Submitted 18 September, 2024; originally announced September 2024. , Comments: 15 pages, presented at 21st International Workshop on Mining and Learning with Graphs, AstraZenica Bio & Healthcare award Paper, ECML PKDD 2024 Vilnius
توضیحات به فارسی
ارائه شده در 18 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 15 صفحه ، ارائه شده در بیست و یکمین کارگاه بین المللی معدن و یادگیری با نمودارها ، مقاله جایزه Bio & Healthcare Astrazenica ، ECML PKDD 2024 Vilnius
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Graph-structured data naturally occurs in many research fields, such as chemistry and sociology. The relational information contained therein can be leveraged to statistically model graph properties through geometrical deep learning. Graph neural networks employ techniques, such as message-passing layers, to propagate local features through a graph. However, message-passing layers can be computationally expensive when dealing with large and sparse graphs. Graph pooling operators offer the possibility of removing or merging nodes in such graphs, thus lowering computational costs. However, pooling operators that remove nodes cause data loss, and pooling operators that merge nodes are often computationally expensive. We propose a pooling operator that merges nodes so as not to cause data loss but is also conceptually simple and computationally inexpensive. We empirically demonstrate that the proposed pooling operator performs statistically significantly better than edge pool on four popular benchmark datasets while reducing time complexity and the number of trainable parameters by 70.6% on average. Compared to another maximally powerful method named Graph Isomporhic Network, we show that we outperform them on two popular benchmark datasets while reducing the number of learnable parameters on average by 60.9%.
چکیده به فارسی (ترجمه ماشینی)
داده های ساختار یافته به طور طبیعی در بسیاری از زمینه های تحقیقاتی مانند شیمی و جامعه شناسی رخ می دهد.اطلاعات رابطه ای موجود در آن می تواند از طریق یادگیری عمیق هندسی به خواص نمودار آماری از نظر آماری استفاده شود.شبکه های عصبی نمودار از تکنیک هایی مانند لایه های عبور پیام استفاده می کنند تا ویژگی های محلی را از طریق یک نمودار تبلیغ کنند.با این حال ، لایه های عبور پیام می توانند هنگام برخورد با نمودارهای بزرگ و پراکنده از نظر محاسباتی گران باشند.اپراتورهای جمع آوری نمودار امکان از بین بردن یا ادغام گره ها را در چنین نمودارها ارائه می دهند ، بنابراین هزینه های محاسباتی را کاهش می دهند.با این حال ، اپراتورهای جمع شده که گره ها را حذف می کنند باعث از بین رفتن داده ها می شوند و اپراتورهای جمع شده که گره ها را ادغام می کنند ، اغلب از نظر محاسباتی گران هستند.ما یک اپراتور جمع آوری پیشنهاد می کنیم که گره ها را ادغام می کند تا باعث از بین رفتن داده نشود بلکه از نظر مفهومی ساده و از نظر محاسباتی نیز ارزان است.ما از نظر تجربی نشان می دهیم که اپراتور جمع آوری پیشنهادی از نظر آماری به طور قابل توجهی بهتر از Edge Pool در چهار مجموعه داده معیار محبوب در حالی که باعث کاهش پیچیدگی زمان و تعداد پارامترهای قابل آموزش به طور متوسط 70.6 ٪ می شود.در مقایسه با یک روش حداکثر قدرتمند دیگر به نام شبکه Isomporhic Graph ، ما نشان می دهیم که در حالی که تعداد پارامترهای قابل یادگیری را به طور متوسط 60.9 ٪ کاهش می دهیم ، از آنها در دو مجموعه داده معیار محبوب بهتر عمل می کنیم.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
