Submitted 10 September, 2024; v1 submitted 25 August, 2024; originally announced August 2024. , Comments: 20 pages, 6 figures. arXiv admin note: substantial text overlap with arXiv:2406.05225
توضیحات به فارسی
ارسال شده 10 سپتامبر 2024 ؛V1 ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 20 صفحه ، 6 شکل.Arxiv Admin توجه: متن قابل توجهی با ARXIV همپوشانی دارد: 2406.05225
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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 (GNNs) have demonstrated their effectiveness in various tasks supported by their generalization capabilities. However, the current analysis of GNN generalization relies on the assumption that training and testing data are independent and identically distributed (i.i.d). This imposes limitations on the cases where a model mismatch exists when generating testing data. In this paper, we examine GNNs that operate on geometric graphs generated from manifold models, explicitly focusing on scenarios where there is a mismatch between manifold models generating training and testing data. Our analysis reveals the robustness of the GNN generalization in the presence of such model mismatch. This indicates that GNNs trained on graphs generated from a manifold can still generalize well to unseen nodes and graphs generated from a mismatched manifold. We attribute this mismatch to both node feature perturbations and edge perturbations within the generated graph. Our findings indicate that the generalization gap decreases as the number of nodes grows in the training graph while increasing with larger manifold dimension as well as larger mismatch. Importantly, we observe a trade-off between the generalization of GNNs and the capability to discriminate high-frequency components when facing a model mismatch. The most important practical consequence of this analysis is to shed light on the filter design of generalizable GNNs robust to model mismatch. We verify our theoretical findings with experiments on multiple real-world datasets.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی نمودار (GNN) اثربخشی خود را در کارهای مختلف پشتیبانی شده توسط قابلیت های تعمیم آنها نشان داده اند.با این حال ، تجزیه و تحلیل فعلی از تعمیم GNN به این فرض متکی است که داده های آموزش و آزمایش مستقل و یکسان توزیع می شوند (i.i.d).این محدودیت هایی را در مواردی که عدم تطابق مدل هنگام تولید داده های آزمایش وجود دارد ، تحمیل می کند.در این مقاله ، GNN هایی را که بر روی نمودارهای هندسی تولید شده از مدلهای منیفولد کار می کنند ، بررسی می کنیم ، صریحاً با تمرکز بر سناریوهایی که در آن عدم تطابق بین مدلهای منیفولد تولید آموزش و آزمایش وجود دارد.تجزیه و تحلیل ما استحکام عمومی سازی GNN را در حضور چنین عدم تطابق مدل نشان می دهد.این نشان می دهد که GNN هایی که بر روی نمودارهای تولید شده از یک منیفولد آموزش دیده اند ، هنوز هم می توانند به خوبی در گره ها و نمودارهای غیب تولید شده از یک منیفولد ناسازگار تعمیم دهند.ما این عدم تطابق را به هر دو ویژگی گره و آشفتگی لبه در نمودار تولید شده نسبت می دهیم.یافته های ما نشان می دهد که با افزایش تعداد گره ها در نمودار آموزش در حالی که با ابعاد منیفولد بزرگتر و همچنین عدم تطابق بزرگتر افزایش می یابد ، شکاف تعمیم کاهش می یابد.مهمتر اینکه ، ما بین تعمیم GNN ها و توانایی تبعیض اجزای با فرکانس بالا هنگام مواجهه با عدم تطابق مدل ، تجارت را مشاهده می کنیم.مهمترین نتیجه عملی این تجزیه و تحلیل ، روشن کردن طراحی فیلتر GNN های قابل تعمیم برای مدل عدم تطابق است.ما یافته های نظری خود را با آزمایش در چندین مجموعه داده در دنیای واقعی تأیید 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
