ترجمه فارسی مقاله RSEA-MVGNN: شبکه عصبی نمودار چند منظوره با تقویت ساختاری قابل اعتماد و تجمع

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی RSEA-MVGNN: Multi-View Graph Neural Network with Reliable Structural Enhancement and Aggregation
عنوان مقاله به فارسی RSEA-MVGNN: شبکه عصبی نمودار چند منظوره با تقویت ساختاری قابل اعتماد و تجمع
نویسندگان Junyu Chen, Long Shi, Badong Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
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 Neural Networks (GNNs) have exhibited remarkable efficacy in learning from multi-view graph data. In the framework of multi-view graph neural networks, a critical challenge lies in effectively combining diverse views, where each view has distinct graph structure features (GSFs). Existing approaches to this challenge primarily focus on two aspects: 1) prioritizing the most important GSFs, 2) utilizing GNNs for feature aggregation. However, prioritizing the most important GSFs can lead to limited feature diversity, and existing GNN-based aggregation strategies equally treat each view without considering view quality. To address these issues, we propose a novel Multi-View Graph Neural Network with Reliable Structural Enhancement and Aggregation (RSEA-MVGNN). Firstly, we estimate view-specific uncertainty employing subjective logic. Based on this uncertainty, we design reliable structural enhancement by feature de-correlation algorithm. This approach enables each enhancement to focus on different GSFs, thereby achieving diverse feature representation in the enhanced structure. Secondly, the model learns view-specific beliefs and uncertainty as opinions, which are utilized to evaluate view quality. Based on these opinions, the model enables high-quality views to dominate GNN aggregation, thereby facilitating representation learning. Experimental results conducted on five real-world datasets demonstrate that RSEA-MVGNN outperforms several state-of-the-art GNN-based methods.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) اثربخشی قابل توجهی در یادگیری از داده های نمودار چند منظره نشان داده اند.در چارچوب شبکه های عصبی نمودار چند منظره ، یک چالش مهم در ترکیب مؤثر نماهای متنوع است ، جایی که هر نمای دارای ویژگی های ساختار نمودار مجزا (GSFS) است.رویکردهای موجود برای این چالش در درجه اول بر دو جنبه متمرکز است: 1) اولویت بندی مهمترین GSF ها ، 2) استفاده از GNN برای جمع بندی ویژگی ها.با این حال ، اولویت بندی مهمترین GSF ها می تواند منجر به تنوع ویژگی محدود شود ، و استراتژی های جمع آوری مبتنی بر GNN موجود به طور مساوی با هر دیدگاه بدون در نظر گرفتن کیفیت نمای رفتار می کنند.برای پرداختن به این موضوعات ، ما یک شبکه عصبی چند منظوره جدید با تقویت ساختاری قابل اعتماد و تجمع (RSEA-MVGNN) را پیشنهاد می کنیم.اولا ، ما عدم اطمینان خاص را با استفاده از منطق ذهنی تخمین می زنیم.بر اساس این عدم قطعیت ، ما با الگوریتم مشخصه همبستگی ویژگی ، پیشرفت ساختاری قابل اعتماد را طراحی می کنیم.این رویکرد هر پیشرفت را قادر می سازد تا روی GSF های مختلف متمرکز شود و از این طریق به بازنمایی ویژگی های متنوع در ساختار پیشرفته دست یابد.ثانیا ، این مدل باورهای خاص و عدم اطمینان را به عنوان عقاید یاد می گیرد ، که برای ارزیابی کیفیت مشاهده استفاده می شود.بر اساس این عقاید ، این مدل دیدگاه های با کیفیت بالا را قادر به تسلط بر جمع بندی GNN می کند و از این طریق یادگیری بازنمایی را تسهیل می کند.نتایج تجربی انجام شده در پنج مجموعه داده در دنیای واقعی نشان می دهد که RSEA-MVGNN از چندین روش پیشرفته مبتنی بر GNN بهتر 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.