Submitted 20 August, 2024; v1 submitted 8 August, 2024; originally announced August 2024. , Journal ref: Advances in Neural Information Processing Systems 36 (2024)
توضیحات به فارسی
20 اوت 2024 ارسال شد.V1 ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، مجله Ref: پیشرفت در سیستم های پردازش اطلاعات عصبی 36 (2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Inductive relation prediction (IRP) -- where entities can be different during training and inference -- has shown great power for completing evolving knowledge graphs. Existing works mainly focus on using graph neural networks (GNNs) to learn the representation of the subgraph induced from the target link, which can be seen as an implicit rule-mining process to measure the plausibility of the target link. However, these methods cannot differentiate the target link and other links during message passing, hence the final subgraph representation will contain irrelevant rule information to the target link, which reduces the reasoning performance and severely hinders the applications for real-world scenarios. To tackle this problem, we propose a novel \textit{single-source edge-wise} GNN model to learn the \textbf{R}ule-induc\textbf{E}d \textbf{S}ubgraph represen\textbf{T}ations (\textbf{REST}), which encodes relevant rules and eliminates irrelevant rules within the subgraph. Specifically, we propose a \textit{single-source} initialization approach to initialize edge features only for the target link, which guarantees the relevance of mined rules and target link. Then we propose several RNN-based functions for \textit{edge-wise} message passing to model the sequential property of mined rules. REST is a simple and effective approach with theoretical support to learn the \textit{rule-induced subgraph representation}. Moreover, REST does not need node labeling, which significantly accelerates the subgraph preprocessing time by up to \textbf{11.66$\times$}. Experiments on inductive relation prediction benchmarks demonstrate the effectiveness of our REST. Our code is available at https://github.com/smart-lty/REST.
چکیده به فارسی (ترجمه ماشینی)
پیش بینی رابطه القایی (IRP) - در جایی که اشخاص در طول آموزش و استنباط می توانند متفاوت باشند - برای تکمیل نمودارهای دانش در حال تحول قدرت بسیار خوبی را نشان داده است.آثار موجود عمدتا بر استفاده از شبکه های عصبی نمودار (GNN) برای یادگیری بازنمایی زیرگراف ناشی از پیوند هدف متمرکز شده است ، که می تواند به عنوان یک فرآیند روانگردان ضمنی برای اندازه گیری محتمل پیوند هدف تلقی شود.با این حال ، این روش ها نمی توانند پیوند هدف و سایر پیوندها را هنگام ارسال پیام متمایز کنند ، از این رو نمایندگی زیرگراف نهایی حاوی اطلاعات قانون بی ربط به پیوند هدف خواهد بود ، که باعث کاهش عملکرد استدلال می شود و برنامه های مربوط به سناریوهای دنیای واقعی را به شدت مانع می کند.برای مقابله با این مشکل ، ما یک رمان \ textit {تک منبع Edge-Wise} gnn را پیشنهاد می کنیم تا \ textbf {r} ule-induc \ textbf {e} d \ textbf {s} ubgraph \ textbf {t} را بیاموزیم.Ations (\ TextBf {REST}) ، که قوانین مربوطه را رمزگذاری می کند و قوانین بی ربط را در زیرگراف از بین می برد.به طور خاص ، ما یک رویکرد اولیه سازی \ textit {Single-Source را پیشنهاد می کنیم تا ویژگی های EDGE را فقط برای پیوند هدف قرار دهیم ، که ارتباط قوانین استخراج شده و پیوند هدف را تضمین می کند.سپس ما چندین کارکرد مبتنی بر RNN را برای پیام \ textit {Edge-wis} ارسال می کنیم تا از مدل خاصیت پی در پی قوانین معدن استفاده کنیم.REST یک رویکرد ساده و مؤثر با پشتیبانی نظری برای یادگیری \ textit repreation بازنمایی زیرگراف ناشی از قاعده است.علاوه بر این ، REST نیازی به برچسب زدن گره ندارد ، که به طور قابل توجهی زمان پیش پردازش زیرگراف را تا حداکثر \ textbf {11.66 $ \ برابر $ $ تسریع می کند.آزمایشات مربوط به معیارهای پیش بینی رابطه القایی نشان دهنده اثربخشی استراحت ما است.کد ما در https://github.com/smart-lty/rest 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
