Submitted 17 September, 2024; originally announced September 2024. , Comments: This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
توضیحات به فارسی
ارسال شده 17 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این کار برای انتشار احتمالی به IEEE ارسال شده است.حق چاپ ممکن است بدون اطلاع قبلی منتقل شود ، پس از آن ممکن است این نسخه دیگر در دسترس نباشد
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
Deep neural networks (DNNs) have demonstrated remarkable performance across various domains, yet their application to temporal graph regression tasks faces significant challenges regarding interpretability. This critical issue, rooted in the inherent complexity of both DNNs and underlying spatio-temporal patterns in the graph, calls for innovative solutions. While interpretability concerns in Graph Neural Networks (GNNs) mirror those of DNNs, to the best of our knowledge, no notable work has addressed the interpretability of temporal GNNs using a combination of Information Bottleneck (IB) principles and prototype-based methods. Our research introduces a novel approach that uniquely integrates these techniques to enhance the interpretability of temporal graph regression models. The key contributions of our work are threefold: We introduce the \underline{G}raph \underline{IN}terpretability in \underline{T}emporal \underline{R}egression task using \underline{I}nformation bottleneck and \underline{P}rototype (GINTRIP) framework, the first combined application of IB and prototype-based methods for interpretable temporal graph tasks. We derive a novel theoretical bound on mutual information (MI), extending the applicability of IB principles to graph regression tasks. We incorporate an unsupervised auxiliary classification head, fostering multi-task learning and diverse concept representation, which enhances the model bottleneck's interpretability. Our model is evaluated on real-world traffic datasets, outperforming existing methods in both forecasting accuracy and interpretability-related metrics.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی عمیق (DNN) عملکرد قابل توجهی را در حوزه های مختلف نشان داده اند ، اما کاربرد آنها در کارهای رگرسیون نمودار زمانی با چالش های قابل توجهی در مورد تفسیر روبرو است.این مسئله مهم ، ریشه در پیچیدگی ذاتی DNN ها و الگوهای زیرزمینی فضایی و زمانی در نمودار ، خواستار راه حل های نوآورانه است.در حالی که نگرانی های تفسیر در شبکه های عصبی نمودار (GNN) آینه های DNN ها را نشان می دهد ، به بهترین دانش ما ، هیچ کار قابل توجهی با استفاده از ترکیبی از اصول تنگنای اطلاعات (IB) و روش های مبتنی بر نمونه اولیه ، تفسیر GNN های موقتی را بررسی نکرده است.تحقیقات ما یک رویکرد جدید را معرفی می کند که منحصر به فرد این تکنیک ها را برای تقویت تفسیر مدل های رگرسیون نمودار زمانی ادغام می کند.سهم اصلی کار ما سه گانه است: ما \ underline {g} raph \ underline {in} terreption را در \ underline {t} emporal \ underline {r} کار با استفاده از \ underline} nformation bottleneck و \ underline {معرفی می کنیم.چارچوب P} Rototype (GINTRIP) ، اولین کاربرد ترکیبی از روشهای IB و نمونه اولیه برای کارهای نمودار زمانی قابل تفسیر.ما یک نظری جدید به اطلاعات متقابل (MI) می پردازیم و کاربردی اصول IB را در کارهای رگرسیون نمودار گسترش می دهیم.ما یک سر طبقه بندی کمکی بدون نظارت ، تقویت یادگیری چند کاره و بازنمایی مفهومی متنوع را در بر می گیریم ، که باعث افزایش تفسیر تنگنای مدل می شود.مدل ما در مجموعه داده های ترافیک در دنیای واقعی ارزیابی می شود ، و از روشهای موجود در هر دو دقت پیش بینی و معیارهای مربوط به تفسیر 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.
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
