ترجمه فارسی مقاله گراف شبکه توجه سه گانه: دیدگاه جدا شده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Graph Triple Attention Network: A Decoupled Perspective
عنوان مقاله به فارسی گراف شبکه توجه سه گانه: دیدگاه جدا شده
نویسندگان Xiaotang Wang, Yun Zhu, Haizhou Shi, Yongchao Liu, Chuntao Hong
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 14 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 14 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

Graph Transformers (GTs) have recently achieved significant success in the graph domain by effectively capturing both long-range dependencies and graph inductive biases. However, these methods face two primary challenges: (1) multi-view chaos, which results from coupling multi-view information (positional, structural, attribute), thereby impeding flexible usage and the interpretability of the propagation process. (2) local-global chaos, which arises from coupling local message passing with global attention, leading to issues of overfitting and over-globalizing. To address these challenges, we propose a high-level decoupled perspective of GTs, breaking them down into three components and two interaction levels: positional attention, structural attention, and attribute attention, alongside local and global interaction. Based on this decoupled perspective, we design a decoupled graph triple attention network named DeGTA, which separately computes multi-view attentions and adaptively integrates multi-view local and global information. This approach offers three key advantages: enhanced interpretability, flexible design, and adaptive integration of local and global information. Through extensive experiments, DeGTA achieves state-of-the-art performance across various datasets and tasks, including node classification and graph classification. Comprehensive ablation studies demonstrate that decoupling is essential for improving performance and enhancing interpretability. Our code is available at: https://github.com/wangxiaotang0906/DeGTA

چکیده به فارسی (ترجمه ماشینی)

ترانسفورماتورهای نمودار (GTS) اخیراً با گرفتن مؤثر وابستگی های دوربرد و تعصبات القایی نمودار ، در حوزه نمودار موفقیت قابل توجهی کسب کرده اند.با این حال ، این روش ها با دو چالش اصلی روبرو هستند: (1) هرج و مرج چند منظره ، که ناشی از اتصال اطلاعات چند منظره (موقعیتی ، ساختاری ، ویژگی) است ، از این طریق مانع استفاده انعطاف پذیر و تفسیر فرایند انتشار می شود.(2) هرج و مرج محلی و جهانی ، که ناشی از جفت شدن پیام محلی با توجه جهانی است و منجر به موضوعات بیش از حد و بیش از حد گلوبال می شود.برای پرداختن به این چالش ها ، ما یک دیدگاه جداشده سطح بالا از GTS را پیشنهاد می کنیم ، و آنها را به سه مؤلفه و دو سطح تعامل تقسیم می کنیم: توجه موقعیتی ، توجه ساختاری و توجه نسبت به آن ، در کنار تعامل محلی و جهانی.بر اساس این دیدگاه جداشده ، ما یک شبکه توجه گرافیکی جدا شده به نام DEGTA را طراحی می کنیم ، که به طور جداگانه توجه چند منظره را محاسبه می کند و اطلاعات محلی و جهانی چند منظوره را ادغام می کند.این رویکرد سه مزیت اصلی را ارائه می دهد: تفسیر پیشرفته ، طراحی انعطاف پذیر و ادغام تطبیقی ​​اطلاعات محلی و جهانی.از طریق آزمایش های گسترده ، DEGTA به عملکرد پیشرفته در بین مجموعه داده ها و وظایف مختلف ، از جمله طبقه بندی گره و طبقه بندی نمودار می رسد.مطالعات جامع فرسایش نشان می دهد که جداشدگی برای بهبود عملکرد و تقویت تفسیر ضروری است.کد ما در: https://github.com/wangxiaotang0906/degta در دسترس 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.