اکسپرس 24
ترجمه فارسی مقاله بهینه‌سازی پیش‌بینی پیوند دنباله‌دار در شبکه‌های عصبی گراف از طریق بهبود نمایش ساختار

ترجمه فارسی مقاله بهینه‌سازی پیش‌بینی پیوند دنباله‌دار در شبکه‌های عصبی گراف از طریق بهبود نمایش ساختار

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 Optimizing Long-tailed Link Prediction in Graph Neural Networks through Structure Representation Enhancement
عنوان مقاله به فارسی بهینه‌سازی پیش‌بینی پیوند دنباله‌دار در شبکه‌های عصبی گراف از طریق بهبود نمایش ساختار
نویسندگان Yakun Wang, Daixin Wang, Hongrui Liu, Binbin Hu, Yingcui Yan, Qiyang Zhang, Zhiqiang Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 29 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال 29 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 440,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Link prediction, as a fundamental task for graph neural networks (GNNs), has boasted significant progress in varied domains. Its success is typically influenced by the expressive power of node representation, but recent developments reveal the inferior performance of low-degree nodes owing to their sparse neighbor connections, known as the degree-based long-tailed problem. Will the degree-based long-tailed distribution similarly constrain the efficacy of GNNs on link prediction? Unexpectedly, our study reveals that only a mild correlation exists between node degree and predictive accuracy, and more importantly, the number of common neighbors between node pairs exhibits a strong correlation with accuracy. Considering node pairs with less common neighbors, i.e., tail node pairs, make up a substantial fraction of the dataset but achieve worse performance, we propose that link prediction also faces the long-tailed problem. Therefore, link prediction of GNNs is greatly hindered by the tail node pairs. After knowing the weakness of link prediction, a natural question is how can we eliminate the negative effects of the skewed long-tailed distribution on common neighbors so as to improve the performance of link prediction? Towards this end, we introduce our long-tailed framework (LTLP), which is designed to enhance the performance of tail node pairs on link prediction by increasing common neighbors. Two key modules in LTLP respectively supplement high-quality edges for tail node pairs and enforce representational alignment between head and tail node pairs within the same category, thereby improving the performance of tail node pairs.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی پیوند ، به عنوان یک کار اساسی برای شبکه های عصبی نمودار (GNN) ، پیشرفت چشمگیری در حوزه های متنوع داشته است.موفقیت آن به طور معمول تحت تأثیر قدرت بیانگر بازنمایی گره است ، اما تحولات اخیر نشان دهنده عملکرد پایین گره های درجه پایین به دلیل اتصالات همسایه پراکنده آنها ، معروف به مشکل بلند و مبتنی بر درجه است.آیا توزیع دم بلند مبتنی بر مدرک به طور مشابه اثربخشی GNN ها را در پیش بینی پیوند محدود می کند؟به طور غیر منتظره ، مطالعه ما نشان می دهد که تنها یک همبستگی خفیف بین درجه گره و دقت پیش بینی کننده وجود دارد و مهمتر از همه ، تعداد همسایگان مشترک بین جفت های گره همبستگی قوی با دقت نشان می دهد.با توجه به جفت های گره با همسایگان کمتر متداول ، یعنی جفت گره دم ، بخش قابل توجهی از مجموعه داده ها را تشکیل می دهند اما به عملکرد بدتری می رسند ، ما پیشنهاد می کنیم که پیش بینی پیوند نیز با مشکل طولانی مدت روبرو است.بنابراین ، پیش بینی پیوند GNN توسط جفت های گره دم بسیار مانع است.پس از دانستن ضعف پیش بینی پیوند ، یک سؤال طبیعی این است که چگونه می توان اثرات منفی توزیع دم بلند و باریک بر همسایگان مشترک را از بین برد تا عملکرد پیش بینی پیوند را بهبود بخشد؟به همین منظور ، ما چارچوب طولانی مدت خود (LTLP) را معرفی می کنیم ، که برای افزایش عملکرد جفت گره دم در پیش بینی پیوند با افزایش همسایگان مشترک طراحی شده است.دو ماژول کلیدی در LTLP به ترتیب لبه های با کیفیت بالا را برای جفت های گره دم تکمیل می کنند و تراز بازنمایی بین جفت های گره سر و دم را در همان دسته اجرا می کنند و از این طریق عملکرد جفت های گره دم را بهبود می بخشند.

📚 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.