ترجمه فارسی مقاله آشکار کردن پتانسیل دینامیک اسپایکی در یادگیری نمایش گراف از طریق نرمال‌سازی مکانی-زمانی و استراتژی‌های کدگذاری

چکیده

In recent years, spiking neural networks (SNNs) have attracted substantial interest due to their potential to replicate the energy-efficient and event-driven processing of biological neurons. Despite this, the application of SNNs in graph representation learning, particularly for non-Euclidean data, remains underexplored, and the influence of spiking dynamics on graph learning is not yet fully understood. This work seeks to address these gaps by examining the unique properties and benefits of spiking dynamics in enhancing graph representation learning. We propose a spike-based graph neural network model that incorporates spiking dynamics, enhanced by a novel spatial-temporal feature normalization (STFN) technique, to improve training efficiency and model stability. Our detailed analysis explores the impact of rate coding and temporal coding on SNN performance, offering new insights into their advantages for deep graph networks and addressing challenges such as the oversmoothing problem. Experimental results demonstrate that our SNN models can achieve competitive performance with state-of-the-art graph neural networks (GNNs) while considerably reducing computational costs, highlighting the potential of SNNs for efficient neuromorphic computing applications in complex graph-based scenarios.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، شبکه های عصبی سنبله (SNN) به دلیل پتانسیل آنها برای تکرار پردازش کارآمد و رویداد محور نورونهای بیولوژیکی ، علاقه قابل توجهی را به خود جلب کرده اند.با وجود این ، استفاده از SNN ها در یادگیری نمودار نمودار ، به ویژه برای داده های غیر الکلیدسی ، همچنان مورد استفاده قرار نمی گیرد و تأثیر پویایی سنبله در یادگیری گراف هنوز کاملاً درک نشده است.این کار با بررسی خصوصیات منحصر به فرد و مزایای پویایی سنبله در تقویت یادگیری نمودار ، به این شکاف ها می پردازد.ما یک مدل شبکه عصبی نمودار مبتنی بر سنبله را پیشنهاد می کنیم که شامل پویایی سنبله است ، که توسط یک روش عادی سازی ویژگی های فضایی-زمانی (STFN) جدید تقویت می شود ، تا بازده آموزش و ثبات مدل را بهبود بخشد.تجزیه و تحلیل دقیق ما به بررسی تأثیر برنامه نویسی نرخ و برنامه نویسی زمانی بر عملکرد SNN می پردازد ، و بینش جدیدی از مزایای آنها برای شبکه های نمودار عمیق و پرداختن به چالش هایی مانند مشکل overmoothing ارائه می دهد.نتایج تجربی نشان می دهد که مدل های SNN ما می توانند با شبکه های عصبی پیشرفته نمودار (GNN) به عملکرد رقابتی دست یابند و در عین حال هزینه های محاسباتی را به میزان قابل توجهی کاهش می دهند ، و پتانسیل SNN ها را برای برنامه های محاسباتی عصبی کارآمد در سناریوهای پیچیده مبتنی بر نمودار برجسته می کنند.