{Haibin Ling Yong Xu Xiaowei Liao}
الملخص
يُعد التوافيق الفائق أداة مفيدة للعثور على التوافق بين السمات من خلال أخذ المعلومات الهيكلية من الدرجة العليا بعين الاعتبار. في الآونة الأخيرة، أدى استخدام التعلم العميق إلى تقدم كبير في تطابق الرسوم البيانية، مما يوحي بإمكانات كبيرة في مجال الرسوم البيانية الفائقة. ولذلك، في هذه الورقة، نقدّم أول حل موحد، إلى أقصى معرفتنا، لشبكة عصبية فائقة (HNN) لتطابق الرسوم البيانية الفائقة. وبشكل محدد، بالنظر إلى رسمين فائقين يحتاجان إلى التوافق، نقوم أولاً ببناء رسم فائق ارتباطي بينهما، ونحول مسألة التوافق الفائق إلى مسألة تصنيف عقدة على الرسم الفائق الارتباطي. ثم، نصمم شبكة عصبية فائقة جديدة لحل فعّال لمسألة تصنيف العقد. وبما أن طريقة الاقتراح لدينا قابلة للتدريب النهاية-إلى-النهاية، فإنها تتعلم بشكل مشترك جميع مكوناتها مع تحسين عملية التحسين. وفيما يتعلق بالتقييم، تم اختبار HNN-HM على مجموعة متنوعة من المعايير، وأظهرت تفوقًا واضحًا على الحلول الحالية في الميدان.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| graph-matching-on-pascal-voc | HNN-HM | matching accuracy: 0.680 |
| graph-matching-on-willow-object-class | HNN-HM | matching accuracy: 0.968 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.