابط

لماذا يهم فهم الروابط المخفية

العديد من الأنظمة التي تشكل حياتنا — وسائل التواصل الاجتماعي، التعاونات العلمية، شبكات الدماغ، وحتى الويب نفسه — يمكن وصفها على أنها شبكات من النقاط المتصلة. سؤال محوري هو أي الاتصالات الجديدة من المرجح أن تتشكل في المستقبل، مثل مَن سيتعاون مع مَن أو أي ورقة ستستشهد بأية أخرى. شبكات الرسوم العصبية الحديثة أدوات قوية لهذا النوع من «التنبؤ بالروابط»، لكنها أيضًا صناديق سوداء: تعمل جيدًا، ومع ذلك يصعب رؤية سبب اتخاذها قرارًا معينًا. تتناول هذه الورقة تلك المشكلة عبر تكييف تقنية تفسير عامة حتى نتمكن من رؤية كيف يؤثر تغيير خاصية واحدة لعقدة ما على احتمالات ظهور روابط تجاهها.

من الدرجات البسيطة إلى العقول الرسومية المعتمة

اعتمد علم الشبكات المبكر على قواعد بسيطة لتخمين الروابط المفقودة أو المستقبلية. على سبيل المثال، شخصان لديهما أصدقاء مشتركين كثيرون أكثر احتمالًا لأن يصبحا أصدقاء بأنفسهما، والصفحات الويب ذات الاتصال العالي تميل لجذب روابط أكثر. خلال العقد الماضي، تجاوزت هذه الدرجات المصممة يدويًا طرق تتعلم تمثيلات رقمية مختصرة، أو تضمينات، لكل عقدة. تذهب شبكات الرسوم العصبية خطوة أبعد: فهي تمرر الرسائل على طول الروابط بشكل متكرر بحيث يجمع تضمين كل عقدة معلومات من جيرانها وجيران جيرانها. هذا يجعلها ممتازة في التنبؤ بالروابط ولكنه أيضًا يعني أن آلياتها الداخلية متشابكة ويصعب تفسيرها.

رؤية كيف يدفع ميزة واحدة التنبؤات

خارج عالم الرسوم البيانية، هناك طريقة شائعة لتفسير النماذج السوداء تُدعى التأثيرات المحلية المتراكمة (ALE). بدلًا من القول فقط أي الميزات مهمة، تسأل ALE كيف يتغير تنبؤ النموذج بينما تدفع ميزة واحدة صعودًا أو هبوطًا عبر قيمها الممكنة، ثم تراكم هذه التغيرات المحلية إلى منحنى سلس. يكيف المؤلفون ALE لتنبؤ الروابط مع شبكات الرسوم العصبية عبر تغيير خاصية عقدة واحدة في كل مرة والتحقق من كيفية استجابة احتمال الروابط المتوقع بين تلك العقدة والعديد من العقد الأخرى. ينتج عن ذلك تصور يوضح، على سبيل المثال، كيف يؤدي زيادة حصة مؤلفي «شركات التكنولوجيا الكبرى» في ورقة ما أو تغيير الموضع الرأسي لقطاع وعاء دموي في الدماغ إلى تحوّل فرصة النموذج المقدرة لحدوث اتصال.

طريقتان لحساب التأثيرات: دقيقة وسريعة

تضيف شبكات الرسوم العصبية بعدًا جديدًا إلى ALE: عندما تغير العديد من العقد في وقت واحد، فإنها قد تؤثر على بعضها البعض عبر تمرير الرسائل، مما قد يشوّه التفسير. لذا يقارن المؤلفون استراتيجيتين. في النسخة «الدقيقة»، تُعدّل ميزة كل عقدة معزولة، بحيث لا يمكن أن تلوث عقدتان معدّلتان تضمينات بعضهما البعض — لكن هذا مكلف حسابيًا. في النسخة «التقريبية»، يتم تغيير العديد من العقد في نفس الوقت، معاملة البيانات بشكل أقرب إلى جدول اعتيادي وتجاهل هذه التفاعلات؛ هذا أسرع بكثير لكنه قد يدخل انحيازًا. عبر تغيير منهجي في عدد العقد المعدّلة وعدد الشركاء المحتملين الذين تُختبر مقابلهم، يقيس المؤلفون كيف تؤثر هذه الخيارات على منحنيات ALE.

الاختبار على رسومات تركيبية وبيانات حقيقية

لفحص الدقة، يبني الفريق أولًا شبكة تركيبية حيث تُعرف القاعدة الحقيقية التي تحكم تشكيل الروابط: الحواف أكثر احتمالًا عندما تكون ميزة «إشارة» خاصة عالية عند كلا الطرفين. هنا يمكنهم مقارنة منحنيات ALE مباشرة بالحقيقة الأساسية. يجدون أنه كلما زاد عدد العقد المعدّلة في وقت واحد، تنحرف الطريقة التقريبية عن العلاقة الحقيقية، بينما تبقى الطريقة الدقيقة أمينة. على مجموعات بيانات حقيقية كبيرة — شبكة استشهادات لأوراق في الذكاء الاصطناعي وخريطة ثلاثية الأبعاد مفصلة لأوعية دم دماغ فأر — لم يعد بإمكانهم رؤية القاعدة الحقيقية، لذا يستخدمون الطريقة الدقيقة، مجمعة عبر عدة تشغيلات، كمعيار ذهبي ويقيسون مدى ابتعاد الطريقة التقريبية. الاختبارات الإحصائية وتجارب التبديل تظهر أنه في معظم تركيبات النموذج–المجموعة، الاختلافات بين الطريقتين متواضعة، رغم أن المنحنيات التقريبية أكثر تذبذبًا من تشغيل لآخر.

ما تكشفه هذه التأثيرات عن العالم

بعيدًا عن المنهجية، تقدم منحنيات ALE لمحات عما تعلمته النماذج فعليًا. في شبكة الاستشهادات، تشير إلى أن الأوراق التي تحتوي على نسبة أعلى من مؤلفين مرتبطين بشركات تكنولوجيا كبيرة أكثر احتمالًا — وفقًا للنموذج — أن تتلقى استشهادات، مما يعكس مخاوف بشأن تزايد تأثير الصناعة في أبحاث الذكاء الاصطناعي. في رسم الأوعية، تتعلم بنيتا شبكات رسوم عصبية مختلفتان اتجاهات متعاكسة لكيفية ارتباط ارتفاع الوعاء في الدماغ بترابطه، مما يبرز أن ALE تكشف عن معتقدات النموذج، وليس بالضرورة عن الحقيقة البيولوجية. مثل هذه التباينات يمكن أن تشير إلى أماكن قد تحتاج فيها بنية النموذج أو بيانات التدريب أو التقييم إلى إعادة نظر.

خلاصة للقراء والممارسين

تُظهر الدراسة أن التأثيرات المحلية المتراكمة يمكن تشكيلها لشرح تنبؤات الروابط في شبكات الرسوم العصبية، مقدمة منحنيات بديهية تُظهر كيف يدفع تغيير ميزة عقدة احتمالات الروابط صعودًا أو هبوطًا. حساب هذه المنحنيات بدقة أكثر موثوقية لكنه أبطأ، بينما غالبًا ما تكون طريقة تقريبية أسرع كافية إذا قبل المرء بعض الضوضاء الإضافية، خاصة عند المتوسط عبر العديد من التشغيلات. بالنسبة لمن يستخدمون بالفعل أدوات التفسير على نماذج التعلم الآلي التقليدية، تقدم هذه الطريقة وسيلة مرئية مألوفة للتطلع داخل أنظمة معقدة مبنية على الرسوم البيانية والتشكيك فيما إذا كان ما تعلمه النموذج يطابق فهمنا للشبكات التي نهتم بها.

الاستشهاد: Kaczyńska, P., Sienkiewicz, J. & Ślęzak, D. Accumulated local effects and graph neural networks for link prediction. Sci Rep 16, 8574 (2026). https://doi.org/10.1038/s41598-026-39000-w

الكلمات المفتاحية: شبكات الرسوم العصبية, التنبؤ بالروابط, قابلية تفسير النماذج, التأثيرات المحلية المتراكمة, علم الشبكات