إدماج الرسوم المعرفية باستخدام الت convolution المُتَوَسِّع والتعلم المتبقّي

تمثيل الرسم المعرفي يُعد مهمة مهمة، وسوف يُفيد العديد من التطبيقات التالية. في الوقت الحالي، تحقق الطرق القائمة على الشبكات العصبية العميقة أداءً متقدمًا للغاية. ومع ذلك، فإن معظم هذه الطرق الحالية معقدة جدًا وتتطلب وقتًا طويلاً في التدريب والاستنتاج. ولحل هذه المشكلة، نقترح طريقة بسيطة ولكن فعالة لتمثيل الرسم المعرفي تعتمد على التحويلات المُتَوَسِّعة (atrous convolutions). مقارنةً بالطرق المتقدمة الحالية، تتميز طريقة النموذج المقترح بالخصائص الرئيسية التالية: أولاً، تزيد بشكل فعّال من تفاعلات الميزات باستخدام التحويلات المُتَوَسِّعة. ثانيًا، لمعالجة مشكلة نسيان المعلومات الأصلية، ومشكلة تلاشي/انفجار المشتقات (vanishing/exploding gradient)، تستخدم الطريقة منهج التعلم المُتَبَقِّي (residual learning). ثالثًا، يتميز النموذج ببنية أبسط ولكنه أكثر كفاءة من حيث عدد المعاملات. تم تقييم النموذج المقترح على ستة مجموعات بيانات معيارية باستخدام مقاييس تقييم مختلفة. أظهرت التجارب الواسعة أن النموذج فعّال جدًا، حيث حقق نتائج أفضل من الطرق المتقدمة المُقارنة في معظم مقاييس التقييم على هذه المجموعات المتنوعة. يمكن العثور على الكود المصدري للنموذج على الرابط التالي: https://github.com/neukg/AcrE.