Machine Learning,Social and Information Networks,یادگیری ماشین , شبکه های اجتماعی و اطلاعاتی ,
توضیحات
Submitted 1 September, 2024; originally announced September 2024. , Comments: Champion winner of IEEE HPEC 2024 Graph Challenge (https://graphchallenge.mit.edu/champions)
توضیحات به فارسی
ارسال 1 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: برنده قهرمان IEEE HPEC 2024 Graph Challenge (https://graphchallenge.mit.edu/champions)
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 partitioning (GP) is a classic problem that divides the node set of a graph into densely-connected blocks. Following the IEEE HPEC Graph Challenge and recent advances in pre-training techniques (e.g., large-language models), we propose PR-GPT (Pre-trained & Refined Graph ParTitioning) based on a novel pre-training & refinement paradigm. We first conduct the offline pre-training of a deep graph learning (DGL) model on small synthetic graphs with various topology properties. By using the inductive inference of DGL, one can directly generalize the pre-trained model (with frozen model parameters) to large graphs and derive feasible GP results. We also use the derived partition as a good initialization of an efficient GP method (e.g., InfoMap) to further refine the quality of partitioning. In this setting, the online generalization and refinement of PR-GPT can not only benefit from the transfer ability regarding quality but also ensure high inference efficiency without re-training. Based on a mechanism of reducing the scale of a graph to be processed by the refinement method, PR-GPT also has the potential to support streaming GP. Experiments on the Graph Challenge benchmark demonstrate that PR-GPT can ensure faster GP on large-scale graphs without significant quality degradation, compared with running a refinement method from scratch. We will make our code public at https://github.com/KuroginQin/PRGPT.
چکیده به فارسی (ترجمه ماشینی)
پارتیشن بندی نمودار (GP) یک مشکل کلاسیک است که مجموعه گره یک نمودار را به بلوک های متراکم متصل می کند.به دنبال چالش نمودار IEEE HPEC و پیشرفت های اخیر در تکنیک های قبل از آموزش (به عنوان مثال ، مدل های بزرگ به زبان) ، ما PR-GPT (پارتیشن بندی نمودار از پیش آموزش دیده و تصفیه شده) را بر اساس یک پارادایم جدید قبل از آموزش و پالایش پیشنهاد می کنیم.ما ابتدا قبل از آموزش آفلاین مدل یادگیری نمودار عمیق (DGL) را در نمودارهای مصنوعی کوچک با خصوصیات توپولوژی مختلف انجام می دهیم.با استفاده از استنتاج القایی DGL ، می توان به طور مستقیم مدل از قبل آموزش دیده (با پارامترهای مدل یخ زده) را به نمودارهای بزرگ تعمیم داد و نتایج GP امکان پذیر را بدست آورد.ما همچنین از پارتیشن مشتق شده به عنوان یک اولیه سازی خوب از یک روش GP کارآمد (به عنوان مثال ، InfoMap) برای تصحیح بیشتر کیفیت پارتیشن بندی استفاده می کنیم.در این تنظیم ، تعمیم آنلاین و پالایش PR-GPT نه تنها می تواند از توانایی انتقال در مورد کیفیت بهره مند شود بلکه بهره وری استنباط بالا را بدون آموزش مجدد تضمین می کند.بر اساس مکانیسم کاهش مقیاس نمودار که باید با استفاده از روش پالایش پردازش شود ، PR-GPT همچنین پتانسیل پشتیبانی از جریان GP را دارد.آزمایشات مربوط به معیار چالش نمودار نشان می دهد که PR-GPT می تواند GP سریعتر را در نمودارهای در مقیاس بزرگ و بدون تخریب کیفیت قابل توجه تضمین کند ، در مقایسه با اجرای یک روش پالایش از ابتدا.ما کد خود را در https://github.com/kuroginqin/prgpt عمومی 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
