ترجمه فارسی مقاله یادگیری عمیق توپولوژیکی با مدل های حالت فضایی: رویکرد مامبا برای مجتمع های ساده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Topological Deep Learning with State-Space Models: A Mamba Approach for Simplicial Complexes
عنوان مقاله به فارسی یادگیری عمیق توپولوژیکی با مدل های حالت فضایی: رویکرد مامبا برای مجتمع های ساده
نویسندگان Marco Montagna, Simone Scardapane, Lev Telyatnikov
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 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 based on the message-passing (MP) mechanism are a dominant approach for handling graph-structured data. However, they are inherently limited to modeling only pairwise interactions, making it difficult to explicitly capture the complexity of systems with $n$-body relations. To address this, topological deep learning has emerged as a promising field for studying and modeling higher-order interactions using various topological domains, such as simplicial and cellular complexes. While these new domains provide powerful representations, they introduce new challenges, such as effectively modeling the interactions among higher-order structures through higher-order MP. Meanwhile, structured state-space sequence models have proven to be effective for sequence modeling and have recently been adapted for graph data by encoding the neighborhood of a node as a sequence, thereby avoiding the MP mechanism. In this work, we propose a novel architecture designed to operate with simplicial complexes, utilizing the Mamba state-space model as its backbone. Our approach generates sequences for the nodes based on the neighboring cells, enabling direct communication between all higher-order structures, regardless of their rank. We extensively validate our model, demonstrating that it achieves competitive performance compared to state-of-the-art models developed for simplicial complexes.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار بر اساس مکانیسم پیام (MP) یک روش غالب برای دستیابی به داده های ساختار یافته نمودار است.با این حال ، آنها ذاتاً محدود به مدل سازی فقط تعاملات زوج هستند و به سختی می توان پیچیدگی سیستم ها را با روابط $ $ $ بدست آورد.برای پرداختن به این موضوع ، یادگیری عمیق توپولوژیکی به عنوان یک زمینه امیدوارکننده برای مطالعه و مدل سازی تعامل با مرتبه بالاتر با استفاده از حوزه های مختلف توپولوژیکی ، مانند مجتمع های ساده و سلولی ظاهر شده است.در حالی که این حوزه های جدید بازنمایی های قدرتمندی را ارائه می دهند ، آنها چالش های جدیدی را معرفی می کنند ، مانند مدل سازی موثر تعامل بین ساختارهای مرتبه بالاتر از طریق MP مرتبه بالاتر.در همین حال ، مدلهای توالی ساختاری فضای فضایی ثابت شده است که برای مدل سازی توالی مؤثر است و اخیراً با رمزگذاری محله یک گره به عنوان یک دنباله ، برای داده های نمودار سازگار شده است و از این طریق از مکانیسم MP جلوگیری می کند.در این کار ، ما یک معماری جدید را پیشنهاد می کنیم که برای کار با مجتمع های ساده و با استفاده از مدل حالت فضای Mamba به عنوان ستون فقرات آن طراحی شده است.رویکرد ما توالی هایی را برای گره ها بر اساس سلولهای همسایه ایجاد می کند و امکان برقراری ارتباط مستقیم بین همه ساختارهای مرتبه بالاتر ، بدون در نظر گرفتن رتبه آنها ، امکان پذیر است.ما به طور گسترده مدل خود را تأیید می کنیم ، نشان می دهد که در مقایسه با مدل های پیشرفته ای که برای مجتمع های ساده توسعه یافته است ، به عملکرد رقابتی 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.