ترجمه فارسی مقاله یادگیری خودکار برچسب‌گذاری‌های محدب روی نمودارها

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 Self-Directed Learning of Convex Labelings on Graphs
عنوان مقاله به فارسی یادگیری خودکار برچسب‌گذاری‌های محدب روی نمودارها
نویسندگان Georgy Sokolov, Maximilian Thiessen, Margarita Akhmejanova, Fabio Vitale, Francesco Orabona
فرمت مقاله انگلیسی PDF
تعداد صفحات 24
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 2 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 2 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

We study the problem of learning the clusters of a given graph in the self-directed learning setup. This learning setting is a variant of online learning, where rather than an adversary determining the sequence in which nodes are presented, the learner autonomously and adaptively selects them. While self-directed learning of Euclidean halfspaces, linear functions, and general abstract multi-class hypothesis classes was recently considered, no results previously existed specifically for self-directed node classification on graphs. In this paper, we address this problem developing efficient algorithms for it. More specifically, we focus on the case of (geodesically) convex clusters, i.e., for every two nodes sharing the same label, all nodes on every shortest path between them also share the same label. In particular, we devise a polynomial-time algorithm that makes only $3(h(G)+1)^4 \ln n$ mistakes on graphs with two convex clusters, where $n$ is the total number of nodes and $h(G)$ is the Hadwiger number, i.e., the size of the largest clique minor of the graph $G$. We also show that our algorithm is robust to the case that clusters are slightly non-convex, still achieving a mistake bound logarithmic in $n$. Finally, for the more standard case of homophilic clusters, where strongly connected nodes tend to belong the same class, we devise a simple and efficient algorithm.

چکیده به فارسی (ترجمه ماشینی)

ما مشکل یادگیری خوشه های یک نمودار خاص را در مجموعه یادگیری خود هدایت می کنیم.این تنظیم یادگیری نوعی از یادگیری آنلاین است ، جایی که به جای یک طرف مقابل که دنباله ای را که در آن گره ها ارائه می شود ، تعیین می کند ، یادگیرنده خودمختار و سازگار آنها را انتخاب می کند.در حالی که اخیراً یادگیری خود هدایت شده از نیمه فضاهای اقلیدسی ، عملکردهای خطی و کلاسهای فرضیه چند طبقه انتزاعی عمومی در نظر گرفته شده است ، هیچ نتیجه ای که قبلاً به طور خاص برای طبقه بندی گره خود کارگردانی در نمودارها وجود نداشته است.در این مقاله ، ما به این مشکل در حال توسعه الگوریتم های کارآمد برای آن می پردازیم.به طور خاص ، ما بر روی مورد (از نظر ژئودزیکی) خوشه های محدب تمرکز می کنیم ، یعنی برای هر دو گره که یک برچسب یکسان دارند ، همه گره ها در هر کوتاهترین مسیر بین آنها نیز همان برچسب را دارند.به طور خاص ، ما یک الگوریتم زمان چند جمله ای را ابداع می کنیم که فقط 3 دلار (H (g) +1)^4 \ ln n $ اشتباهات را در نمودارها با دو خوشه محدب ایجاد می کند ، جایی که $ n $ تعداد گره ها و $ ساعت است (g) $ شماره Hadwiger است ، یعنی اندازه بزرگترین کلیپ جزئی از نمودار $ g $.ما همچنین نشان می دهیم که الگوریتم ما نسبت به این مورد قوی است که خوشه ها کمی غیر متعهد هستند و هنوز هم به یک اشتباه لگاریتمی در $ n $ دست می یابند.سرانجام ، برای مورد استاندارد تر خوشه های هموفیلی ، که در آن گره های به شدت متصل به همان کلاس هستند ، ما یک الگوریتم ساده و کارآمد را ابداع می کنیم.

📚 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.