تعلم التمثيل المقارن للتنبؤ بالروابط الديناميكية في الشبكات الزمنية

الشبكات المتغيرة هي بنية بيانات معقدة تظهر في مجموعة واسعة من الأنظمة في العلوم والهندسة. تعتبر تعلم التمثيلات التعبيرية لهذه الشبكات، والتي ترميز الاتصال الهيكلي وتطورها الزمني، ضرورية لتطبيقات التحليلات البيانات والتعلم الآلي اللاحقة. في هذه الدراسة، نقدم طريقة ذاتية الإشراف لتعلم تمثيلات الشبكات الزمنية واستخدام هذه التمثيلات في مهمة التنبؤ بالروابط الديناميكية. بينما يتم عادةً تعريف الشبكات الزمنية كسلسلة من التفاعلات على مدى المجال الزمني المستمر، فإن دراستنا تركز على إصداراتها الزمنية المنفصلة. هذا يمكّننا من الموازنة بين المساومة بين التعقيد الحسابي ونمذجة دقيقة للتفاعلات. نقترح معمارية شبكة عصبية متكررة للرسائل لنمذجة تدفق المعلومات عبر المسارات التي تحترم الوقت في الشبكات الزمنية. الميزة الرئيسية لطرقنا هي هدف التدريب المقارن للنموذج، وهو مزيج من ثلاث دوال خسارة: التنبؤ بالروابط، وإعادة بناء الرسم البياني، وخسارة الترميز التنبؤي المقارن. يتم تنفيذ هدف الترميز التنبؤي المقارن باستخدام خسائر infoNCE (infoNCE losses) على مستويات محلية وعالمية للمخططات الدخول. أظهرنا بشكل تجريبي أن الخسائر الذاتية الإشراف الإضافية تعزز عملية التدريب وتحسن أداء النموذج في مهمة التنبؤ بالروابط الديناميكية. تم اختبار الطريقة المقترحة على مجموعات بيانات Enron وCOLAB وFacebook وأظهرت نتائج أفضل مقارنة بالأنماط الموجودة.请注意，我已经尽量保持了翻译的专业性和准确性，同时确保了表达的流畅性和正式性。如果您有任何特定术语需要进一步确认或有其他要求，请告知我。