ترجمه فارسی مقاله یادگیری متضاد نمودار برنامه درسی چند وظیفه ای با راهنمای آنتروپی خوشه بندی

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 Multi-Task Curriculum Graph Contrastive Learning with Clustering Entropy Guidance
عنوان مقاله به فارسی یادگیری متضاد نمودار برنامه درسی چند وظیفه ای با راهنمای آنتروپی خوشه بندی
نویسندگان Chusheng Zeng, Bocheng Wang, Jinghui Yuan, Rong Wang, Mulin Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 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

Recent advances in unsupervised deep graph clustering have been significantly promoted by contrastive learning. Despite the strides, most graph contrastive learning models face challenges: 1) graph augmentation is used to improve learning diversity, but commonly used random augmentation methods may destroy inherent semantics and cause noise; 2) the fixed positive and negative sample selection strategy is limited to deal with complex real data, thereby impeding the model's capability to capture fine-grained patterns and relationships. To reduce these problems, we propose the Clustering-guided Curriculum Graph contrastive Learning (CCGL) framework. CCGL uses clustering entropy as the guidance of the following graph augmentation and contrastive learning. Specifically, according to the clustering entropy, the intra-class edges and important features are emphasized in augmentation. Then, a multi-task curriculum learning scheme is proposed, which employs the clustering guidance to shift the focus from the discrimination task to the clustering task. In this way, the sample selection strategy of contrastive learning can be adjusted adaptively from early to late stage, which enhances the model's flexibility for complex data structure. Experimental results demonstrate that CCGL has achieved excellent performance compared to state-of-the-art competitors.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در خوشه بندی نمودار عمیق بدون نظارت با یادگیری متضاد به طور قابل توجهی ارتقا یافته است.با وجود گام ها ، بیشتر مدل های یادگیری متضاد نمودار با چالش هایی روبرو هستند: 1) افزایش نمودار برای بهبود تنوع یادگیری استفاده می شود ، اما معمولاً روشهای تقویت تصادفی ممکن است معانی ذاتی را از بین ببرد و باعث ایجاد سر و صدا شود.2) استراتژی انتخاب نمونه مثبت و منفی ثابت برای مقابله با داده های پیچیده واقعی محدود است ، در نتیجه مانع از توانایی مدل برای گرفتن الگوهای و روابط ریز دانه می شود.برای کاهش این مشکلات ، ما چارچوب برنامه درسی برنامه درسی با هدایت خوشه بندی (CCGL) را پیشنهاد می کنیم.CCGL از آنتروپی خوشه بندی به عنوان راهنمایی تقویت نمودار زیر و یادگیری متضاد استفاده می کند.به طور خاص ، با توجه به آنتروپی خوشه بندی ، لبه های داخل کلاس و ویژگی های مهم در تقویت تأکید می شود.سپس ، یک طرح یادگیری برنامه درسی چند وظیفه ای ارائه شده است که از راهنمایی خوشه بندی برای تغییر تمرکز از کار تبعیض به کار خوشه بندی استفاده می کند.به این ترتیب ، استراتژی انتخاب نمونه از یادگیری متضاد می تواند به صورت تطبیقی ​​از مرحله اولیه تا اواخر تنظیم شود ، که باعث افزایش انعطاف پذیری مدل برای ساختار داده های پیچیده می شود.نتایج تجربی نشان می دهد که CCGL در مقایسه با رقبای پیشرفته به عملکرد عالی رسیده 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.