ترجمه فارسی مقاله شناسایی فعال‌سازی‌های عظیم مکانیسم توجه در شبکه‌های عصبی نموداری

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 Characterizing Massive Activations of Attention Mechanism in Graph Neural Networks
عنوان مقاله به فارسی شناسایی فعال‌سازی‌های عظیم مکانیسم توجه در شبکه‌های عصبی نموداری
نویسندگان Lorenzo Bini, Marco Sorbi, Stephane Marchand-Maillet
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

Graph Neural Networks (GNNs) have become increasingly popular for effectively modeling data with graph structures. Recently, attention mechanisms have been integrated into GNNs to improve their ability to capture complex patterns. This paper presents the first comprehensive study revealing a critical, unexplored consequence of this integration: the emergence of Massive Activations (MAs) within attention layers. We introduce a novel method for detecting and analyzing MAs, focusing on edge features in different graph transformer architectures. Our study assesses various GNN models using benchmark datasets, including ZINC, TOX21, and PROTEINS. Key contributions include (1) establishing the direct link between attention mechanisms and MAs generation in GNNs, (2) developing a robust definition and detection method for MAs based on activation ratio distributions, (3) introducing the Explicit Bias Term (EBT) as a potential countermeasure and exploring it as an adversarial framework to assess models robustness based on the presence or absence of MAs. Our findings highlight the prevalence and impact of attention-induced MAs across different architectures, such as GraphTransformer, GraphiT, and SAN. The study reveals the complex interplay between attention mechanisms, model architecture, dataset characteristics, and MAs emergence, providing crucial insights for developing more robust and reliable graph models.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) برای مدل سازی موثر داده ها با ساختار نمودار به طور فزاینده ای محبوب شده اند.به تازگی ، مکانیسم های توجه برای بهبود توانایی آنها در گرفتن الگوهای پیچیده در GNN ها ادغام شده اند.این مقاله اولین مطالعه جامع را نشان می دهد که یک نتیجه مهم و ناشناخته از این ادغام را نشان می دهد: ظهور فعال سازی های عظیم (MAS) در لایه های توجه.ما یک روش جدید برای تشخیص و تجزیه و تحلیل MA را معرفی می کنیم ، با تمرکز بر ویژگی های Edge در معماری های مختلف ترانسفورماتور نمودار.مطالعه ما مدلهای مختلف GNN را با استفاده از مجموعه داده های معیار ، از جمله روی ، TOX21 و پروتئین ها ارزیابی می کند.مشارکتهای کلیدی شامل (1) ایجاد ارتباط مستقیم بین مکانیسم های توجه و تولید MAS در GNN ها ، (2) ایجاد یک روش تعریف و تشخیص قوی برای MAS بر اساس توزیع نسبت فعال سازی ، (3) معرفی اصطلاح تعصب صریح (EBT) به عنوان یکمتقابل بالقوه و کاوش در آن به عنوان یک چارچوب مخالف برای ارزیابی مدل های استحکام بر اساس حضور یا عدم حضور MAS.یافته های ما شیوع و تأثیر MAS ناشی از توجه را در معماری های مختلف مانند Graphtransformer ، Graphit و San برجسته می کند.این مطالعه تعامل پیچیده بین مکانیسم های توجه ، معماری مدل ، ویژگی های مجموعه داده ها و ظهور MAS را نشان می دهد ، و بینش های اساسی برای توسعه مدلهای نمودار قوی تر و قابل اعتماد تر ارائه می دهد.

📚 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.