ترجمه فارسی مقاله HyperSMOTE: یک رویکرد نمونه برداری بیش از حد مبتنی بر هایپرگراف برای طبقه بندی گره های نامتعادل

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 HyperSMOTE: A Hypergraph-based Oversampling Approach for Imbalanced Node Classifications
عنوان مقاله به فارسی HyperSMOTE: یک رویکرد نمونه برداری بیش از حد مبتنی بر هایپرگراف برای طبقه بندی گره های نامتعادل
نویسندگان Ziming Zhao, Tiehua Zhang, Zijian Yi, Zhishu Shen
فرمت مقاله انگلیسی PDF
تعداد صفحات 5
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 9 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 9 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

Hypergraphs are increasingly utilized in both unimodal and multimodal data scenarios due to their superior ability to model and extract higher-order relationships among nodes, compared to traditional graphs. However, current hypergraph models are encountering challenges related to imbalanced data, as this imbalance can lead to biases in the model towards the more prevalent classes. While the existing techniques, such as GraphSMOTE, have improved classification accuracy for minority samples in graph data, they still fall short when addressing the unique structure of hypergraphs. Inspired by SMOTE concept, we propose HyperSMOTE as a solution to alleviate the class imbalance issue in hypergraph learning. This method involves a two-step process: initially synthesizing minority class nodes, followed by the nodes integration into the original hypergraph. We synthesize new nodes based on samples from minority classes and their neighbors. At the same time, in order to solve the problem on integrating the new node into the hypergraph, we train a decoder based on the original hypergraph incidence matrix to adaptively associate the augmented node to hyperedges. We conduct extensive evaluation on multiple single-modality datasets, such as Cora, Cora-CA and Citeseer, as well as multimodal conversation dataset MELD to verify the effectiveness of HyperSMOTE, showing an average performance gain of 3.38% and 2.97% on accuracy, respectively.

چکیده به فارسی (ترجمه ماشینی)

به دلیل توانایی برتر آنها در مدل سازی و استخراج روابط مرتبه بالاتر در بین گره ها ، در مقایسه با نمودارهای سنتی ، به طور فزاینده ای در هر دو سناریو داده های Unimodal و Multimodal مورد استفاده قرار می گیرد.با این حال ، مدلهای ابرگرافی فعلی با چالش های مربوط به داده های نامتعادل روبرو هستند ، زیرا این عدم تعادل می تواند منجر به تعصب در مدل به سمت کلاس های شیوع تر شود.در حالی که تکنیک های موجود ، مانند Graphsmote ، دقت طبقه بندی را برای نمونه های اقلیت در داده های نمودار بهبود بخشیده اند ، اما هنگام پرداختن به ساختار منحصر به فرد از ابرگرافها ، هنوز هم کوتاه می آیند.با الهام از مفهوم Smote ، ما Hypersmote را به عنوان راه حلی برای کاهش مسئله عدم تعادل کلاس در یادگیری هایپرگراف پیشنهاد می کنیم.این روش شامل یک فرآیند دو مرحله ای است: در ابتدا سنتز گره های کلاس اقلیت ، و به دنبال آن ادغام گره ها در هایپرگراف اصلی.ما گره های جدید را بر اساس نمونه های کلاس های اقلیت و همسایگان آنها سنتز می کنیم.در عین حال ، به منظور حل مشکل در ادغام گره جدید در Hypergraph ، ما یک رمزگشایی را بر اساس ماتریس بروز Hypergraph اصلی آموزش می دهیم تا به طور تطبیقی ​​گره تقویت شده را به Hyperedges مرتبط کنیم.ما ارزیابی گسترده ای را در چندین مجموعه داده تک ماده ، مانند CORA ، CORA-CA و CITESEER و همچنین مجموعه داده های مکالمه چند حالته انجام می دهیم تا اثربخشی HyperSmote را تأیید کنیم ، به ترتیب افزایش عملکرد 3.38 ٪ و 2.97 ٪ در صحت را نشان می دهد.بشر

📚 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.