اکسپرس 24
ترجمه فارسی مقاله TSC: یک قید دوطرفه ساده در برابر هموارسازی بیش از حد

ترجمه فارسی مقاله TSC: یک قید دوطرفه ساده در برابر هموارسازی بیش از حد

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 TSC: A Simple Two-Sided Constraint against Over-Smoothing
عنوان مقاله به فارسی TSC: یک قید دوطرفه ساده در برابر هموارسازی بیش از حد
نویسندگان Furong Peng, Kang Liu, Xuan Lu, Yuhua Qian, Hongren Yan, Chao Ma
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 6 August, 2024; originally announced August 2024. , Comments: accept by KDD2024
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: قبول شده توسط KDD2024

قیمت: 19,000 تومان

سفارش

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

قیمت: 480,000 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

Graph Convolutional Neural Network (GCN), a widely adopted method for analyzing relational data, enhances node discriminability through the aggregation of neighboring information. Usually, stacking multiple layers can improve the performance of GCN by leveraging information from high-order neighbors. However, the increase of the network depth will induce the over-smoothing problem, which can be attributed to the quality and quantity of neighbors changing: (a) neighbor quality, node's neighbors become overlapping in high order, leading to aggregated information becoming indistinguishable, (b) neighbor quantity, the exponentially growing aggregated neighbors submerges the node's initial feature by recursively aggregating operations. Current solutions mainly focus on one of the above causes and seldom consider both at once. Aiming at tackling both causes of over-smoothing in one shot, we introduce a simple Two-Sided Constraint (TSC) for GCNs, comprising two straightforward yet potent techniques: random masking and contrastive constraint. The random masking acts on the representation matrix's columns to regulate the degree of information aggregation from neighbors, thus preventing the convergence of node representations. Meanwhile, the contrastive constraint, applied to the representation matrix's rows, enhances the discriminability of the nodes. Designed as a plug-in module, TSC can be easily coupled with GCN or SGC architectures. Experimental analyses on diverse real-world graph datasets verify that our approach markedly reduces the convergence of node's representation and the performance degradation in deeper GCN.

چکیده به فارسی (ترجمه ماشینی)

شبکه عصبی Convolutional Graph (GCN) ، روشی که به طور گسترده اتخاذ شده برای تجزیه و تحلیل داده های رابطه ای ، باعث افزایش تبعیض گره از طریق جمع آوری اطلاعات همسایه می شود.معمولاً انباشت چندین لایه می تواند با استفاده از اطلاعات از همسایگان مرتبه بالا ، عملکرد GCN را بهبود بخشد.با این حال ، افزایش عمق شبکه باعث ایجاد مشکل بیش از حد صاف می شود ، که می تواند به کیفیت و کمیت همسایگان در حال تغییر باشد: (الف) کیفیت همسایه ، همسایگان گره در مرتبه بالا همپوشانی می شوند و منجر به اطلاعات جمع شده قابل تشخیص نمی شوند ،(ب) مقدار همسایه ، همسایگان در حال رشد در حال رشد ، ویژگی اولیه گره را با عملیات جمع آوری بازگشتی زیر آب می کنند.راه حل های فعلی عمدتا بر یکی از دلایل فوق متمرکز است و به ندرت هر دو را به طور هم زمان در نظر می گیرد.با هدف مقابله با هر دو دلیل بیش از حد صاف در یک شات ، ما یک محدودیت ساده دو طرفه (TSC) را برای GCN ها معرفی می کنیم ، که شامل دو روش ساده و در عین حال قدرتمند است: ماسک تصادفی و محدودیت متضاد.نقاب زدن تصادفی در ستونهای ماتریس بازنمایی برای تنظیم میزان جمع آوری اطلاعات از همسایگان عمل می کند ، بنابراین از همگرایی بازنمایی گره جلوگیری می کند.در همین حال ، محدودیت متضاد ، اعمال شده در ردیف های ماتریس بازنمایی ، باعث افزایش تبعیض گره ها می شود.به عنوان یک ماژول افزونه طراحی شده است ، TSC را می توان به راحتی با معماری GCN یا SGC همراه کرد.تجزیه و تحلیل تجربی در مجموعه داده های گرافیکی متنوع در دنیای واقعی تأیید می کند که رویکرد ما به طور قابل توجهی همگرایی بازنمایی گره و تخریب عملکرد را در GCN عمیق تر کاهش می دهد.

📚 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.