ترجمه فارسی مقاله یادگیری فعال آفلاین در نمودارها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Robust Offline Active Learning on Graphs
عنوان مقاله به فارسی یادگیری فعال آفلاین در نمودارها
نویسندگان Yuanchen Wu, Yubai Yuan
فرمت مقاله انگلیسی PDF
تعداد صفحات 34
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 15 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 15 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

We consider the problem of active learning on graphs, which has crucial applications in many real-world networks where labeling node responses is expensive. In this paper, we propose an offline active learning method that selects nodes to query by explicitly incorporating information from both the network structure and node covariates. Building on graph signal recovery theories and the random spectral sparsification technique, the proposed method adopts a two-stage biased sampling strategy that takes both informativeness and representativeness into consideration for node querying. Informativeness refers to the complexity of graph signals that are learnable from the responses of queried nodes, while representativeness refers to the capacity of queried nodes to control generalization errors given noisy node-level information. We establish a theoretical relationship between generalization error and the number of nodes selected by the proposed method. Our theoretical results demonstrate the trade-off between informativeness and representativeness in active learning. Extensive numerical experiments show that the proposed method is competitive with existing graph-based active learning methods, especially when node covariates and responses contain noises. Additionally, the proposed method is applicable to both regression and classification tasks on graphs.

چکیده به فارسی (ترجمه ماشینی)

ما مشکل یادگیری فعال را در نمودارها در نظر می گیریم ، که در بسیاری از شبکه های دنیای واقعی کاربردهای مهمی دارد که در آن پاسخ های گره برچسب زدن گران است.در این مقاله ، ما یک روش یادگیری فعال آفلاین را پیشنهاد می کنیم که گره ها را برای پرس و جو با صریح اطلاعات از ساختار شبکه و همبستگی گره انتخاب می کند.با تکیه بر تئوری های بازیابی سیگنال نمودار و تکنیک پاریسی سازی طیفی تصادفی ، روش پیشنهادی یک استراتژی نمونه گیری مغرضانه دو مرحله ای را اتخاذ می کند که هم اطلاعاتی و هم نمایندگی را برای پرس و جو گره در نظر می گیرد.اطلاع رسانی به پیچیدگی سیگنال های نمودار که از پاسخ گره های پرسیده شده قابل یادگیری هستند ، اشاره دارد ، در حالی که نمایندگی به ظرفیت گره های پرسیده شده برای کنترل خطاهای تعمیم داده شده با توجه به اطلاعات سطح گره ای پر سر و صدا اشاره دارد.ما یک رابطه نظری بین خطای تعمیم و تعداد گره های انتخاب شده با روش پیشنهادی برقرار می کنیم.نتایج نظری ما نشان دهنده تجارت بین اطلاع رسانی و نمایندگی در یادگیری فعال است.آزمایش های عددی گسترده نشان می دهد که روش پیشنهادی با روشهای یادگیری فعال مبتنی بر نمودار موجود رقابت می کند ، به ویژه هنگامی که متغیرهای متغیر گره و پاسخ ها حاوی سر و صدایی هستند.علاوه بر این ، روش پیشنهادی برای هر دو کار رگرسیون و طبقه بندی در نمودارها کاربرد دارد.

📚 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.