HyperAIHyperAI
منذ 2 أشهر

GraphMDN: استغلال بنية الرسم البياني والتعلم العميق لحل المشكلات العكسية

Oikarinen, Tuomas P. ; Hannah, Daniel C. ; Kazerounian, Sohrob
GraphMDN: استغلال بنية الرسم البياني والتعلم العميق لحل المشكلات العكسية
الملخص

تم تقديم شبكات العصبونات الرسومية (GNNs) مؤخرًا وازدياد شعبيتها في السنوات القليلة الماضية، مما مكّن من تطبيق خوارزميات التعلم العميق على البيانات ذات الهيكل الرسومي غير الأقليدي. حققت شبكات العصبونات الرسومية نتائجًا رائدة في مجموعة مpressive من مشاكل التعلم الآلي القائمة على الرسوم البيانية. ومع ذلك، رغم سرعة تطورها، ركز الكثير من العمل حول شبكات العصبونات الرسومية بشكل كبير على تقنيات تصنيف الرسوم البيانية وإدماجها، مع إهمال كبير للمهام الانحدارية على بيانات الرسم البياني. في هذا البحث، نطور شبكة كثافة مزيج رسومية (GraphMDN)، التي تجمع بين شبكات العصبونات الرسومية ومخرجات شبكة كثافة المزيج (MDN). بفضل الجمع بين هذه التقنيات، فإن شبكات الكثافة المزيج الرسومية تتمتع بميزة القدرة على دمج المعلومات ذات الهيكل الرسومي بشكل طبيعي في البنية العصبية، بالإضافة إلى قدرتها على نمذجة أهداف الانحدار متعددة الأوضاع. وبذلك,则 تم تصميم GraphMDNs للتفوق في المهام الانحدارية حيث تكون البيانات ذات هيكل رسومي، وتكون إحصائيات الهدف ممثلة بشكل أفضل بواسطة مزيج من الكثافات بدلاً من قيم فردية (المشكلات المعكوسة). لتقديم هذا الدليل، قمنا بتوسيع بنية GNN قائمة تُعرف باسم Semantic GCN (SemGCN) إلى بنية GraphMDN، وأظهرنا النتائج من مهمة تقدير الوضع البشري Human3.6M. يتفوق النموذج الموسع باستمرار على كل من هياكل GCN و MDN بمفردهما مع عدد مparable من المعلمات.注:在最后一句中,“则”字在阿拉伯语中没有直接对应的词语,因此在翻译时被省略了,以使句子更加通顺。同时,“可比的”在这里翻译为“mcomparable”,这是为了适应阿拉伯语的拼写规则。正确的拼写应该是“Comparable”。以下是修正后的版本:يتفوق النموذج الموسع باستمرار على كل من هياكل GCN و MDN بمفردهما مع عدد معparable من المعلمات.然而,为了确保准确性,建议使用以下最终版本:يتفوق النموذج الموسع باستمرار على كل من هياكل GCN و MDN بمفردهما مع عدد مparable (Comparable) من المعلمات.