ترجمه فارسی مقاله به سمت چند شبکه عصبی نمودار خود تصویربرداری چند عکس

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Towards Few-shot Self-explaining Graph Neural Networks
عنوان مقاله به فارسی به سمت چند شبکه عصبی نمودار خود تصویربرداری چند عکس
نویسندگان Jingyu Peng, Qi Liu, Linan Yue, Zaixi Zhang, Kai Zhang, Yunhao Sha
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
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

Recent advancements in Graph Neural Networks (GNNs) have spurred an upsurge of research dedicated to enhancing the explainability of GNNs, particularly in critical domains such as medicine. A promising approach is the self-explaining method, which outputs explanations along with predictions. However, existing self-explaining models require a large amount of training data, rendering them unavailable in few-shot scenarios. To address this challenge, in this paper, we propose a Meta-learned Self-Explaining GNN (MSE-GNN), a novel framework that generates explanations to support predictions in few-shot settings. MSE-GNN adopts a two-stage self-explaining structure, consisting of an explainer and a predictor. Specifically, the explainer first imitates the attention mechanism of humans to select the explanation subgraph, whereby attention is naturally paid to regions containing important characteristics. Subsequently, the predictor mimics the decision-making process, which makes predictions based on the generated explanation. Moreover, with a novel meta-training process and a designed mechanism that exploits task information, MSE-GNN can achieve remarkable performance on new few-shot tasks. Extensive experimental results on four datasets demonstrate that MSE-GNN can achieve superior performance on prediction tasks while generating high-quality explanations compared with existing methods. The code is publicly available at https://github.com/jypeng28/MSE-GNN.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در شبکه های عصبی نمودار (GNN) باعث افزایش روند تحقیقات اختصاص داده شده برای تقویت توضیحات GNN ها ، به ویژه در حوزه های بحرانی مانند پزشکی شده است.یک رویکرد امیدوار کننده روش خود توضیح است که توضیحات را به همراه پیش بینی ها ارائه می دهد.با این حال ، مدل های خود توضیح موجود به مقدار زیادی از داده های آموزشی نیاز دارند و آنها را در سناریوهای چند شات در دسترس نیست.برای پرداختن به این چالش ، در این مقاله ، ما یک GNN خود توضیح داده شده متا (MSE-GNN) را پیشنهاد می کنیم ، یک چارچوب جدید که توضیحاتی را برای پشتیبانی از پیش بینی ها در تنظیمات چند شات ایجاد می کند.MSE-GNN یک ساختار خود توضیح دو مرحله ای ، متشکل از یک توضیح دهنده و یک پیش بینی کننده را اتخاذ می کند.به طور خاص ، توضیح دهنده ابتدا از مکانیسم توجه انسان برای انتخاب زیرگراف توضیحات تقلید می کند ، به موجب آن به طور طبیعی توجه به مناطقی که حاوی ویژگی های مهم هستند ، توجه می شود.پس از آن ، پیش بینی کننده روند تصمیم گیری را تقلید می کند ، که پیش بینی ها را بر اساس توضیحات تولید شده انجام می دهد.علاوه بر این ، با یک فرآیند جدید تر آموزش و یک مکانیزم طراحی شده که از اطلاعات کار سوء استفاده می کند ، MSE-GNN می تواند در کارهای چند عکس جدید به عملکرد قابل توجهی برسد.نتایج تجربی گسترده در چهار مجموعه داده نشان می دهد که MSE-GNN می تواند در حالی که توضیحات با کیفیت بالا را در مقایسه با روش های موجود تولید می کند ، عملکرد برتر را در کارهای پیش بینی بدست آورد.این کد به صورت عمومی در https://github.com/jypeng28/mse-gnn 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.