ترجمه فارسی مقاله DELTA: بررسی سازگاری دوگانه با عدم قطعیت توپولوژیکی برای تطبیق دامنه گراف فعال

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی DELTA: Dual Consistency Delving with Topological Uncertainty for Active Graph Domain Adaptation
عنوان مقاله به فارسی DELTA: بررسی سازگاری دوگانه با عدم قطعیت توپولوژیکی برای تطبیق دامنه گراف فعال
نویسندگان Pengyun Wang, Yadi Cao, Chris Russell, Siyu Heng, Junyu Luo, Yanxin Shen, Xiao Luo
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Social and Information Networks,یادگیری ماشین , شبکه های اجتماعی و اطلاعاتی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 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 domain adaptation has recently enabled knowledge transfer across different graphs. However, without the semantic information on target graphs, the performance on target graphs is still far from satisfactory. To address the issue, we study the problem of active graph domain adaptation, which selects a small quantitative of informative nodes on the target graph for extra annotation. This problem is highly challenging due to the complicated topological relationships and the distribution discrepancy across graphs. In this paper, we propose a novel approach named Dual Consistency Delving with Topological Uncertainty (DELTA) for active graph domain adaptation. Our DELTA consists of an edge-oriented graph subnetwork and a path-oriented graph subnetwork, which can explore topological semantics from complementary perspectives. In particular, our edge-oriented graph subnetwork utilizes the message passing mechanism to learn neighborhood information, while our path-oriented graph subnetwork explores high-order relationships from substructures. To jointly learn from two subnetworks, we roughly select informative candidate nodes with the consideration of consistency across two subnetworks. Then, we aggregate local semantics from its K-hop subgraph based on node degrees for topological uncertainty estimation. To overcome potential distribution shifts, we compare target nodes and their corresponding source nodes for discrepancy scores as an additional component for fine selection. Extensive experiments on benchmark datasets demonstrate that DELTA outperforms various state-of-the-art approaches.

چکیده به فارسی (ترجمه ماشینی)

سازگاری دامنه نمودار اخیراً انتقال دانش را در نمودارهای مختلف فعال کرده است.با این حال ، بدون اطلاعات معنایی در نمودارهای هدف ، عملکرد در نمودارهای هدف هنوز از رضایت بخش دور است.برای پرداختن به مسئله ، ما مسئله سازگاری دامنه نمودار فعال را بررسی می کنیم ، که کمی از گره های آموزنده را در نمودار هدف برای حاشیه نویسی اضافی انتخاب می کند.این مشکل به دلیل روابط پیچیده توپولوژیکی و اختلاف توزیع در نمودارها بسیار چالش برانگیز است.در این مقاله ، ما یک رویکرد جدید به نام فداکاری دوگانه با عدم اطمینان توپولوژیکی (دلتا) برای سازگاری دامنه نمودار فعال پیشنهاد می کنیم.دلتای ما از یک زیر شبکه نمودار لبه گرا و یک زیر شبکه نمودار مسیر گرا تشکیل شده است که می تواند معانی توپولوژیکی را از دیدگاه های مکمل کشف کند.به طور خاص ، زیر شبکه نمودار لبه گرا ما از مکانیسم عبور پیام برای یادگیری اطلاعات محله استفاده می کند ، در حالی که زیر شبکه نمودار مسیر ما به بررسی روابط مرتبه بالا از زیر ساخت ها می پردازد.برای یادگیری مشترک از دو زیرزمین ، تقریباً گره های نامزد آموزنده را با در نظر گرفتن قوام در دو زیرزمین انتخاب می کنیم.سپس ، ما معناشناسی محلی را از زیرگراف K-HOP آن بر اساس درجه گره برای برآورد عدم اطمینان توپولوژیکی جمع می کنیم.برای غلبه بر تغییرات توزیع احتمالی ، ما گره های هدف و گره های منبع مربوط به آنها را برای نمرات اختلاف به عنوان یک مؤلفه اضافی برای انتخاب خوب مقایسه می کنیم.آزمایش های گسترده در مجموعه داده های معیار نشان می دهد که دلتا از رویکردهای مختلف پیشرفته بهتر عمل می کند.

📚 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.