ترجمه فارسی مقاله نقاط کور توپولوژیکی: درک و گسترش یادگیری عمیق توپولوژیکی از طریق لنز بیان‌پذیری

چکیده

The increasing prevalence of graph-structured data across various domains has intensified greater interest in graph classification tasks. While numerous sophisticated graph learning methods have emerged, their complexity often hinders practical implementation. In this article, we address this challenge by proposing a method that constructs feature vectors based on fundamental graph structural properties. We demonstrate that these features, despite their simplicity, are powerful enough to capture the intrinsic characteristics of graphs within the same class. We explore the efficacy of our approach using three distinct machine learning methods, highlighting how our feature-based classification leverages the inherent structural similarities of graphs within the same class to achieve accurate classification. A key advantage of our approach is its simplicity, which makes it accessible and adaptable to a broad range of applications, including social network analysis, bioinformatics, and cybersecurity. Furthermore, we conduct extensive experiments to validate the performance of our method, showing that it not only reveals a competitive performance but in some cases surpasses the accuracy of more complex, state-of-the-art techniques. Our findings suggest that a focus on fundamental graph features can provide a robust and efficient alternative for graph classification, offering significant potential for both research and practical applications.

چکیده به فارسی (ترجمه ماشینی)

شیوع روزافزون داده های ساختار یافته نمودار در حوزه های مختلف علاقه بیشتری به کارهای طبقه بندی نمودار افزایش داده است.در حالی که بسیاری از روشهای پیشرفته یادگیری نمودار پدیدار شده اند ، پیچیدگی آنها اغلب مانع اجرای عملی می شود.در این مقاله ، ما با ارائه روشی که بردارهای ویژگی را بر اساس خصوصیات ساختاری نمودار اساسی ایجاد می کند ، به این چالش می پردازیم.ما نشان می دهیم که این ویژگی ها ، با وجود سادگی آنها ، به اندازه کافی قدرتمند هستند تا ویژگی های ذاتی نمودارها را در همان کلاس ضبط کنند.ما با استفاده از سه روش یادگیری ماشین مجزا ، اثربخشی رویکرد خود را بررسی می کنیم ، و برجسته می کنیم که چگونه طبقه بندی مبتنی بر ویژگی ما از شباهت های ساختاری ذاتی نمودارها در همان کلاس استفاده می کند تا به طبقه بندی دقیق برسد.یک مزیت اصلی رویکرد ما سادگی آن است که باعث می شود آن را در دسترس و سازگاری با طیف گسترده ای از برنامه ها ، از جمله تجزیه و تحلیل شبکه های اجتماعی ، بیوانفورماتیک و امنیت سایبری قرار دهد.علاوه بر این ، ما آزمایش های گسترده ای را برای اعتبارسنجی عملکرد روش خود انجام می دهیم ، نشان می دهد که نه تنها عملکرد رقابتی را نشان می دهد بلکه در برخی موارد از دقت تکنیک های پیچیده تر و پیشرفته تر پیشی می گیرد.یافته های ما نشان می دهد که تمرکز بر روی ویژگی های اساسی نمودار می تواند یک جایگزین قوی و کارآمد برای طبقه بندی نمودار ارائه دهد و پتانسیل قابل توجهی را برای هر دو تحقیق و کاربردهای عملی ارائه می دهد.