اکسپرس 24
ترجمه فارسی مقاله PSNE: الگوریتم‌های پراکندگی طیفی کارآمد برای مقیاس‌بندی جاسازی شبکه

ترجمه فارسی مقاله PSNE: الگوریتم‌های پراکندگی طیفی کارآمد برای مقیاس‌بندی جاسازی شبکه

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 PSNE: Efficient Spectral Sparsification Algorithms for Scaling Network Embedding
عنوان مقاله به فارسی PSNE: الگوریتم‌های پراکندگی طیفی کارآمد برای مقیاس‌بندی جاسازی شبکه
نویسندگان Longlong Lin, Yunfeng Yu, Zihao Wang, Zeli Wang, Yuying Zhao, Jin Zhao, Tao Jia
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

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

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

Network embedding has numerous practical applications and has received extensive attention in graph learning, which aims at mapping vertices into a low-dimensional and continuous dense vector space by preserving the underlying structural properties of the graph. Many network embedding methods have been proposed, among which factorization of the Personalized PageRank (PPR for short) matrix has been empirically and theoretically well supported recently. However, several fundamental issues cannot be addressed. (1) Existing methods invoke a seminal Local Push subroutine to approximate textit{a single} row or column of the PPR matrix. Thus, they have to execute $n$ ($n$ is the number of nodes) Local Push subroutines to obtain a provable PPR matrix, resulting in prohibitively high computational costs for large $n$. (2) The PPR matrix has limited power in capturing the structural similarity between vertices, leading to performance degradation. To overcome these dilemmas, we propose PSNE, an efficient spectral stextbf{P}arsification method for textbf{S}caling textbf{N}etwork textbf{E}mbedding, which can fast obtain the embedding vectors that retain strong structural similarities. Specifically, PSNE first designs a matrix polynomial sparser to accelerate the calculation of the PPR matrix, which has a theoretical guarantee in terms of the Frobenius norm. Subsequently, PSNE proposes a simple but effective multiple-perspective strategy to enhance further the representation power of the obtained approximate PPR matrix. Finally, PSNE applies a randomized singular value decomposition algorithm on the sparse and multiple-perspective PPR matrix to get the target embedding vectors. Experimental evaluation of real-world and synthetic datasets shows that our solutions are indeed more efficient, effective, and scalable compared with ten competitors.

چکیده به فارسی (ترجمه ماشینی)

تعبیه شبکه دارای برنامه های کاربردی بیشماری است و در یادگیری گراف توجه گسترده ای را به خود جلب کرده است ، که هدف آن نقشه برداری از رئوس ها در فضای وکتور متراکم کم و مداوم با حفظ خصوصیات ساختاری اساسی نمودار است.بسیاری از روشهای تعبیه شده شبکه ارائه شده است ، که از جمله این فاکتورسازی ماتریس شخصی PageRank (PPR برای کوتاه) به تازگی از نظر تجربی و نظری به خوبی پشتیبانی شده است.با این حال ، به چندین موضوع اساسی نمی توان رسیدگی کرد..بنابراین ، آنها برای به دست آوردن یک ماتریس PPR قابل اثبات ، باید $ n $ ($ n $ تعداد گره ها) را اجرا کنند ، و در نتیجه هزینه های محاسباتی بسیار بالایی برای بزرگ $ N $ ایجاد می شود.(2) ماتریس PPR قدرت محدودی در ضبط شباهت ساختاری بین راس ها دارد و منجر به تخریب عملکرد می شود.برای غلبه بر این معضلات ، ما PSNE را پیشنهاد می کنیم ، یک روش کارآمد S TextBF {P} برای TextBf {S} Caling textBf {n} etwork textBf {e} mdeddشباهت های ساختاری.به طور خاص ، PSNE ابتدا یک اسپارسر چند جمله ای ماتریس را برای تسریع در محاسبه ماتریس PPR ، که از نظر هنجار Frobenius یک ضمانت نظری دارد ، طراحی می کند.پس از آن ، PSNE یک استراتژی ساده اما مؤثر چند ساله برای افزایش قدرت بازنمایی ماتریس تقریبی PPR به دست آمده ارائه می دهد.سرانجام ، PSNE یک الگوریتم تجزیه و تحلیل ارزش مفرد تصادفی را بر روی ماتریس PPR پراکنده و چند منظوره برای به دست آوردن بردارهای تعبیه شده هدف اعمال می کند.ارزیابی تجربی مجموعه داده های دنیای واقعی و مصنوعی نشان می دهد که راه حل های ما در واقع در مقایسه با ده رقیب کارآمدتر ، مؤثر و مقیاس پذیر هستند.

📚 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.