اکسپرس 24
ترجمه فارسی مقاله شبکه‌های کانولوشن گراف مکانی-زمانی با تبدیل متنوع برای یادگیری نمایش پویای گراف

ترجمه فارسی مقاله شبکه‌های کانولوشن گراف مکانی-زمانی با تبدیل متنوع برای یادگیری نمایش پویای گراف

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 Spatial-temporal Graph Convolutional Networks with Diversified Transformation for Dynamic Graph Representation Learning
عنوان مقاله به فارسی شبکه‌های کانولوشن گراف مکانی-زمانی با تبدیل متنوع برای یادگیری نمایش پویای گراف
نویسندگان Ling Wang, Yixiang Huang, Hao Wu
فرمت مقاله انگلیسی PDF
تعداد صفحات 8
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 5 August, 2024; originally announced August 2024. , Comments: 8 papges, 1 figure
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 8 پاپ ، 1 شکل

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 320,000 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

Dynamic graphs (DG) are often used to describe evolving interactions between nodes in real-world applications. Temporal patterns are a natural feature of DGs and are also key to representation learning. However, existing dynamic GCN models are mostly composed of static GCNs and sequence modules, which results in the separation of spatiotemporal information and cannot effectively capture complex temporal patterns in DGs. To address this problem, this study proposes a spatial-temporal graph convolutional networks with diversified transformation (STGCNDT), which includes three aspects: a) constructing a unified graph tensor convolutional network (GTCN) using tensor M-products without the need to represent spatiotemporal information separately; b) introducing three transformation schemes in GTCN to model complex temporal patterns to aggregate temporal information; and c) constructing an ensemble of diversified transformation schemes to obtain higher representation capabilities. Empirical studies on four DGs that appear in communication networks show that the proposed STGCNDT significantly outperforms state-of-the-art models in solving link weight estimation tasks due to the diversified transformations.

چکیده به فارسی (ترجمه ماشینی)

نمودارهای پویا (DG) اغلب برای توصیف تعامل در حال تحول بین گره ها در برنامه های دنیای واقعی استفاده می شود.الگوهای زمانی یک ویژگی طبیعی DGS است و همچنین برای یادگیری بازنمایی مهم است.با این حال ، مدلهای GCN پویا موجود بیشتر از GCN های استاتیک و ماژول های توالی تشکیل شده اند ، که منجر به جداسازی اطلاعات مکانی مکانی می شود و نمی تواند به طور مؤثر الگوهای زمانی پیچیده را در DG ها ضبط کند.برای پرداختن به این مشکل ، این مطالعه یک شبکه های نمودار مکانی و مکانی را با تحول متنوع (STGCNDT) ارائه می دهد ، که شامل سه جنبه است: الف) ساخت یک شبکه تانسور تانسور (GTCN) با استفاده از محصولات M Tensor بدون نیاز به نشان دادن Spatiotemporalporalporalporalporalاطلاعات به طور جداگانه ؛ب) معرفی سه طرح تحول در GTCN برای مدل سازی الگوهای زمانی پیچیده برای جمع آوری اطلاعات زمانی.و ج) ساخت مجموعه ای از طرح های متنوع تحول برای به دست آوردن قابلیت های نمایندگی بالاتر.مطالعات تجربی در چهار DG که در شبکه های ارتباطی ظاهر می شوند نشان می دهد که STGCNDT پیشنهادی به طور قابل توجهی از مدلهای پیشرفته در حل وظایف تخمین وزن پیوند به دلیل تحولات متنوع استفاده می کند.

📚 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.