ترجمه فارسی مقاله ارتباطات وظیفه‌محور برای داده‌های نمودار: رویکرد تنگنای اطلاعات نمودار

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 Task-Oriented Communication for Graph Data: A Graph Information Bottleneck Approach
عنوان مقاله به فارسی ارتباطات وظیفه‌محور برای داده‌های نمودار: رویکرد تنگنای اطلاعات نمودار
نویسندگان Shujing Li, Yanhu Wang, Shuaishuai Guo, Chenyuan Feng
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Social and Information Networks,Signal Processing,یادگیری ماشین , شبکه های اجتماعی و اطلاعاتی , پردازش سیگنال ,
توضیحات Submitted 4 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 4 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

Graph data, essential in fields like knowledge representation and social networks, often involves large networks with many nodes and edges. Transmitting these graphs can be highly inefficient due to their size and redundancy for specific tasks. This paper introduces a method to extract a smaller, task-focused subgraph that maintains key information while reducing communication overhead. Our approach utilizes graph neural networks (GNNs) and the graph information bottleneck (GIB) principle to create a compact, informative, and robust graph representation suitable for transmission. The challenge lies in the irregular structure of graph data, making GIB optimization complex. We address this by deriving a tractable variational upper bound for the objective function. Additionally, we propose the VQ-GIB mechanism, integrating vector quantization (VQ) to convert subgraph representations into a discrete codebook sequence, compatible with existing digital communication systems. Our experiments show that this GIB-based method significantly lowers communication costs while preserving essential task-related information. The approach demonstrates robust performance across various communication channels, suitable for both continuous and discrete systems.

چکیده به فارسی (ترجمه ماشینی)

داده های نمودار ، ضروری در زمینه هایی مانند بازنمایی دانش و شبکه های اجتماعی ، اغلب شامل شبکه های بزرگی با گره ها و لبه های زیادی است.انتقال این نمودارها به دلیل اندازه و افزونگی آنها برای کارهای خاص می تواند بسیار ناکارآمد باشد.در این مقاله روشی برای استخراج یک زیرگراف کوچکتر و متمرکز بر کار ارائه شده است که ضمن کاهش ارتباطات سربار ، اطلاعات کلیدی را حفظ می کند.رویکرد ما با استفاده از شبکه های عصبی نمودار (GNN) و اصل BOTLENECK اطلاعات نمودار (GIB) برای ایجاد یک نمودار جمع و جور ، آموزنده و قوی مناسب برای انتقال.این چالش در ساختار نامنظم داده های نمودار نهفته است ، و بهینه سازی GIB را پیچیده می کند.ما این موضوع را با استخراج یک محدوده فوقانی قابل تغییر برای عملکرد هدف مورد بررسی قرار می دهیم.علاوه بر این ، ما مکانیسم VQ-GIB را پیشنهاد می کنیم ، با ادغام کمیت بردار (VQ) برای تبدیل بازنمایی های زیرگراف به یک توالی کتاب کد گسسته ، سازگار با سیستم های ارتباطی دیجیتال موجود.آزمایشات ما نشان می دهد که این روش مبتنی بر GIB ضمن حفظ اطلاعات ضروری مربوط به وظیفه ، هزینه های ارتباطی را به میزان قابل توجهی کاهش می دهد.این رویکرد عملکرد قوی را در کانال های مختلف ارتباطی ، مناسب برای سیستم های مداوم و گسسته نشان می دهد.

📚 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.