ترجمه فارسی مقاله تعبیه شبکه کارآمد با پارتیشن های تقریبی برابر

چکیده

Structural network embedding is a crucial step in enabling effective downstream tasks for complex systems that aims to project a network into a lower-dimensional space while preserving similarities among nodes. We introduce a simple and efficient embedding technique based on approximate variants of equitable partitions. The approximation consists in introducing a user-tunable tolerance parameter relaxing the otherwise strict condition for exact equitable partitions that can be hardly found in real-world networks. We exploit a relationship between equitable partitions and equivalence relations for Markov chains and ordinary differential equations to develop a partition refinement algorithm for computing an approximate equitable partition in polynomial time. We compare our method against state-of-the-art embedding techniques on benchmark networks. We report comparable — when not superior — performance for visualization, classification, and regression tasks at a cost between one and three orders of magnitude smaller using a prototype implementation, enabling the embedding of large-scale networks which could not be efficiently handled by most of the competing techniques.

چکیده به فارسی (ترجمه ماشینی)

تعبیه شبکه ساختاری یک گام مهم در امکان انجام کارهای پایین دست مؤثر برای سیستم های پیچیده است که هدف آن پروژه سازی شبکه در یک فضای بعدی پایین ضمن حفظ شباهت ها بین گره ها است.ما یک روش تعبیه ساده و کارآمد را بر اساس انواع تقریبی پارتیشن های عادلانه معرفی می کنیم.تقریب شامل معرفی یک پارامتر تحمل قابل تحمل کاربر است که باعث آرامش شرایط سختگیرانه برای پارتیشن های عادلانه دقیق می شود که به سختی در شبکه های دنیای واقعی یافت می شود.ما از رابطه بین پارتیشن های عادلانه و روابط هم ارزی برای زنجیره های مارکوف و معادلات دیفرانسیل معمولی استفاده می کنیم تا یک الگوریتم پالایش پارتیشن را برای محاسبه یک پارتیشن تقریبی عادلانه در زمان چند جمله ای تهیه کنیم.ما روش خود را در برابر تکنیک های تعبیه کننده پیشرفته در شبکه های معیار مقایسه می کنیم.ما عملکرد قابل مقایسه-هنگامی که برتر نیست-عملکرد برای تجسم ، طبقه بندی و وظایف رگرسیون با هزینه بین یک تا سه مرتبه کوچکتر با استفاده از یک اجرای نمونه اولیه ، امکان تعبیه شبکه های در مقیاس بزرگ را فراهم می کنیم که نمی توانند به طور مؤثر از آن استفاده کنندبیشتر تکنیک های رقیب.