ترجمه فارسی مقاله PAGE: توضیح دهنده مولد پارامتری برای شبکه عصبی 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 PAGE: Parametric Generative Explainer for Graph Neural Network
عنوان مقاله به فارسی PAGE: توضیح دهنده مولد پارامتری برای شبکه عصبی گراف
نویسندگان Yang Qiu, Wei Liu, Jun Wang, Ruixuan Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 6 September, 2024; v1 submitted 26 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 6 سپتامبر 2024 ؛V1 ارسال شده 26 اوت 2024 ؛در ابتدا اوت 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

This article introduces PAGE, a parameterized generative interpretive framework. PAGE is capable of providing faithful explanations for any graph neural network without necessitating prior knowledge or internal details. Specifically, we train the auto-encoder to generate explanatory substructures by designing appropriate training strategy. Due to the dimensionality reduction of features in the latent space of the auto-encoder, it becomes easier to extract causal features leading to the model's output, which can be easily employed to generate explanations. To accomplish this, we introduce an additional discriminator to capture the causality between latent causal features and the model's output. By designing appropriate optimization objectives, the well-trained discriminator can be employed to constrain the encoder in generating enhanced causal features. Finally, these features are mapped to substructures of the input graph through the decoder to serve as explanations. Compared to existing methods, PAGE operates at the sample scale rather than nodes or edges, eliminating the need for perturbation or encoding processes as seen in previous methods. Experimental results on both artificially synthesized and real-world datasets demonstrate that our approach not only exhibits the highest faithfulness and accuracy but also significantly outperforms baseline models in terms of efficiency.

چکیده به فارسی (ترجمه ماشینی)

این مقاله صفحه ، یک چارچوب تفسیری تولیدی پارامتری را معرفی می کند.صفحه قادر به ارائه توضیحات وفادار برای هر شبکه عصبی نمودار بدون نیاز به دانش قبلی یا جزئیات داخلی است.به طور خاص ، ما با طراحی استراتژی آموزشی مناسب ، ما را تحت فشار خودکار آموزش می دهیم تا زیر ساخت های توضیحی را تولید کند.با توجه به کاهش ابعاد ویژگی های موجود در فضای نهفته وارد کننده خودکار ، استخراج ویژگی های علّی منتهی به خروجی مدل آسان تر می شود ، که می تواند به راحتی برای تولید توضیحات استفاده شود.برای انجام این کار ، ما یک تبعیض اضافی را برای ضبط علیت بین ویژگی های علیت نهفته و خروجی مدل معرفی می کنیم.با طراحی اهداف بهینه سازی مناسب ، می توان از تبعیض آمیز آموزش دیده برای محدود کردن رمزگذار در تولید ویژگی های علیت پیشرفته استفاده کرد.سرانجام ، این ویژگی ها از طریق رمزگشایی به زیر ساخت های نمودار ورودی نقشه برداری می شوند تا به عنوان توضیحات خدمت کنند.در مقایسه با روش های موجود ، صفحه به جای گره ها یا لبه ها در مقیاس نمونه عمل می کند و نیاز به فرآیندهای آشفتگی یا رمزگذاری را که در روشهای قبلی مشاهده می شود ، از بین می برد.نتایج تجربی در هر دو مجموعه داده مصنوعی و در دنیای واقعی نشان می دهد که رویکرد ما نه تنها بالاترین وفاداری و دقت را نشان می دهد بلکه از نظر کارآیی از مدلهای پایه نیز به طور قابل توجهی بهتر است.

📚 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.