ترجمه فارسی مقاله رمزگذار خودکار گراف امضا شده برای تعبیه‌های شبکه قابل توضیح و آگاه از قطبش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Signed Graph Autoencoder for Explainable and Polarization-Aware Network Embeddings
عنوان مقاله به فارسی رمزگذار خودکار گراف امضا شده برای تعبیه‌های شبکه قابل توضیح و آگاه از قطبش
نویسندگان Nikolaos Nakis, Chrysoula Kosma, Giannis Nikolentzos, Michalis Chatzianastasis, Iakovos Evdaimon, Michalis Vazirgiannis
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Social and Information Networks,یادگیری ماشین , شبکه های اجتماعی و اطلاعاتی ,
توضیحات Submitted 16 September, 2024; originally announced September 2024. , Comments: Preprint
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: preprint
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

Autoencoders based on Graph Neural Networks (GNNs) have garnered significant attention in recent years for their ability to extract informative latent representations, characterizing the structure of complex topologies, such as graphs. Despite the prevalence of Graph Autoencoders, there has been limited focus on developing and evaluating explainable neural-based graph generative models specifically designed for signed networks. To address this gap, we propose the Signed Graph Archetypal Autoencoder (SGAAE) framework. SGAAE extracts node-level representations that express node memberships over distinct extreme profiles, referred to as archetypes, within the network. This is achieved by projecting the graph onto a learned polytope, which governs its polarization. The framework employs a recently proposed likelihood for analyzing signed networks based on the Skellam distribution, combined with relational archetypal analysis and GNNs. Our experimental evaluation demonstrates the SGAAEs' capability to successfully infer node memberships over the different underlying latent structures while extracting competing communities formed through the participation of the opposing views in the network. Additionally, we introduce the 2-level network polarization problem and show how SGAAE is able to characterize such a setting. The proposed model achieves high performance in different tasks of signed link prediction across four real-world datasets, outperforming several baseline models.

چکیده به فارسی (ترجمه ماشینی)

AutoEncoders مبتنی بر شبکه های عصبی نمودار (GNN) در سالهای اخیر به دلیل توانایی خود در استخراج بازنمایی های نهفته آموزنده ، توصیف ساختار توپولوژی های پیچیده ، مانند نمودارها ، مورد توجه قابل توجهی قرار گرفته است.علیرغم شیوع خودروهای گرافیکی ، تمرکز محدودی در توسعه و ارزیابی مدل های تولیدی مبتنی بر نمودار عصبی قابل توضیح است که به طور خاص برای شبکه های امضا شده طراحی شده است.برای پرداختن به این شکاف ، ما چارچوب Archetypal AutoEncoder (SGAAE) نمودار امضا شده را پیشنهاد می کنیم.SGAAE بازنمودهای سطح گره را که بیانیه های گره را بر روی پروفایل های افراطی متمایز ، که به آن به عنوان آرکیپت ها گفته می شود ، در شبکه بیان می کند.این امر با نمایش نمودار بر روی پلی تئوپ آموخته شده ، که حاکم بر قطبش آن است ، حاصل می شود.این چارچوب از احتمال پیشنهادی برای تجزیه و تحلیل شبکه های امضا شده بر اساس توزیع Skellam ، همراه با تجزیه و تحلیل آرکیپال رابطه ای و GNN استفاده می کند.ارزیابی تجربی ما توانایی SGAAES را در استنباط موفقیت آمیز در عضویت در ساختارهای مختلف نهان زیربنایی نشان می دهد ، در حالی که جوامع رقابتی را که از طریق مشارکت دیدگاه های مخالف در شبکه تشکیل می شود ، نشان می دهد.علاوه بر این ، ما مشکل قطبی سازی شبکه 2 سطح را معرفی می کنیم و نشان می دهیم که چگونه SGAAE قادر به توصیف چنین تنظیماتی است.مدل پیشنهادی در کارهای مختلف پیش بینی پیوند امضا شده در چهار مجموعه داده در دنیای واقعی به عملکرد بالایی دست می یابد ، و از چندین مدل پایه بهتر 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.