اکسپرس 24
ترجمه فارسی مقاله HGOE: آشکارسازی داده‌های پرت گراف ترکیبی خارجی و داخلی برای تشخیص خارج از توزیع گراف

ترجمه فارسی مقاله HGOE: آشکارسازی داده‌های پرت گراف ترکیبی خارجی و داخلی برای تشخیص خارج از توزیع گراف

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 HGOE: Hybrid External and Internal Graph Outlier Exposure for Graph Out-of-Distribution Detection
عنوان مقاله به فارسی HGOE: آشکارسازی داده‌های پرت گراف ترکیبی خارجی و داخلی برای تشخیص خارج از توزیع گراف
نویسندگان Junwei He, Qianqian Xu, Yangbangyan Jiang, Zitai Wang, Yuchen Sun, Qingming Huang
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 31 July, 2024; originally announced July 2024. , Comments: Proceedings of the 32nd ACM International Conference on Multimedia
توضیحات به فارسی ارسال 31 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد. ، نظرات: مجموعه مقالات 32 کنفرانس بین المللی ACM در مورد چندرسانه ای

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 400,000 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

With the progressive advancements in deep graph learning, out-of-distribution (OOD) detection for graph data has emerged as a critical challenge. While the efficacy of auxiliary datasets in enhancing OOD detection has been extensively studied for image and text data, such approaches have not yet been explored for graph data. Unlike Euclidean data, graph data exhibits greater diversity but lower robustness to perturbations, complicating the integration of outliers. To tackle these challenges, we propose the introduction of textbf{H}ybrid External and Internal textbf{G}raph textbf{O}utlier textbf{E}xposure (HGOE) to improve graph OOD detection performance. Our framework involves using realistic external graph data from various domains and synthesizing internal outliers within ID subgroups to address the poor robustness and presence of OOD samples within the ID class. Furthermore, we develop a boundary-aware OE loss that adaptively assigns weights to outliers, maximizing the use of high-quality OOD samples while minimizing the impact of low-quality ones. Our proposed HGOE framework is model-agnostic and designed to enhance the effectiveness of existing graph OOD detection models. Experimental results demonstrate that our HGOE framework can significantly improve the performance of existing OOD detection models across all 8 real datasets.

چکیده به فارسی (ترجمه ماشینی)

با پیشرفت های مترقی در یادگیری نمودار عمیق ، تشخیص خارج از توزیع (OOD) برای داده های نمودار به عنوان یک چالش مهم ظاهر شده است.در حالی که اثربخشی مجموعه داده های کمکی در تقویت تشخیص OOD به طور گسترده برای داده های تصویر و متن مورد مطالعه قرار گرفته است ، چنین رویکردهایی هنوز برای داده های نمودار مورد بررسی قرار نگرفته است.بر خلاف داده های اقلیدسی ، داده های نمودار دارای تنوع بیشتری هستند اما استحکام کمتری نسبت به آشفتگی ها دارند و ادغام محیط زیست را پیچیده می کنند.برای مقابله با این چالش ها ، ما معرفی textbf {h} ybrid خارجی و داخلی textbf {g} raph textbf {o} utlier textbf {e} xposure (hGoe) را برای بهبود عملکرد تشخیص نمودار پیشنهاد می کنیم.چارچوب ما شامل استفاده از داده های نمودار خارجی واقع بینانه از دامنه های مختلف و سنتز کردن فضای داخلی داخلی در زیر گروه های ID برای پرداختن به استحکام ضعیف و حضور نمونه های OOD در کلاس ID است.علاوه بر این ، ما یک از دست دادن OE آگاهی از مرز را ایجاد می کنیم که به طور تطبیقی ​​وزنه ها را به خارج از کشور اختصاص می دهد ، و به حداکثر رساندن استفاده از نمونه های با کیفیت بالا و در عین حال به حداقل رساندن تأثیر نمونه های با کیفیت پایین.چارچوب HGOE پیشنهادی ما مدل-آگنوستیک است و به منظور تقویت اثربخشی مدل های تشخیص نمودار موجود طراحی شده است.نتایج تجربی نشان می دهد که چارچوب HGOE ما می تواند عملکرد مدل های تشخیص OOD موجود را در هر 8 مجموعه داده واقعی بهبود بخشد.

📚 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.