ترجمه فارسی مقاله منظم سازی یادگیری برای مسائل معکوس نمودار

چکیده

In recent years, Graph Neural Networks (GNNs) have been utilized for various applications ranging from drug discovery to network design and social networks. In many applications, it is impossible to observe some properties of the graph directly; instead, noisy and indirect measurements of these properties are available. These scenarios are coined as Graph Inverse Problems (GRIP). In this work, we introduce a framework leveraging GNNs to solve GRIPs. The framework is based on a combination of likelihood and prior terms, which are used to find a solution that fits the data while adhering to learned prior information. Specifically, we propose to combine recent deep learning techniques that were developed for inverse problems, together with GNN architectures, to formulate and solve GRIP. We study our approach on a number of representative problems that demonstrate the effectiveness of the framework.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، از شبکه های عصبی نمودار (GNN) برای کاربردهای مختلف اعم از کشف مواد مخدر گرفته تا طراحی شبکه و شبکه های اجتماعی استفاده شده است.در بسیاری از برنامه ها ، مشاهده برخی از خصوصیات نمودار به طور مستقیم غیرممکن است.در عوض ، اندازه گیری های پر سر و صدا و غیرمستقیم این خصوصیات در دسترس است.این سناریوها به عنوان مشکلات معکوس نمودار (GRIP) ساخته می شوند.در این کار ، ما یک چارچوب را با استفاده از GNN ها برای حل چنگال معرفی می کنیم.این چارچوب مبتنی بر ترکیبی از احتمال و اصطلاحات قبلی است که برای یافتن راه حلی که متناسب با داده ها در ضمن پایبندی به اطلاعات قبلی آموخته شده است ، استفاده می شود.به طور خاص ، ما پیشنهاد می کنیم تکنیک های یادگیری عمیق اخیر را که برای مشکلات معکوس ، همراه با معماری GNN ، برای تدوین و حل چنگال تهیه شده اند ، ترکیب کنیم.ما رویکرد خود را بر روی تعدادی از مشکلات نماینده مطالعه می کنیم که نشان دهنده اثربخشی چارچوب است.