نُوى الانتشار: نُوى رسمية فعّالة مستمدة من معلومات مُنتَشِرة
{Kristian Kersting Marion Neumann Christian Bauckhage Roman Garnett}
الملخص
نُقدِّم ядَرَات الانتشار، وهي إطار عام لـالنُّوى الرسومية يُمكّن من قياس التشابه بين البيانات الهيكلية بشكل فعّال. تعتمد يدَرَات الانتشار على مراقبة كيفية انتشار المعلومات عبر مجموعة من الرسوم البيانية المعطاة. وتستفيد من التوزيعات المبكرة الناتجة عن أساليب الانتشار، مثل المشي العشوائي، لالتقاط المعلومات الهيكلية المُشفّرة في التسميات الخاصة بالعقد، والسمات، وبيانات الحواف. وهذا يُحقّق فائدة متعددة. أولاً، يمكن استخدام أساليب انتشار جاهزة لبناء نُوى طبيعية لعدة أنواع من الرسوم البيانية، بما في ذلك الرسوم البيانية المُسَمَّاة، جزئيًا مُسَمَّاة، غير مُسَمَّاة، موجهة، وذات سمات. ثانيًا، وباستغلال أساليب انتشار موجودة مسبقًا وفعّالة ومُفيدة، يمكن لـ"يدَرَات الانتشار" أن تكون أسرع بشكل كبير من الأساليب الرائدة حاليًا دون التضحية بأداء التنبؤ. كما سنُظهِر أنّه إذا كانت الرسوم البيانية تحت الدراسة تمتلك بنية منتظمة، كتلك التي تُستخدم في نمذجة بيانات الصور أو الفيديو، فمن الممكن استغلال هذه الانتظامية لتوسيع نطاق حساب النُّوى إلى قواعد بيانات ضخمة من الرسوم البيانية التي تحتوي على آلاف العقد. ونُدعم مساهماتنا من خلال تجارب شاملة على مجموعة من الرسوم البيانية الواقعية من مجالات تطبيقية متنوعة.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| graph-classification-on-dd | Propagation kernels (pk) | Accuracy: 78.8% |
| graph-classification-on-mutag | Propagation kernels (pk) | Accuracy: 84.5% |
| graph-classification-on-nci1 | Propagation kernels (pk) | Accuracy: 84.5% |
| graph-classification-on-nci109 | Propagation kernels (pk) | Accuracy: 83.5 |
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.