ترجمه فارسی مقاله یادگیری محدوده شخصی سازی شده برای شبکه های عصبی نمودار تحت هتروفیلی

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 Learning Personalized Scoping for Graph Neural Networks under Heterophily
عنوان مقاله به فارسی یادگیری محدوده شخصی سازی شده برای شبکه های عصبی نمودار تحت هتروفیلی
نویسندگان Gangda Deng, Hongkuan Zhou, Rajgopal Kannan, Viktor Prasanna
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Social and Information Networks,یادگیری ماشین , شبکه های اجتماعی و اطلاعاتی ,
توضیحات Submitted 11 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 11 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

Heterophilous graphs, where dissimilar nodes tend to connect, pose a challenge for graph neural networks (GNNs) as their superior performance typically comes from aggregating homophilous information. Increasing the GNN depth can expand the scope (i.e., receptive field), potentially finding homophily from the higher-order neighborhoods. However, uniformly expanding the scope results in subpar performance since real-world graphs often exhibit homophily disparity between nodes. An ideal way is personalized scopes, allowing nodes to have varying scope sizes. Existing methods typically add node-adaptive weights for each hop. Although expressive, they inevitably suffer from severe overfitting. To address this issue, we formalize personalized scoping as a separate scope classification problem that overcomes GNN overfitting in node classification. Specifically, we predict the optimal GNN depth for each node. Our theoretical and empirical analysis suggests that accurately predicting the depth can significantly enhance generalization. We further propose Adaptive Scope (AS), a lightweight MLP-based approach that only participates in GNN inference. AS encodes structural patterns and predicts the depth to select the best model for each node's prediction. Experimental results show that AS is highly flexible with various GNN architectures across a wide range of datasets while significantly improving accuracy.

چکیده به فارسی (ترجمه ماشینی)

نمودارهای هتروفیل ، که در آن گره های متفاوت تمایل به اتصال دارند ، برای شبکه های عصبی نمودار (GNN) به چالش می کشد ، زیرا عملکرد برتر آنها به طور معمول از جمع آوری اطلاعات هموفیلی ناشی می شود.افزایش عمق GNN می تواند دامنه (یعنی میدان پذیرش) را گسترش دهد ، و به طور بالقوه به صورت هموفیش از محلات مرتبه بالاتر پیدا می شود.با این حال ، گسترش یکنواخت دامنه منجر به عملکرد زیرپردایی می شود زیرا نمودارهای دنیای واقعی غالباً نابرابری هموفیلی بین گره ها را نشان می دهند.یک روش ایده آل ، دامنه های شخصی شده است و به گره ها اجازه می دهد تا اندازه های مختلفی داشته باشند.روشهای موجود به طور معمول وزن های سازگار با گره را برای هر هاپ اضافه می کنند.اگرچه بیانگر است ، آنها به ناچار از فشار شدید شدید رنج می برند.برای پرداختن به این مسئله ، ما scoping شخصی را به عنوان یک مشکل طبقه بندی دامنه جداگانه که غلبه بر بیش از حد GNN در طبقه بندی گره دارد ، رسمی می کنیم.به طور خاص ، ما عمق بهینه GNN را برای هر گره پیش بینی می کنیم.تجزیه و تحلیل نظری و تجربی ما نشان می دهد که پیش بینی دقیق عمق می تواند به طور قابل توجهی تعمیم را افزایش دهد.ما همچنین دامنه تطبیقی ​​(AS) را پیشنهاد می کنیم ، یک رویکرد مبتنی بر MLP سبک که فقط در استنتاج GNN شرکت می کند.همانطور که الگوهای ساختاری را رمزگذاری می کند و عمق را برای انتخاب بهترین مدل برای پیش بینی هر گره پیش بینی می کند.نتایج تجربی نشان می دهد که همانطور که با معماری های مختلف GNN در طیف گسترده ای از مجموعه داده ها بسیار انعطاف پذیر است و در عین حال دقت را بهبود می بخشد.

📚 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.