ترجمه فارسی مقاله رتبه و تراز: به سوی تطبیق دامنه گراف بدون منبع موثر

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 Rank and Align: Towards Effective Source-free Graph Domain Adaptation
عنوان مقاله به فارسی رتبه و تراز: به سوی تطبیق دامنه گراف بدون منبع موثر
نویسندگان Junyu Luo, Zhiping Xiao, Yifan Wang, Xiao Luo, Jingyang Yuan, Wei Ju, Langechuan Liu, Ming Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Information Retrieval,یادگیری ماشین , هوش مصنوعی , بازیابی اطلاعات ,
توضیحات Submitted 22 August, 2024; originally announced August 2024. , Comments: Published in IJCAI2024
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: منتشر شده در IJCAI2024
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 (GNNs) have achieved impressive performance in graph domain adaptation. However, extensive source graphs could be unavailable in real-world scenarios due to privacy and storage concerns. To this end, we investigate an underexplored yet practical problem of source-free graph domain adaptation, which transfers knowledge from source models instead of source graphs to a target domain. To solve this problem, we introduce a novel GNN-based approach called Rank and Align (RNA), which ranks graph similarities with spectral seriation for robust semantics learning, and aligns inharmonic graphs with harmonic graphs which close to the source domain for subgraph extraction. In particular, to overcome label scarcity, we employ the spectral seriation algorithm to infer the robust pairwise rankings, which can guide semantic learning using a similarity learning objective. To depict distribution shifts, we utilize spectral clustering and the silhouette coefficient to detect harmonic graphs, which the source model can easily classify. To reduce potential domain discrepancy, we extract domain-invariant subgraphs from inharmonic graphs by an adversarial edge sampling process, which guides the invariant learning of GNNs. Extensive experiments on several benchmark datasets demonstrate the effectiveness of our proposed RNA.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) در سازگاری دامنه نمودار به عملکرد چشمگیر رسیده اند.با این حال ، نمودارهای منبع گسترده می توانند در سناریوهای دنیای واقعی به دلیل نگرانی از حریم خصوصی و ذخیره سازی در دسترس نباشند.برای این منظور ، ما یک مشکل غیرقابل استفاده و در عین حال عملی از سازگاری دامنه نمودار بدون منبع را بررسی می کنیم ، که دانش را از مدل های منبع به جای نمودارهای منبع به یک دامنه هدف منتقل می کند.برای حل این مشکل ، ما یک رویکرد جدید مبتنی بر GNN به نام Rank and Align (RNA) را معرفی می کنیم ، که شباهت های نمودار را با سریال های طیفی برای یادگیری معناشناسی قوی رتبه بندی می کند ، و نمودارهای غیرقانونی را با نمودارهای هارمونیک که نزدیک به حوزه منبع برای استخراج زیرگراف است ، تراز می کند.به طور خاص ، برای غلبه بر کمبود برچسب ، ما از الگوریتم Seriation Seriation برای استنباط از رتبه بندی های زوج قوی استفاده می کنیم ، که می تواند یادگیری معنایی را با استفاده از یک هدف یادگیری شباهت راهنمایی کند.برای به تصویر کشیدن تغییرات توزیع ، ما از خوشه بندی طیفی و ضریب شباهت برای تشخیص نمودارهای هارمونیک استفاده می کنیم ، که مدل منبع به راحتی می تواند طبقه بندی کند.برای کاهش اختلافات احتمالی دامنه ، ما زیرگرافهای دامنه متغیر را از نمودارهای غیرقانونی توسط یک فرآیند نمونه برداری لبه مخالف ، که راهنمای یادگیری ثابت GNN ها را راهنمایی می کند ، استخراج می کنیم.آزمایش های گسترده در چندین مجموعه داده معیار نشان دهنده اثربخشی RNA پیشنهادی ما 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.