ترجمه فارسی مقاله یادگیری بازنمایی درختان هندسی

چکیده

Geometric trees are characterized by their tree-structured layout and spatially constrained nodes and edges, which significantly impacts their topological attributes. This inherent hierarchical structure plays a crucial role in domains such as neuron morphology and river geomorphology, but traditional graph representation methods often overlook these specific characteristics of tree structures. To address this, we introduce a new representation learning framework tailored for geometric trees. It first features a unique message passing neural network, which is both provably geometrical structure-recoverable and rotation-translation invariant. To address the data label scarcity issue, our approach also includes two innovative training targets that reflect the hierarchical ordering and geometric structure of these geometric trees. This enables fully self-supervised learning without explicit labels. We validate our method’s effectiveness on eight real-world datasets, demonstrating its capability to represent geometric trees.

چکیده به فارسی (ترجمه ماشینی)

درختان هندسی با چیدمان ساختار یافته درخت و گره ها و لبه های محدود شده فضایی مشخص می شوند ، که به طور قابل توجهی بر ویژگی های توپولوژیکی آنها تأثیر می گذارد.این ساختار سلسله مراتبی ذاتی نقش مهمی در حوزه هایی مانند مورفولوژی نورون و ژئومورفولوژی رودخانه ایفا می کند ، اما روشهای نمایش نمودار سنتی اغلب از این خصوصیات خاص ساختارهای درخت غافل می شوند.برای پرداختن به این موضوع ، ما یک چارچوب یادگیری بازنمایی جدید متناسب با درختان هندسی معرفی می کنیم.این ابتدا دارای یک پیام منحصر به فرد در عبور از شبکه عصبی است ، که هم ساختار هندسی قابل بازپرداخت است و هر دو تغییر شکل چرخش است.برای پرداختن به مسئله کمبود برچسب داده ، رویکرد ما همچنین شامل دو هدف آموزش نوآورانه است که منعکس کننده ترتیب سلسله مراتبی و ساختار هندسی این درختان هندسی است.این امر یادگیری کاملاً خود را بدون برچسب های صریح امکان پذیر می کند.ما اثربخشی روش خود را در هشت مجموعه داده در دنیای واقعی تأیید می کنیم و توانایی آن را برای نشان دادن درختان هندسی نشان می دهیم.