HyperAIHyperAI

Command Palette

Search for a command to run...

التعلم القوي للبيانات الرسمية من خلال التمثيل التوافقي المخفي للرسم

Bo Jiang; Ziyan Zhang; Bin Luo

الملخص

تمكنت تمثيلات التجميع الرسومي (GCR) من تحقيق أداء ملحوظ في تمثيل بيانات الرسم البياني. ومع ذلك، فإن معظم التمثيلات الحالية لـ GCR تُعرَّف على الرسم البياني المدخل الثابت، مما قد يحد من قدرة التمثيل ويجعلها عرضة لهجمات الهيكل والضوضاء. لحل هذه المشكلة، نقترح تمثيلاً تجميعياً رسومياً خفياً جديداً (LatGCR) للتمثيل والتعلم القوي لبيانات الرسم البياني. يتم اشتقاق LatGCR من خلال إعادة صياغة تمثيل التجميع الرسومي من وجهة نظر إعادة بناء الجوار الرسومي. بالنظر إلى رسم بياني مدخل A\textbf{A}A، يهدف LatGCR إلى إنشاء رسم بياني خفي مرنا A~\widetilde{\textbf{A}}A للتمثيل التجميعي الرسومي، مما يعزز بشكل واضح قدرة التمثيل ويؤدي بشكل قوي فيما يتعلق بهجمات هيكل الرسم البياني والضوضاء. بالإضافة إلى ذلك، يتم تنفيذ LatGCR بطريقة ذاتية الإشراف، وبالتالي فهو يقدم كتلة أساسية لكل من المهام التعليمية المرقابة وغير المرقابة للرسم البياني. تُظهر التجارب على عدة مجموعات بيانات فعالية وقوة LatGCR.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp