ترجمه فارسی مقاله تشخیص آنلاین ناهنجاری‌ها در گراف‌های دانش زمانی با قابلیت تفسیر

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 Detection of Anomalies in Temporal Knowledge Graphs with Interpretability
عنوان مقاله به فارسی تشخیص آنلاین ناهنجاری‌ها در گراف‌های دانش زمانی با قابلیت تفسیر
نویسندگان Jiasheng Zhang, Rex Ying, Jie Shao
فرمت مقاله انگلیسی PDF
تعداد صفحات 26
دسته بندی موضوعات Artificial Intelligence,Databases,Machine Learning,هوش مصنوعی , بانکهای اطلاعاتی , یادگیری ماشین ,
توضیحات Submitted 2 September, 2024; v1 submitted 1 August, 2024; originally announced August 2024. , Comments: 26 pages, 10 figures. Accepted by SIGMOD 2025
توضیحات به فارسی ارسال شده در 2 سپتامبر 2024 ؛V1 ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 26 صفحه ، 10 شکل.پذیرفته شده توسط Sigmod 2025

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: 1,040,000 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

Temporal knowledge graphs (TKGs) are valuable resources for capturing evolving relationships among entities, yet they are often plagued by noise, necessitating robust anomaly detection mechanisms. Existing dynamic graph anomaly detection approaches struggle to capture the rich semantics introduced by node and edge categories within TKGs, while TKG embedding methods lack interpretability, undermining the credibility of anomaly detection. Moreover, these methods falter in adapting to pattern changes and semantic drifts resulting from knowledge updates. To tackle these challenges, we introduce AnoT, an efficient TKG summarization method tailored for interpretable online anomaly detection in TKGs. AnoT begins by summarizing a TKG into a novel rule graph, enabling flexible inference of complex patterns in TKGs. When new knowledge emerges, AnoT maps it onto a node in the rule graph and traverses the rule graph recursively to derive the anomaly score of the knowledge. The traversal yields reachable nodes that furnish interpretable evidence for the validity or the anomalous of the new knowledge. Overall, AnoT embodies a detector-updater-monitor architecture, encompassing a detector for offline TKG summarization and online scoring, an updater for real-time rule graph updates based on emerging knowledge, and a monitor for estimating the approximation error of the rule graph. Experimental results on four real-world datasets demonstrate that AnoT surpasses existing methods significantly in terms of accuracy and interoperability. All of the raw datasets and the implementation of AnoT are provided in https://github.com/zjs123/ANoT.

چکیده به فارسی (ترجمه ماشینی)

نمودارهای دانش موقتی (TKG) منابع ارزشمندی برای ضبط روابط در حال تحول در بین موجودات هستند ، اما اغلب آنها را گرفتار سر و صدا می کنند و به مکانیسم های تشخیص ناهنجاری قوی نیاز دارند.رویکردهای تشخیص ناهنجاری نمودار پویا موجود در تلاش برای گرفتن معناشناسی غنی معرفی شده توسط دسته های گره و لبه در TKG ها ، در حالی که روش های جاسازی TKG فاقد تفسیر هستند و اعتبار تشخیص ناهنجاری را تضعیف می کنند.علاوه بر این ، این روش ها در سازگاری با تغییرات الگوی و رانش های معنایی ناشی از به روزرسانی دانش ، متلاشی می شوند.برای مقابله با این چالش ها ، ما ANOT را معرفی می کنیم ، یک روش خلاصه TKG کارآمد متناسب برای تشخیص ناهنجاری آنلاین قابل تفسیر در TKG ها.ANOT با خلاصه کردن TKG در یک نمودار قاعده جدید شروع می شود و استنباط انعطاف پذیر الگوهای پیچیده در TKG ها را فراهم می کند.هنگامی که دانش جدید ظهور می کند ، ANOT آن را بر روی یک گره در نمودار قاعده نقشه می کند و نمودار قاعده را به صورت بازگشتی طی می کند تا نمره ناهنجاری دانش را بدست آورد.بازده ترازو گره های قابل دستیابی را ارائه می دهد که شواهد قابل تفسیر را برای اعتبار یا غیر عادی دانش جدید ارائه می دهد.به طور کلی ، ANOT یک معماری آشکارساز-به روزرسانی-مانیتور را شامل می شود ، شامل یک آشکارساز برای جمع بندی TKG آفلاین و امتیاز دهی آنلاین ، به روزرسانی برای به روزرسانی های نمودار قانون در زمان واقعی بر اساس دانش نوظهور و مانیتور برای تخمین خطای تقریب نمودار قانون.نتایج تجربی در چهار مجموعه داده در دنیای واقعی نشان می دهد که ANOT از نظر دقت و قابلیت همکاری به طور قابل توجهی از روشهای موجود فراتر می رود.تمام مجموعه داده های خام و اجرای ANOT در https://github.com/zjs123/anot ارائه شده است.

📚 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.