اکسپرس 24
ترجمه فارسی مقاله DyGMamba: مدل‌سازی کارآمد وابستگی زمانی بلندمدت روی گراف‌های پویای زمان پیوسته با مدل‌های فضای حالت

ترجمه فارسی مقاله DyGMamba: مدل‌سازی کارآمد وابستگی زمانی بلندمدت روی گراف‌های پویای زمان پیوسته با مدل‌های فضای حالت

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی DyGMamba: Efficiently Modeling Long-Term Temporal Dependency on Continuous-Time Dynamic Graphs with State Space Models
عنوان مقاله به فارسی DyGMamba: مدل‌سازی کارآمد وابستگی زمانی بلندمدت روی گراف‌های پویای زمان پیوسته با مدل‌های فضای حالت
نویسندگان Zifeng Ding, Yifeng Li, Yuan He, Antonio Norelli, Jingcheng Wu, Volker Tresp, Yunpu Ma, Michael Bronstein
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: Preprint. Work on progress
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: preprint.روی پیشرفت کار کنید

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 800,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Learning useful representations for continuous-time dynamic graphs (CTDGs) is challenging, due to the concurrent need to span long node interaction histories and grasp nuanced temporal details. In particular, two problems emerge: (1) Encoding longer histories requires more computational resources, making it crucial for CTDG models to maintain low computational complexity to ensure efficiency; (2) Meanwhile, more powerful models are needed to identify and select the most critical temporal information within the extended context provided by longer histories. To address these problems, we propose a CTDG representation learning model named DyGMamba, originating from the popular Mamba state space model (SSM). DyGMamba first leverages a node-level SSM to encode the sequence of historical node interactions. Another time-level SSM is then employed to exploit the temporal patterns hidden in the historical graph, where its output is used to dynamically select the critical information from the interaction history. We validate DyGMamba experimentally on the dynamic link prediction task. The results show that our model achieves state-of-the-art in most cases. DyGMamba also maintains high efficiency in terms of computational resources, making it possible to capture long temporal dependencies with a limited computation budget.

چکیده به فارسی (ترجمه ماشینی)

یادگیری بازنمایی های مفید برای نمودارهای دینامیکی زمان مداوم (CTDG) به دلیل نیاز همزمان به دهانه تعامل طولانی گره و درک جزئیات زمانی ظریف ، چالش برانگیز است.به طور خاص ، دو مشکل پدیدار می شوند: (1) رمزگذاری تاریخچه های طولانی تر به منابع محاسباتی بیشتری نیاز دارد ، و این باعث می شود که مدل های CTDG برای حفظ پیچیدگی محاسباتی پایین برای اطمینان از کارآیی بسیار مهم باشند.(2) در همین حال ، برای شناسایی و انتخاب مهمترین اطلاعات زمانی در زمینه گسترده ارائه شده توسط تاریخ های طولانی تر ، به مدل های قدرتمند تری نیاز است.برای پرداختن به این مشکلات ، ما یک مدل یادگیری بازنمایی CTDG به نام Dygmamba را پیشنهاد می کنیم که از مدل فضایی محبوب Mamba State (SSM) سرچشمه می گیرد.Dygmamba برای اولین بار از SSM سطح گره استفاده می کند تا دنباله تعامل گره تاریخی را رمزگذاری کند.یکی دیگر از SSM در سطح زمان برای بهره برداری از الگوهای زمانی پنهان در نمودار تاریخی استفاده می شود ، جایی که از خروجی آن برای انتخاب پویا اطلاعات مهم از تاریخ تعامل استفاده می شود.ما Dygmamba را به صورت تجربی در مورد کار پیش بینی پیوند پویا تأیید می کنیم.نتایج نشان می دهد که مدل ما در اکثر موارد به پیشرفته ترین پیشرفت می رسد.Dygmamba همچنین از نظر منابع محاسباتی راندمان بالایی را حفظ می کند ، و این امکان را فراهم می کند که وابستگی های زمانی طولانی را با بودجه محاسبات محدود ضبط کنید.

📚 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.