```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Waandishi: 
 
 
 
 
 
 
 
 Zhen Peng Wenbing Huang Minnan Luo Qinghua Zheng Yu Rong Tingyang Xu Junzhou Huang MUHTASARI Utajiri wa maudhui ya mitandao mbalimbali ya taarifa kama vile mitandao ya kijamii na mitandao ya mawasiliano hutoa uwezo usio na kifani wa kujifunza uwakilishi wa hali ya juu bila usimamizi wa nje. Karatasi hii inachunguza jinsi ya kuhifadhi na kutoa taarifa nyingi kutoka kwa data yenye muundo wa grafu hadi kwenye nafasi ya kuweka vipimo kwa njia isiyo ya usimamizi. Kwa lengo hili, tunapendekeza dhana mpya, Graphical Mutual Information (GMI), kupima uhusiano kati ya grafu za pembejeo na uwakilishi wa hali ya juu uliofichwa. GMI huongeza wazo la hesabu za kawaida za habari za pande mbili kutoka nafasi ya vekta hadi kwenye kikoa cha grafu ambapo kupima habari za pande mbili kutoka pande mbili za vipengele vya nodi na muundo wa topografia ni muhimu sana. GMI inaonyesha faida kadhaa: Kwanza, haina uhusiano na mabadiliko ya isomorphic ya grafu za pembejeo - kizuizi kisichoepukika katika algoriti nyingi za sasa za kujifunza uwakilishi wa grafu; Kando na hilo, inaweza kukadiriwa kwa ufanisi na kuongezeka kwa mbinu za sasa za kukadiria habari za pande mbili kama vile MINE; Hatimaye, uchambuzi wetu wa kinadharia unathibitisha usahihi na uhalali wake. Kwa msaada wa GMI, tunatengeneza mfumo wa kujifunza usio na usimamizi unaofunzwa kwa kuongeza GMI kati ya pembejeo na matokeo ya kihifadhi cha neural cha grafu. Majaribio makubwa juu ya uainishaji wa nodi unaoendelea na unaojitokeza na utabiri wa kiungo yanaonyesha kuwa njia yetu inazidi njia bora za ushindani zisizo na usimamizi, na wakati mwingine hata huzidi utendaji wa zile zenye usimamizi. 1      UTANGULIZI Ili kufikia uchambuzi wa kuaminika wa nambari kwa mitandao mbalimbali ya taarifa, kujifunza uwakilishi wa hali ya juu kwa data yenye muundo wa grafu kumegeuka kuwa moja ya mada za kuvutia za sasa. Njia za hivi majuzi kuelekea lengo hili, kwa kawaida huainishwa kama Graph Neural Networks (GNNs), zimefanya maendeleo ya ajabu katika kazi nyingi za kujifunza, kama vile uainishaji wa nodi [ ,  ,  ], utabiri wa kiungo [ ,  ,  ], mpangilio wa grafu [ ,  ,  ], utengenezaji wa molekuli [ ,  ,  ], na zinginezo. Licha ya maendeleo yenye matunda, kufunza GNNs katika mbinu zilizopo kwa kawaida huhitaji aina fulani ya usimamizi. Bila shaka, taarifa za kuweka lebo ni ghali kupata—alama za mwongozo au kulipa kwa ruhusa, na hata haiwezekani kupata kwa sababu ya sera ya faragha. Bila kutaja kwamba uaminifu wa lebo zilizotolewa wakati mwingine ni wa kutiliwa shaka. Kwa hivyo, jinsi ya kufikia uwakilishi wa hali ya juu wa grafu bila usimamizi inakuwa muhimu kwa kazi nyingi za vitendo, ambayo inahamasisha utafiti wa karatasi hii. 35 42 50 26 27 49 12 19 43 4 5 46 Kupitia kuchunguza kwa uangalifu data yetu ya muundo wa grafu iliyokusanywa, tunapata kuwa kwa ujumla hutoka kwa vyanzo mbalimbali kama vile mitandao ya kijamii, mitandao ya nukuu, na mitandao ya mawasiliano ambapo kiasi kikubwa cha taarifa za maudhui na muunganisho zipo. Kwa mfano, data kwenye majukwaa mengi ya kijamii kama vile Twitter, Flickr, na Facebook hujumuisha vipengele vya watumiaji,  ., maelezo ya msingi ya kibinafsi, maandishi, picha, IP, na mahusiano yao,  ., kununua bidhaa sawa, kuwa marafiki. Data hizi nyingi za maudhui zinatosha kusaidia kazi za uchimbaji zinazofuata bila mwongozo wa ziada: ikiwa viumbe viwili vinaonyesha kufanana sana kwa vipengele, kuna uwezekano mkubwa wa kiungo kati yao (utabiri wa kiungo), na zinawezekana kuwa za kategoria sawa (uainishaji); ikiwa viumbe viwili vyote vinahusiana na kiumbe kimoja, vinaweza kuwa na sifa zinazofanana (mapendekezo). Kwa maana hii, kuhifadhi na kutoa taarifa nyingi iwezekanavyo kutoka kwa mitandao ya taarifa hadi kwenye nafasi ya kuweka vipimo husaidia kujifunza uwakilishi wa hali ya juu unaoonyesha utendaji unaohitajika katika kazi za uchimbaji bila aina yoyote ya usimamizi. Kujifunza uwakilishi wa grafu usio na usimamizi ni chaguo linalofaa zaidi katika hali nyingi kwa sababu ya uhuru kutoka kwa lebo, hasa tunapotaka kunufaika na data kubwa isiyo na lebo iliyo ulimwenguni. km km Ili kurithi kikamilifu taarifa nyingi katika grafu, katika karatasi hii, tunafanya upachikaji wa grafu kulingana na kuongeza habari za pande mbili (MI) kwa msukumo kutoka kwa mafanikio ya majaribio ya mbinu ya Deep Info-Max [ ] ambayo hufanya kazi kwenye picha. Ili kugundua uwakilishi unaofaa, Deep InfoMax hufunza kihifadhi kuongeza MI kati ya pembejeo zake ( ., picha) na matokeo ( ., vekta zilizofichwa). Tunapozingatia Deep InfoMax katika kikoa cha grafu, jiwe la kwanza tunalohitaji kupitia ni jinsi ya kufafanua MI kati ya grafu na vekta zilizofichwa, wakati muundo wa topografia wa grafu ni ngumu zaidi kuliko picha (ona Mchoro   Moja ya changamoto ni kuhakikisha kwamba kazi ya MI kati ya vipengele vya siri vya nodi na vipengele vya jirani vinavyoingia vinatii sifa ya ulinganifu, au sawa, haionyeshi mabadiliko ya majirani. Kama kazi moja ya hivi majuzi inayozingatia MI, Deep Graph Infomax (DGI) [ ] kwanza huweka grafu ya pembejeo na grafu iliyoharibiwa inayolingana, kisha hufupisha grafu ya pembejeo kama vekta kupitia kazi ya kusoma, hatimaye huongeza MI kati ya vekta hii ya muhtasari na uwakilishi uliofichwa kwa kutofautisha grafu ya pembejeo (sampuli chanya) kutoka kwa grafu iliyoharibiwa (sampuli hasi). Mchoro   unatoa maelezo ya jumla yanayoeleweka kwa urahisi ya DGI. Kuongeza aina hii ya MI kunathibitishwa kuwa sawa na kuongeza ile kati ya vipengele vya nodi za pembejeo na vekta zilizofichwa, lakini usawa huu unashikilia chini ya masharti kadhaa yaliyowekwa mapema,  ., kazi ya kusoma inapaswa kuwa injective, ambayo bado inaonekana kuwa na vikwazo vingi katika kesi halisi. Hata kama tunaweza kuhakikisha kuwepo kwa kazi ya kusoma injective kwa muundo fulani,  ., ile inayotumiwa katika DeepSets [ ], uwezo wa kuingiza wa kazi ya kusoma pia huathiriwa na jinsi vigezo vyake vinavyofunzwa. Hiyo ni kusema kwamba kazi ya kuingiza awali bado ina hatari ya kuwa isiyoingiza ikiwa inafunzwa bila usimamizi wowote wa nje. Na ikiwa kazi ya kusoma sio injective, taarifa ya grafu ya pembejeo iliyomo kwenye vekta ya muhtasari itapungua kadiri ukubwa wa grafu unavyoongezeka. Zaidi ya hayo, DGI inakaa katika kuongeza MI kwa kiwango cha jumla cha grafu/kiraka. Kwa hivyo katika DGI, hakuna dhamana kwamba kihifadhi kinaweza kutoa taarifa za kutosha kutoka kwa data ya pembejeo kwani kamwe hakihusishi kwa uangalifu uwakilishi uliofichwa na pembejeo zao asili. 20 yaani yaani 1). 41 1 km km 47 Katika karatasi hii, tunapendekeza njia ya moja kwa moja zaidi ya kuzingatia MI kuhusiana na miundo ya grafu bila kutumia kazi yoyote ya kusoma na kazi ya uharibifu. Tunatoa moja kwa moja MI kwa kulinganisha pembejeo ( ., grafu ndogo inayojumuisha ukaribu wa pembejeo) na matokeo ( ., uwakilishi uliofichwa wa kila nodi) ya kihifadhi. Na kwa kushangaza, michoro yetu ya kinadharia inaonyesha kuwa MI iliyoundwa moja kwa moja inaweza kugawanywa katika jumla yenye uzito wa MI za ndani kati ya kila kipengele cha jirani na vekta iliyofichwa. Kwa njia hii, tumegawanya vipengele vya pembejeo na kufanya hesabu ya MI kuwa rahisi. Zaidi ya hayo, fomu hii ya MI inaweza kukidhi kwa urahisi sifa ya ulinganifu ikiwa tutarekebisha maadili ya uzito. Tunafafanua maelezo zaidi katika §   Kwa kuwa MI hapo juu hupimwa zaidi katika kiwango cha vipengele vya nodi, tunaiita Feature Mutual Information (FMI). yaani yaani 3.1. Masuala mawili yaliyobaki kuhusu FMI:   uzani wa kuchanganya bado haujulikani na   haizingatii topografia ( ., vipengele vya kingo). Ili kushughulikia masuala haya mawili zaidi, tunafafanua kipimo chetu cha Graphical Mutual Information (GMI) kulingana na FMI. Hasa, GMI hutumia mgao wa thamani wa angavu kwa kuweka uzani katika FMI sawa na ukaribu kati ya kila jirani na nodi lengwa katika nafasi ya uwakilishi. Kuhusu kuhifadhi taarifa za topografia, GMI zaidi huhusiana uzani huu na vipengele vya kingo za pembejeo kupitia kipengele cha ziada cha habari za pande mbili. GMI inayotokana haina uhusiano na topografia na pia inaweza kuhesabiwa na Mbinu za Kukadiria Habari za Neural (MINE)   Michango mikuu ya kazi yetu ni kama ifuatavyo: 1. 2. yaani [2]. •    : Tunapanua makadirio ya kawaida ya MI kwa kikoa cha grafu na kupendekeza dhana mpya ya Graphical Mutual Information (GMI) ipasavyo. GMI haina hatari inayoweza kutokea inayotokana na kazi ya kusoma kwani inazingatia MI kati ya grafu za pembejeo na vipengee vya hali ya juu kwa muundo wa moja kwa moja. Dhana •    : Kupitia uchambuzi wetu wa kinadharia, tunatoa fomu ya GMI inayoweza kuhesabiwa na kuhesabika ambayo hugawanya GMI nzima katika jumla yenye uzito wa MI za ndani. Kwa msaada wa mbinu ya MINE, kuongeza GMI kunaweza kufikiwa kwa urahisi katika kiwango cha nodi. Algoriti •    : Tunathibitisha ufanisi wa GMI kwenye majukumu maarufu ya uainishaji wa nodi na utabiri wa kiungo ikiwa ni pamoja na yale yanayoendelea na yanayojitokeza. Majaribio yanaonyesha kuwa njia yetu inatoa utendaji unaowezekana kwenye aina mbalimbali za vigezo vya kumbukumbu na wakati mwingine hata inazidi zile zenye usimamizi. Matokeo ya Majaribio 2      KAZI ZINAZOHUSIANA Kwa kuzingatia mwelekeo wa kazi yetu, tunapitia kwa ufupi kazi za awali katika maeneo mawili yafuatayo:   makadirio ya habari za pande mbili, na   mitandao ya neural kwa ajili ya kujifunza uwakilishi juu ya grafu. 1. 2. . Kama kanuni ya InfoMax [ ] inapendekeza kuongeza MI kati ya pembejeo na matokeo ya mitandao ya neural, mbinu nyingi kama vile algoriti za ICA [ ,  ] hujitahidi kutumia wazo la MI katika kujifunza vipengele visivyo vya usimamizi. Hata hivyo, mbinu hizi haziwezi kupanuliwa kwa mitandao ya neural ya kina kwa urahisi kutokana na ugumu wa kuhesabu MI kati ya vigezo vinavyoendelea vya vipimo vingi. Kwa bahati nzuri, Makadirio ya Habari za Pande Mbili za Neural (MINE) [ ] hufanya makadirio ya MI kwenye mitandao ya neural ya kina kuwa rahisi kupitia kufunza mtandao wa takwimu kama msimamizi wa kutofautisha sampuli zinazotoka kwa usambazaji wa pamoja na bidhaa ya pembejeo za vigezo viwili vya nasibu. Hasa, MINE hutumia fomula halisi ya KL ya MI, wakati mbadala usio wa KL, utofauti wa Jensen-Shannon (JSD) [ ], unaweza kutumiwa bila wasiwasi juu ya thamani kamili ya MI. Makadirio ya habari za pande mbili 3 1 21 2 30 . Kwa maendeleo ya haraka ya graph neural networks (GNNs), idadi kubwa ya algoriti za kujifunza uwakilishi wa grafu kulingana na GNNs zimependekezwa katika miaka ya hivi karibuni, ambazo zinaonyesha utendaji wenye nguvu kuliko mbinu za jadi za msingi wa matembezi ya kawaida na uchanganuzi [ ,  ,  ,  ,  ]. Kwa kawaida, mbinu hizi zinaweza kugawanywa katika makundi yenye usimamizi na yasiyo ya usimamizi. Kati yao, kuna fasihi tajiri juu ya kujifunza uwakilishi wenye usimamizi juu ya grafu [ ,  ,  ,  ,  ]. Licha ya tofauti zao katika muundo wa mtandao, wanafikia mafanikio ya majaribio kwa msaada wa lebo ambazo mara nyingi haziwezi kupatikana katika hali halisi. Katika kesi hii, mbinu za kujifunza grafu zisizo na usimamizi [ ,  ,  ] zina uwezo mpana wa kutumiwa. Njia inayojulikana ni GraphSAGE [ ], mfumo unaojitokeza kufunza GNNs na lengo la msingi wa matembezi ya nasibu katika mpangilio wake usio na usimamizi. Na hivi karibuni, DGI [ ] hutumia wazo la kuongeza MI kwa kikoa cha grafu na hupata utendaji wenye nguvu kwa muundo usio na usimamizi. Hata hivyo, DGI hutekeleza ongezeko la utendaji wa kiwango kikubwa ( ., kuongeza MI katika kiwango cha grafu/kiraka) ambayo inafanya kuwa vigumu kuhifadhi taarifa dhaifu katika grafu ya pembejeo. Zaidi ya hayo, masharti yaliyowekwa kwenye kazi ya kusoma inayotumiwa katika DGI yanaonekana kuwa na vikwazo vingi katika kesi halisi. Kinyume chake, tunalenga kuondoa vikwazo vya kazi ya kusoma na kufikia kuongeza kwa michoro ya habari za pande mbili katika kiwango cha nodi kwa kuongeza moja kwa moja MI kati ya pembejeo na matokeo ya kihifadhi. Uwakilishi uliotokana na njia yetu ni wa kisasa zaidi katika kuhifadhi taarifa za grafu ya pembejeo, ambayo inahakikisha uwezo wake kwa kazi za uchimbaji wa grafu za baadaye,  ., uainishaji wa nodi, utabiri wa kiungo, na mapendekezo. Mitandao ya neural kwa ajili ya kujifunza uwakilishi wa grafu 6 15 33 34 39 7 9 25 40 48 11 16 41 16 41 yaani km 3      HABARI YA MICHORO: UFafanUZI NA KUONGEZWA Kabla ya kuendelea zaidi, kwanza tunatoa dhana za awali zinazotumiwa katika karatasi hii. Hebu G = (V, E) iweke alama grafu yenye nodi     ∈ V na kingo   = (  ,   ) ∈ E. Vipengele vya nodi, na usambazaji wa uwezekano wa majaribio uliodhanishwa P, hutolewa na   ∈ N vi eij vi vj X R  ×  = {  1, · · · ,   } ambapo   ∈ R  huashiria kipengele cha nodi   . Jedwali la ukaribu   ∈ R  ×  huwakilisha miunganisho ya kingo, ambapo   inayohusishwa na kingo   inaweza kuwa nambari halisi au vekta yenye vipimo vingi1. N D x x N xi D vi A N N Aij eij Lengo la kujifunza uwakilishi wa grafu ni kujifunza kihifadhi   : R  ×  × R  ×  → R  × ′ , ili vekta zilizofichwa   = { 1, · · · ,   } =   (  ,  ) zionyeshe uwakilishi wa kiwango cha juu kwa nodi zote. Mchakato wa kuhifadhi unaweza kuandikwa tena kwa fomu ya nodi kwa nodi. f N D N N N D H h hN f X A Ili kuonyesha hili, tunafafanua   na   kwa nodi   kama vipengele vya majirani zake na jedwali la ukaribu linalolingana Xi Ai i kulingana na majirani. Hasa,   huunganisha majirani wote wa k-hop wa   na   ≤   wakati kihifadhi   ni kihifadhi cha GNN cha   -safu, na huunganisha nodi   yenyewe ikiwa tutaongeza zaidi vipande vya kujitegemea kwenye jedwali la ukaribu. Hapa, tunaita grafu ndogo iliyopanuliwa na   na   kama   kwa nodi  , iliyoashiriwa na G  . Kwa ufafanuzi wa grafu saidizi, uhifadhi kwa kila nodi huwa   =   (G  ) =   (  ,   ). Xi vi k l f l i Xi Ai grafu saidizi i i hi f i f Xi Ai  Katika Deep InfoMax [ ], lengo la kufunza la kihifadhi ni kuongeza MI kati ya pembejeo na matokeo yake. MI inakadiriwa kwa kutumia mtandao wa takwimu kama dhihiri ili kutofautisha sampuli zinazotoka kwa usambazaji wa pamoja na zile zinazotokana na bidhaa za pembejeo. Kwa kawaida, tunapoleta wazo la Deep InfoMax kwenye grafu, tunapaswa kuongeza MI kati ya uwakilishi   na grafu saidizi G  kwa kila nodi. Tunaashiria MI ya michoro kama hiyo kama   (  ; G  ). Hata hivyo, si rahisi kufafanua I (hi ; Gi ). Matatizo ni: Matatizo katika kufafanua habari za pande mbili za michoro. 20 hi i I hi i •   MI ya michoro inapaswa kuwa haina uhusiano na nambari ya nodi. Kwa maneno mengine, tunapaswa kuwa na   (  ; G  ) =   (  ; G′  ), ikiwa G  na G′  ni isomorphic kwa kila mmoja. I hi i I hi i i i •   Ikiwa tutatumia mbinu ya MINE kwa hesabu ya MI, dhihiri katika MINE hupokea tu pembejeo za saizi maalum. Hii bado haiwezekani kwa G  kwani G  mbalimbali kwa kawaida hujumuisha idadi tofauti ya nodi na hivyo huwa na saizi tofauti. i i Ili kushughulikia suala la kufafanua habari za pande mbili za michoro, sehemu hii huanza kwa kuanzisha dhana ya Feature Mutual Information (FMI) ambayo hutegemea tu vipengele vya nodi. Kwenye msukumo kutoka kwa mgao wa FMI, kisha tunafafanua Graphical Mutual Information (GMI), ambayo inachukua vipengele vya nodi na 3.1      HABARI YA VIPENGELE Tunaashiria usambazaji wa uwezekano wa majaribio wa vipengele vya nodi   kama  (  ), uwezekano wa   kama  (  ), na usambazaji wa pamoja na  (  ​,   ). Kulingana na nadharia ya habari, MI kati ya   na   imefafanuliwa kama Xi p Xi hi p hi p hi Xi hi Xi Kwa kushangaza, tuna nadharia ifuatayo ya mgao wa habari za pande mbili kwa ajili ya kuhesabu   (  ;   ). I hi Xi Theorem 1 (Mutual Information Decomposition).  (  |  )   (  ;   )      Ikiwa uwezekano wa masharti p hi Xi ni multiplicative (ona ufafanuzi wa multiplicative katika [ ]), habari za pande mbili za kimataifa I 36 hi Xi iliyofafanuliwa katika Eq. (1) inaweza kugawanywa kama jumla yenye uzito wa MI za ndani, yaani.,      ≤   ≤ 1  ambapo, xj ni jirani wa j wa nodi i, in ni idadi ya vipengele vyote katika Xi , na uzito wij unatimiza 1 wij kwa kila j. Ili kuthibitisha nadharia hapo juu, kwanza tunatoa lemma mbili na ufafanuzi. Lemma 1.  Kwa vigezo vyovyote vya nasibu X, Y , na Z, tunayo Na mgao katika Theorem   tunaweza kuhesabu upande wa kulia wa Eq.   kupitia MINE kwani pembejeo za dhihiri sasa huwa jozi za (  ,   ) ambazo saizi yake huendelea kuwa sawa ( .,   ′-by- ). Zaidi ya hayo, tunaweza kurekebisha uzito ili kuonyesha mabadiliko ya isomorphic ya grafu za pembejeo. Kwa mfano, ikiwa   huunganisha tu majirani wa kiwango cha moja wa nodi  , kuweka uzito wote kuwa sawa kutasababisha MI sawa kwa nodi za pembejeo katika maagizo tofauti. 1, (2) hi xj yaani D D Xi i Licha ya baadhi ya faida za mgao, ni vigumu kuonyesha maadili kamili ya uzito kwani yanahusiana na maadili ya   (  ;   ) na usambazaji wao wa uwezekano wa msingi. I hi xj Njia ya trivial ni kuweka uzito wote kuwa     , kisha kuongeza upande wa kulia wa Eq.   kunalingana na kuongeza kikomo cha chini cha   (  ;   ), kwa njia ambayo FMI halisi pia huongezeka kwa kiwango fulani. Kando na mbinu hii, tunatoa zaidi suluhisho la kuimarishwa kwa kuzingatia uzito kama marekebisho yanayoweza kufunzwa, ambayo ni mada katika sehemu ndogo inayofuata. 1 (2) I hi Xi  Kwa msukumo kutoka kwa mgao katika Theorem   tunajaribu kuunda uzito unaoweza kufunzwa kutoka upande mwingine wa grafu ( ., 3.2      HABARI AMBAYO INAJALIWA NA TOFAUTI 1, yaani mtazamo wa topografia) ili maadili ya   yaweze kubadilika zaidi na kukamata sifa ya asili ya grafu. Hatimaye tunatoa ufafanuzi wa Graphical Mutual Information (GMI). wij Ufafanuzi 2 (Graphical Mutual Information).   G = (  ,   )  MI kati ya vekta iliyofichwa h na grafu yake saidizi X A imefafanuliwa kama ambapo ufafanuzi wa xj na in ni sawa na Theorem 1, aij ni uzito/kipengele cha kingo katika jedwali la ukaribu A, na σ (·) ni kazi ya sigmoid. Kwa angavu, uzito wij katika sehemu ya kwanza ya Eq. (10) hupima  mnachukuliwa katika majaribio ni bila uzito. Rasmi, tunahesabu I (wij ; aij ) = aijloдwij + (1 − aij )loд(1 − wij ). (12) Kwa kuongeza I (hi ; Gi ) na jumla ya Eq. (11) na Eq. (12) juu ya vekta zote zilizofichwa H , tunafikia kazi yetu kamili ya lengo kwa  mchango wa MI ya ndani kwa ile ya kimataifa. Tunatekeleza mchango wa I (hi ; xj ) kwa kufanana kati ya uwakilishi hi na hj (yaani., wij = σ (hThj )). Wakati huo huo, kipengele cha I (wij ; aij ) huongeza MI kati ya wij na uzito/kipengele cha kingo za grafu ya pembejeo (yaani., aij ) ili kulazimisha wij kufuata uhusiano wa topografia. Kwa maana hii, kiwango cha mchango kitakuwa sawa na ukaribu katika muundo wa topografia, ambao kwa ujumla unakubaliwa kama ukweli kwamba wij inaweza kuwa kubwa ikiwa nodi j ni “karibu” na nodi i na ndogo vinginevyo. Mkakati huu unalipa fidia kwa kasoro kwamba FMI inalenga tu vipengele vya nodi na kufanya MI za ndani kuchangia ile ya kimataifa kwa kurekebisha. Ili kuelewa vyema wazo la tahadhari katika mkakati huu, unaweza kurejelea GCN inayotegemea tahadhari [40]. Kumbuka kwamba ufafanuzi wa Eq. (10) unatumika kwa hali za jumla. Kwa hali maalum, tunaweza kurekebisha kidogo Eq. (10) kwa ufanisi. Kwa mfano, wakati wa kushughulikia grafu zisizo na uzito (yaani., thamani ya kingo ni 1 ikiwa imeunganishwa na 0 vinginevyo), tunaweza kuchukua nafasi ya kipengele cha pili cha MI I (wij ; aij ) na hasara ya msalaba ya entropy. Kupunguza entropy ya msalaba pia huchangia kuongeza MI, na inatoa hesabu yenye ufanisi zaidi. Tunafafanua maelezo zaidi katika sehemu inayofuata. Kwa ujumla, kuna faida kad

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Sauti hii imetolewa katika lugha asilia ya hadithi!

Njia Mpya ya Kufundisha AI Kwenye Data ya Grafu Bila Usimamizi

About Author

MAONI

HANG TAGS

MAKALA HII ILIWASILISHWA NDANI

Related Stories

A PENDENT WORLD

Speed up Swift compile time

#ellenBrain Turns a Long Weekend Into: HackerNoon Swag Around the World

Master Crypto Security: Your Complete Guide to Safe Wallet Management

A PENDENT WORLD

Speed up Swift compile time

#ellenBrain Turns a Long Weekend Into: HackerNoon Swag Around the World

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps