اکسپرس 24
ترجمه فارسی مقاله نهفتگی‌های بوت‌استرپ گره‌ها و همسایه‌ها برای یادگیری خودنظارتی گراف

ترجمه فارسی مقاله نهفتگی‌های بوت‌استرپ گره‌ها و همسایه‌ها برای یادگیری خودنظارتی 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 Bootstrap Latents of Nodes and Neighbors for Graph Self-Supervised Learning
عنوان مقاله به فارسی نهفتگی‌های بوت‌استرپ گره‌ها و همسایه‌ها برای یادگیری خودنظارتی گراف
نویسندگان Yunhui Liu, Huaisong Zhang, Tieke He, Tao Zheng, Jianhua Zhao
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: Accepted by ECML PKDD 2024
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده توسط ECML PKDD 2024

قیمت: 19,000 تومان

سفارش

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

قیمت: 800,000 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

Contrastive learning is a significant paradigm in graph self-supervised learning. However, it requires negative samples to prevent model collapse and learn discriminative representations. These negative samples inevitably lead to heavy computation, memory overhead and class collision, compromising the representation learning. Recent studies present that methods obviating negative samples can attain competitive performance and scalability enhancements, exemplified by bootstrapped graph latents (BGRL). However, BGRL neglects the inherent graph homophily, which provides valuable insights into underlying positive pairs. Our motivation arises from the observation that subtly introducing a few ground-truth positive pairs significantly improves BGRL. Although we can't obtain ground-truth positive pairs without labels under the self-supervised setting, edges in the graph can reflect noisy positive pairs, i.e., neighboring nodes often share the same label. Therefore, we propose to expand the positive pair set with node-neighbor pairs. Subsequently, we introduce a cross-attention module to predict the supportiveness score of a neighbor with respect to the anchor node. This score quantifies the positive support from each neighboring node, and is encoded into the training objective. Consequently, our method mitigates class collision from negative and noisy positive samples, concurrently enhancing intra-class compactness. Extensive experiments are conducted on five benchmark datasets and three downstream task node classification, node clustering, and node similarity search. The results demonstrate that our method generates node representations with enhanced intra-class compactness and achieves state-of-the-art performance.

چکیده به فارسی (ترجمه ماشینی)

یادگیری متضاد یک الگوی مهم در یادگیری خودكاری نمودار است.با این حال ، برای جلوگیری از فروپاشی مدل و یادگیری بازنمایی های تبعیض آمیز ، به نمونه های منفی نیاز دارد.این نمونه های منفی به ناچار منجر به محاسبات سنگین ، سرپرستی حافظه و برخورد کلاس می شوند و یادگیری بازنمایی را به خطر می اندازند.مطالعات اخیر حاکی از آن است که روشهای جلوگیری از نمونه های منفی می توانند عملکرد رقابتی و پیشرفت های مقیاس پذیری را بدست آورند ، که توسط Latents Graph Bootstrapped (BGRL) نمونه برداری شده است.با این حال ، BGRL از نمودار ذاتی هموفیلی غفلت می کند ، که بینش ارزشمندی در مورد جفت های مثبت اساسی ارائه می دهد.انگیزه ما از این مشاهده ناشی می شود که به طور ظریف معرفی چند جفت مثبت با حقیقت زمین به طور قابل توجهی BGRL را بهبود می بخشد.اگرچه ما نمی توانیم جفت های مثبت و حقیقت را بدون برچسب تحت تنظیم خود خودآزموده بدست آوریم ، لبه های موجود در نمودار می توانند جفت مثبت پر سر و صدا را منعکس کنند ، یعنی گره های همسایه اغلب همان برچسب را دارند.بنابراین ، ما پیشنهاد می کنیم مجموعه جفت مثبت را با جفت گره های همسایه گسترش دهیم.پس از آن ، ما یک ماژول توجه متقابل را معرفی می کنیم تا نمره پشتیبانی یک همسایه را با توجه به گره لنگر پیش بینی کنیم.این نمره پشتیبانی مثبت از هر گره همسایه را تعیین می کند و در هدف آموزش رمزگذاری می شود.در نتیجه ، روش ما برخورد کلاس را از نمونه های مثبت منفی و پر سر و صدا کاهش می دهد و همزمان باعث افزایش فشردگی داخل کلاس می شود.آزمایش های گسترده در پنج مجموعه داده معیار و سه طبقه بندی گره کار پایین دست ، خوشه بندی گره و جستجوی شباهت گره انجام می شود.نتایج نشان می دهد که روش ما بازنمودهای گره را با فشرده سازی درون کلاس افزایش می دهد و به عملکرد پیشرفته می رسد.

📚 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.