HyMSS-GAD: إطار هجيني متعدد المراحل لاكتشاف الشواذ في الرسوم متعددة العروض مع استدلال هيكلي وسياقي وهندسي

لماذا يهم الكشف عن الأنماط الغريبة في الشبكات

من وسائل التواصل الاجتماعي ومواقع التسوق إلى الأنظمة المالية والبيولوجيا، يمكن وصف كثير من بيانات اليوم على أنها شبكات: نقاط (عقد) مرتبطة بخطوط (وصلات). مخفية داخل هذه الشبكات توجد أنماط نادرة وغير مألوفة قد تشير إلى احتيال أو هجمات سيبرانية أو سجلات علمية خاطئة، أو حتى اكتشافات علمية غير متوقعة. تقدم الورقة HyMSS-GAD، طريقة جديدة تبحث عن مثل هذه الشذوذات من خلال الجمع بين ثلاث طرق مختلفة لـ «رؤية» الشبكة في آن واحد: ما الذي تتميز به كل عقدة من حيث المحتوى، كيف ترتبط بالعقد الأخرى، وكيف تندمج في الشكل العام للشبكة. يهدف هذا المزيج إلى التقاط إشارات تحذيرية دقيقة قد تفشل الأدوات القديمة في رصدها، وكذلك إلى تفسير سبب الاشتباه في عقدة معينة.

رؤية أكثر من جانب واحد للشبكة

تفترض الطرق التقليدية لاكتشاف العقد الشاذة في الرسوم عادةً أن العقد المتصلة متشابهة. تعمل قاعدة «الطيور من نوع واحد تتجمع معاً» في بعض الشبكات الاجتماعية أو شبكات الاقتباس، لكنها تنهار عندما تربط الوصلات أنواعاً مختلفة جداً من الكيانات، كما في العديد من الأنظمة الحقيقية. كما أن النماذج القديمة تميل إلى التركيز إما على نمط الروابط أو على سمات العقد، وليس على الاثنين معاً، وغالباً ما تضغط كل المعلومات في عرض واحد. تنطلق HyMSS-GAD من فكرة أن الشذوذ يظهر كاختلافات بين عدة عروض لنفس العقدة: ميزاتها الوصفية، مكانتها في أنماط التوصيل المحلية الصغيرة، ودورها في الشكل العام للشبكة.

التعلم عندما يتنافر المحتوى والجوار

المرحلة الأولى من HyMSS-GAD تبحث عن الشواذ «السياقية»: العقد التي لا يتطابق محتواها مع ما يوحي به جيرانها. لكل عقدة، تبني الطريقة شبكة محلية صغيرة حولها، ثم تتعلم وصفتين متوازيتين: واحدة تعتمد على سماتها (مثل الكلمات في ورقة بحث أو تفاصيل المنتج) وأخرى تعتمد على كيفية اتصالها. يشجع مخطط تعلم ذاتي الإشراف هاتين الوصفتين على الاتفاق في العقد الطبيعية وعلى الاختلاف في العقد الغريبة، دون الحاجة إلى أمثلة معنونة. تصبح التباينات الكبيرة بين العقدة وجوارها متبقيًا رقميًا يشير إلى شذوذ سياقي.

قراءة الأنماط الصغيرة في التوصيل

المنظور الثاني يركز على التركيب الدقيق للرسم. بدلاً من الاكتفاء بعدد الجيران، تقيس HyMSS-GAD عدد مرات ظهور العقدة في زوايا توصيل صغيرة مثل المثلثات أو النجوم أو الحلقات القصيرة. تشكل هذه العدادات «بروفايل الأنماط» لكل عقدة. يتعلم شبكة عصبية مدمجة كيف تبدو بروفايلات الأنماط النموذجية وتحاول إعادة بنائها؛ تتلقى العقد التي يصعب إعادة بناء بروفايل الأنماط الخاص بها متبقيات هيكلية عالية. يلتقط هذا حالات تلعب فيها العقدة دورًا هيكليًا غريبًا — على سبيل المثال، أن تكون موجودة في عدد قليل جداً من المثلثات في منطقة ذات تجمّع كثيف، أو تكوّن أنماط توصيل نادرة لا تتناسب مع محيطها.

اتباع انحناءات الشبكة

بعيداً عن الأحياء المحلية، يفحص الأسلوب «شكل» الشبكة الأوسع باستخدام مفهوم يسمى الانحناء. ببساطة، يقيس الانحناء ما إذا كان عقدتان مرتبطتان تعيشان في محيطين متشابهين أو مختلفين للغاية. عادةً ما تمتلك الحواف داخل المجتمعات الضيقة انحناءً أعلى، بينما تمتلك الحواف التي تربط مناطق منفصلة أو تقع عند الحدود انحناءً أقل أو حتى سالباً. تتعلم HyMSS-GAD إعادة بناء قيم الانحناء المحسوبة مسبقاً من أوصاف العقد المندمجة. عندما تفشل في ذلك للحواف المحيطة بعقدة ما، تتلقى تلك العقدة متبقيًا هندسياً عالياً، مما يشير إلى أنها قد تكون عقدة جسر أو عنق زجاجة أو عقدة حدودية لا تتناسب مع النمط العالمي الاعتيادي.

جمع الأدلة معاً

لتجنب معاملة كل نوع من الإشارات على أنه مهم بنفس القدر في كل مكان، تستخدم HyMSS-GAD آلية انتباه تسمح لكل عقدة «باتخاذ قرار» بشأن المقدار الذي يجب أن تعطيه للمعلومات السياقية مقابل المعلومات الهيكلية قبل خطوة الانحناء. أخيراً، يجمع الأسلوب بين ثلاثة متبقيات — سياقية وهيكلية وهندسية — في درجة شذوذ واحدة. والأهم، أنه يحتفظ أيضاً بهذه المكونات منفصلة، حتى يتمكن المحلل من رؤية ما إذا كانت العقدة مُعلّمة أساساً بسبب محتوى غير متطابق، أو توصيل غير معتاد، أو موقع هندسي غريب. تظهر الاختبارات على عدة مجموعات بيانات معيارية، بما في ذلك رسوم الاقتباس والتجارة الإلكترونية، أن هذا النهج متعدد العروض والقائم على المتبقيات لا يتفوق على البدائل الرائدة فحسب، بل يوفر أيضاً تفسيرات أوضح لسبب تميز عقد معينة.

الاستشهاد: Khan, W., Ebrahim, N., Elloumi, M. et al. HyMSS-GAD: a hybrid multi-stage framework for multi-view graph anomaly detection with structural, contextual, and geometric reasoning. Sci Rep 16, 12108 (2026). https://doi.org/10.1038/s41598-026-42823-2

الكلمات المفتاحية: اكتشاف الشواذ في الرسوم, تحليل الشبكات, تعلم الآلة, الشبكات العصبية الرسومية, بيانات متعددة الوسائط