ترجمه فارسی مقاله آموزش آنلاین گسترش گراف ها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Online Learning Of Expanding Graphs
عنوان مقاله به فارسی آموزش آنلاین گسترش گراف ها
نویسندگان Samuel Rey, Bishwadeep Das, Elvin Isufi
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Signal Processing,یادگیری ماشین , پردازش سیگنال ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

This paper addresses the problem of online network topology inference for expanding graphs from a stream of spatiotemporal signals. Online algorithms for dynamic graph learning are crucial in delay-sensitive applications or when changes in topology occur rapidly. While existing works focus on inferring the connectivity within a fixed set of nodes, in practice, the graph can grow as new nodes join the network. This poses additional challenges like modeling temporal dynamics involving signals and graphs of different sizes. This growth also increases the computational complexity of the learning process, which may become prohibitive. To the best of our knowledge, this is the first work to tackle this setting. We propose a general online algorithm based on projected proximal gradient descent that accounts for the increasing graph size at each iteration. Recursively updating the sample covariance matrix is a key aspect of our approach. We introduce a strategy that enables different types of updates for nodes that just joined the network and for previously existing nodes. To provide further insights into the proposed method, we specialize it in Gaussian Markov random field settings, where we analyze the computational complexity and characterize the dynamic cumulative regret. Finally, we demonstrate the effectiveness of the proposed approach using both controlled experiments and real-world datasets from epidemic and financial networks.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به مشکل استنباط توپولوژی شبکه آنلاین برای گسترش نمودارها از یک جریان از سیگنال های مکانی مکانی پرداخته شده است.الگوریتم های آنلاین برای یادگیری نمودار پویا در برنامه های حساس به تأخیر یا هنگامی که تغییر در توپولوژی به سرعت رخ می دهد بسیار مهم است.در حالی که آثار موجود بر استنباط اتصال در یک مجموعه ثابت از گره ها متمرکز است ، در عمل ، نمودار می تواند با پیوستن گره های جدید به شبکه رشد کند.این چالش های اضافی مانند مدل سازی دینامیک زمانی مربوط به سیگنال ها و نمودارهای اندازه های مختلف را ایجاد می کند.این رشد همچنین پیچیدگی محاسباتی فرایند یادگیری را افزایش می دهد ، که ممکن است ممنوع شود.به بهترین دانش ما ، این اولین کار برای مقابله با این تنظیم است.ما یک الگوریتم آنلاین کلی را بر اساس نزول شیب پروگزیمال پیش بینی شده پیشنهاد می کنیم که افزایش اندازه نمودار را در هر تکرار به خود اختصاص می دهد.به روزرسانی مجدد ماتریس کواریانس نمونه جنبه اصلی رویکرد ما است.ما یک استراتژی را معرفی می کنیم که انواع مختلفی از به روزرسانی ها را برای گره هایی که به تازگی به شبکه و گره های موجود موجود پیوستند امکان پذیر می کند.برای ارائه بینش بیشتر در مورد روش پیشنهادی ، ما آن را در تنظیمات میدانی تصادفی گاوسی مارکوف تخصص می دهیم ، جایی که ما پیچیدگی محاسباتی را تجزیه و تحلیل می کنیم و پشیمانی تجمعی پویا را توصیف می کنیم.سرانجام ، ما اثربخشی رویکرد پیشنهادی را با استفاده از هر دو آزمایش کنترل شده و مجموعه داده های دنیای واقعی از شبکه های اپیدمی و مالی نشان می دهیم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.