```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Mualliflar: 
 
 
 
 
 
 
 
 Zhen Peng Wenbing Huang Minnan Luo Qinghua Zheng Yu Rong Tingyang Xu Junzhou Huang ABSTRACT Ijtimoiy tarmoqlar va aloqa tarmoqlari kabi turli axborot tarmoqlarining mazmunidagi boylik, tashqi nazoratsiz yuqori sifatli ifodali vakillikni o‘rganish uchun misli ko‘rilmagan potentsialni taqdim etadi. Ushbu maqola graf-simon ma'lumotlardan graf reprezantatsiyasini qanday saqlash va uni nazoratsiz ravishda inkoding fazosiga qanday chiqarishni o‘rganadi. Buning uchun biz Graphical Mutual Information (GMI) nomli yangi kontseptsiya bo‘lib, u kiruvchi graflar va yuqori darajadagi yashirin vakilliklar o‘rtasidagi korrelyatsiyani o‘lchaydi. GMI an'anaviy o‘zaro axborot hisob-kitoblarining vektor fazosidan graf domeniga umumlashtirilgan bo‘lib, u yerda tugun xususiyatlari va topologik tuzilishning ikkala jihatidan o‘zaro axborotni o‘lchash zarur. GMI bir nechta afzalliklarga ega: Birinchidan, u kiruvchi graflarning izomorf transformatsiyasiga nisbatan invariantdir - bu ko‘plab mavjud graf reprezantatsiyasini o‘rganish algoritmlarida muqarrar cheklov; Bundan tashqari, u MINE kabi mavjud o‘zaro axborotni baholash usullari tomonidan samarali baholanishi va maksimal darajada oshirilishi mumkin; Nihoyat, bizning nazariy tahlilimiz uning to‘g‘riligini va oqilonaligini tasdiqlaydi. GMI yordamida biz grafik neyron enkoderning kirishi va chiqishi o‘rtasidagi GMIni maksimal darajada oshirish orqali o‘qitilgan nazoratsiz o‘rganish modelini ishlab chiqdik. Transdutsion va induktsion tugun tasnifi hamda bog‘lanishni bashorati bo‘yicha o‘tkazilgan keng qamrovli tajribalar bizning usulimiz zamonaviy nazoratsiz hamkasblarimizdan ustun ekanligini, ba'zan esa nazoratli usullarning natijalaridan ham oshib ketishini ko‘rsatadi. 1      KIRISH Turli axborot tarmoqlari uchun ishonchli miqdoriy tahlilga erishish maqsadida, graf-simon ma'lumotlar uchun yuqori sifatli reprezantatsiyani o‘rganish hozirgi kunda eng qiziqarli mavzulardan biriga aylangan. Shu maqsadda ishlab chiqilgan so‘nggi usullar, odatda Graf Neyron Tarmoqlari (GNNs) deb tasniflanadi, ko‘plab o‘rganish vazifalarida, masalan, tugun tasnifi [ ,  ,  ], bog‘lanish bashorati [ ,  ,  ], graf moslashtirish [ ,  ,  ], molekulyar hosil qilish [ ,  ,  ] va boshqa ko‘plab sohalarda sezilarli yutuqlarga erishgan. Garchi samarali rivojlanish bo‘lsa-da, mavjud yondashuvlarda GNNlarni o‘qitish odatda ma'lum bir nazorat shaklini talab qiladi. Ishonchsiz, yorliqlarni olish qimmatga tushadi - qo‘lda annotatsiya qilish yoki ruxsat uchun to‘lash, hatto maxfiylik siyosati tufayli ularga erishish mumkin emas. Berilgan yorliqlarning ishonchliligi ba'zan shubha ostida qoladi. Shu sababli, ko‘plab amaliy holatlar uchun nazoratsiz yuqori sifatli graf reprezantatsiyasini qanday olish mumkinligi ushbu maqolaning asosiy motivatsiyasidir. 35 42 50 26 27 49 12 19 43 4 5 46 Biz to‘plangan graf-simon ma'lumotlarini diqqat bilan ko‘rib chiqqandan so‘ng, ular odatda ijtimoiy tarmoqlar, iqtibos tarmoqlari va aloqa tarmoqlari kabi turli manbalardan kelib chiqqanligini aniqladik, bu yerda katta hajmdagi mazmun va aloqa axboroti mavjud. Masalan, Twitter, Flickr va Facebook kabi ko‘plab ijtimoiy platformalardagi ma'lumotlar foydalanuvchilarning xususiyatlarini o‘z ichiga oladi, masalan, asosiy shaxsiy ma'lumotlar, matnlar, rasmlar, IP va ularning munosabatlari, masalan, bir xil mahsulotni sotib olish, do‘st bo‘lish. Ushbu boy mazmun ma'lumotlari keyingi kon qazish vazifalari uchun qo‘shimcha ko‘rsatmalarsiz qo‘llab-quvvatlash uchun yetarli: agar ikki ob'ekt xususiyatlarda o‘ta o‘xshashlikni ko‘rsatsa, ular orasida bog‘lanish bo‘lish ehtimoli yuqori (bog‘lanish bashorati), va ular bir xil toifaga tegishli bo‘lishi mumkin (tasnifi); agar ikki ob'ekt bir xil ob'ektga bog‘langan bo‘lsa, ular o‘xshash xususiyatlarga ega bo‘lishi mumkin (tavsiya etish). Shu ma'noda, axborot tarmoqlaridan iloji boricha ko‘proq axborotni inkoding fazosiga saqlash va chiqarish nazoratsiz ravishda yuqori sifatli ifodali reprezantatsiyalarni o‘rganishga yordam beradi, bu nazoratning har qanday shaklidan ozod bo‘lgan kon qazish vazifalarida yaxshi natijalarni ko‘rsatadi. Nazoratsiz graf reprezantatsiyasini o‘rganish ko‘pincha yorliqlardan ozodligi sababli ko‘proq afzalroqdir, ayniqsa, biz dunyodagi katta miqdordagi yorliqsiz ma'lumotlardan foydalanishni maqsad qilganimizda. Graflardagi boy axborotni to‘liq meros qilib olish uchun, ushbu maqolada biz Deep Info-Max metodi [ ] ning muvaffaqiyatidan ilhomlangan holda, O‘zaro Axborot (MI) maksimalizatsiyasiga asoslangan graf inkodingini amalga oshiramiz, bu rasmlarda qo‘llaniladi. Foydali reprezantatsiyalarni kashf qilish uchun, Deep InfoMax enkoderi uning kirishlari (ya'ni, rasmlar) va chiqishlari (ya'ni, yashirin vektorlar) o‘rtasidagi MIni maksimal darajada oshiradi. Graflar domeniga Deep InfoMaxni ko‘rib chiqishda, biz birinchi navbatda graflar va yashirin vektorlar o‘rtasidagi MIni qanday aniqlash kerakligini hal qilishimiz kerak, chunki graflarning topologiyasi rasmlarga qaraganda murakkabroq (1-rasmga qarang). Murakkabliklardan biri har bir tugunning yashirin reprezantatsiyasi va uning qo‘shni kirish xususiyatlari o‘rtasidagi MI funksiyasi simmetrik xususiyatga ega bo‘lishini ta'minlashdir, yoki ekvivalent ravishda, qo‘shnilarni permutatsiyasiga nisbatan invariant bo‘lishini ta'minlashdir. MIni ko‘rib chiqqan so‘nggi ishlaridan biri, Deep Graph Infomax (DGI) [ ] avval kirish grafini va unga mos keladigan buzilgan grafni inkodlaydi, keyin esa grafni vektor sifatida o‘qiydigan funksiya orqali umumlashtiradi, nihoyat buzilgan grafdan (salbiy namuna) farqlash orqali shu umumlashtirilgan vektor va yashirin vakilliklar o‘rtasidagi MIni maksimal darajada oshiradi. DGI ning umumiy ko‘rinishi 1-rasmda tushunarli qilib ko‘rsatilgan. Bunday MIni maksimal darajada oshirish, kirish tugun xususiyatlari va yashirin vektorlar o‘rtasidagi MIni maksimal darajada oshirishga ekvivalentligi isbotlangan, ammo bu ekvivalentlik bir nechta oldindan belgilangan shartlar ostida amal qiladi, masalan, o‘qiydigan funksiya in'ektiv bo‘lishi kerak, bu haqiqiy holatlarda haddan tashqari cheklangan ko‘rinadi. Agar biz ma'lum dizayn orqali in'ektiv o‘qiydigan funksiyaning mavjudligini kafolatlasak ham, masalan, DeepSets [ ] da ishlatiladigan funksiya, o‘qiydigan funksiyaning in'ektivlik qobiliyati uning parametrlari qanday o‘qitilganiga ham ta'sir qiladi. Ya'ni, aslida in'ektiv bo‘lgan funksiya ham, agar u har qanday tashqi nazoratsiz o‘qitilmasa, in'ektiv bo‘lmaslik xavfiga ega. Va agar o‘qiydigan funksiya in'ektiv bo‘lmasa, umumlashtirilgan vektordagi kirish graf axboroti graf hajmining ortishi bilan kamayadi. Bundan tashqari, DGI MIni grafik/patch-darajasida maksimal darajada oshiradi. Shuning uchun DGI da enkoder kirish ma'lumotlaridan yetarli axborotni distillashi kafolatlanmaydi, chunki u hech qachon yashirin vakilliklar bilan ularning asl kirishlarini puxtalik bilan bog‘lamaydi. 20 41 47 Ushbu maqolada biz hech qanday o‘qiydigan yoki buzish funksiyasidan foydalanmasdan, graf tuzilmalari nuqtai nazaridan MIni ko‘rib chiqishning yanada sodda usulini taklif qilamiz. Biz MIni enkoderning kirishlari (ya'ni, kirish qo‘shnilikni o‘z ichiga olgan kichik graf) va chiqishlari (ya'ni, har bir tugunning yashirin reprezantatsiyasi) ni taqqoslash orqali to‘g‘ridan-to‘g‘ri aniqlaymiz. Va qiziquvchanlik bilan, bizning nazariy ishlab chiqishlarimiz shuni ko‘rsatadiki, to‘g‘ridan-to‘g‘ri shakllantirilgan MI mahalliy MIlarining og‘irliklar yig‘indisiga ajralishi mumkin. Shu tarzda, biz kirish xususiyatlarini ajratib oldik va MI hisob-kitobini osonlashtirdik. Bundan tashqari, ushbu MI shakli vazn qiymatlarini sozlash orqali simmetrik xususiyatni osongina qondirishi mumkin. Batafsil ma'lumotlarni §   da keltiramiz. Yuqoridagi MI asosan tugun xususiyatlari darajasida o‘lchanganligi sababli, biz uni Feature Mutual Information (FMI) deb nomlaymiz. 3.1 FMI haqida ikkita qolgan masala bor:   biriktiruvchi vaznlar hali noma'lum va   u topologiyani (ya'ni, qirralar xususiyatlarini) hisobga olmaydi. Ushbu ikki muammoni yanada hal qilish uchun biz FMIga asoslangan Graphical Mutual Information (GMI) o‘lchovini aniqlaymiz. Xususan, GMI FMIdagi vaznlarni har bir qo‘shni va maqsadli tugun o‘rtasidagi yaqinlikka tenglashtirish orqali intuitiv qiymatni belgilaydi. Topologiya axborotini saqlash uchun, GMI qo‘shimcha o‘zaro axborot termini orqali ushbu vaznlarni kirish qirralari xususiyatlari bilan bog‘laydi. Natijada GMI topologik invariant hisoblanadi va Mutual Information Neural Estimation (MINE)   bilan ham hisoblash mumkin. Bizning asosiy hissamiz quyidagilardan iborat: 1. 2. [2] •    : Biz an'anaviy MIni graf domeniga umumlashtiramiz va shunga mos ravishda Graphical Mutual Information (GMI) nomli yangi kontseptsiya taklif qilamiz. GMI o‘zaro axborotni to‘g‘ridan-to‘g‘ri usulda grafiklar va yuqori darajali inkodinglar o‘rtasida ko‘rib chiqishi sababli, o‘qiydigan funksiyadan kelib chiqadigan potentsial xavfdan ozoddir. G‘oyalar •    : Nazariy tahlillarimiz orqali biz GMIning hisoblash va traktor shaklini taqdim etamiz, bu butun GMIni mahalliy MIlar yig‘indisiga ajratadi. MINE usulidan foydalangan holda, GMIni maksimal darajada oshirish tugun darajasida osongina amalga oshirilishi mumkin. Algoritmlar •    : Biz GMIning samaradorligini bir nechta mashhur tugun tasnifi va bog‘lanish bashorati vazifalarida, shu jumladan transdutsion va induktsion vazifalarda tekshirdik. Tajribalar bizning usulimiz turli benchmarklarda yaxshi natijalar berishini va ba'zan nazoratli hamkasblarimizdan ham ustun ekanligini ko‘rsatadi. Tajribaviy topilmalar 2      BOG‘LIQ ISHLAR Ushbu maqolamizning asosiy mavzusiga mos ravishda, biz quyidagi ikki sohadagi avvalgi ishlarni qisqacha ko‘rib chiqamiz:   o‘zaro axborotni baholash va   graflar ustida reprezantatsiyani o‘rganish uchun neyron tarmoqlar. 1. 2. . InfoMax printsipi [ ] neyron tarmoqlarning kirishlari va chiqishlari o‘rtasidagi MIni maksimal darajada oshirishni qo‘llab-quvvatlaydi, shuning uchun ICA algoritmlari [ ,  ] kabi ko‘plab usullar nazoratsiz xususiyatlarni o‘rganishda MI g‘oyasidan foydalanishga harakat qilishadi. Biroq, yuqori o‘lchamli uzluksiz o‘zgaruvchilar o‘rtasidagi MIni hisoblashdagi qiyinchiliklar tufayli bu usullar chuqur neyron tarmoqlarga osongina umumlashtirilmaydi. Baxtga ko‘ra, Mutual Information Neural Estimation (MINE) [ ] statistik tarmoqni birgalikdagi taqsimot va ikki tasodifiy o‘zgaruvchining cheklangan taqsimotlarining mahsulotidan kelib chiqqan namunalarni tasniflash uchun o‘qitish orqali chuqur neyron tarmoqlarda MIni baholashni mumkin qiladi. Xususan, MINE KLga asoslangan MI formulasi ishlatadi, ammo KL bo‘lmagan alternativ, Jensen-Shannon divergence (JSD) [ ], MIning aniq qiymati haqida tashvishlanmasdan ishlatilishi mumkin. O‘zaro axborotni baholash 3 1 21 2 30 . Graf neyron tarmoqlarining (GNNs) tez rivojlanishi bilan, so‘nggi yillarda GNNlarga asoslangan ko‘plab graf reprezantatsiyasini o‘rganish algoritmlari taklif qilindi, ular an'anaviy tasodifiy yurish va faktorizatsiya asoslangan inkoding yondashuvlaridan [ ,  ,  ,  ,  ] ko‘proq samaradorlikni ko‘rsatadi. Tipik ravishda, bu usullar nazoratli va nazoratsiz toifalarga bo‘linadi. Ularning orasida, graflar ustida nazoratli reprezantatsiyani o‘rganish bo‘yicha boy adabiyot mavjud [ ,  ,  ,  ,  ]. Tarmoq arxitekturasidagi farqlariga qaramay, ular ko‘pincha haqiqiy vaziyatlarda mavjud bo‘lmagan yorliqlarning yordami bilan empirik muvaffaqiyatga erishdilar. Bunday holatda, nazoratsiz graf o‘rganish usullari [ ,  ,  ] ko‘proq qo‘llash potentsialiga ega. Mashhur usul GraphSAGE [ ] bo‘lib, u o‘zining nazoratsiz rejimida tasodifiy yurish asosidagi maqsad bilan GNNlarni o‘qitish uchun induktsion freymdir. Va yaqinda DGI [ ] MI maksimalizatsiyasi g‘oyasini graf domeniga tatbiq etdi va nazoratsiz rejimda kuchli natijalarga erishdi. Biroq, DGI qo‘pol makro-o‘lchovli maksimalizatsiyani (ya'ni, MIni graf/patch darajasida maksimal darajada oshirish) amalga oshiradi, bu esa kirish grafidagi nozik axborotni saqlashni qiyinlashtiradi. Bundan tashqari, DGIda ishlatiladigan o‘qiydigan funksiyaga qo‘yilgan shart haqiqiy holatlarda haddan tashqari cheklangan ko‘rinadi. Bunga qarshi, biz o‘qiydigan funksiya cheklovini olib tashlashga va tugun darajasida graf o‘zaro axborotni maksimal darajada oshirishga qaratilganmiz, enkoderning kirishlari va chiqishlari o‘rtasidagi MIni to‘g‘ridan-to‘g‘ri maksimal darajada oshirish orqali. Bizning usulimiz tomonidan olingan reprezantatsiyalar kirish graf axborotini saqlashda yanada murakkabroqdir, bu esa tugun tasnifi, bog‘lanish bashorati va tavsiya etish kabi keyingi graf kon qazish vazifalari uchun potentsialini ta'minlaydi. Graf reprezantatsiyasini o‘rganish uchun neyron tarmoqlar 6 15 33 34 39 7 9 25 40 48 11 16 41 16 41 3      GRAFIK O‘ZARO AXBOROT: ANIQLANISHI VA MAKSIMIZATSIYASI Batafsil tushuntirishdan oldin, biz avvalo ushbu maqolada ishlatiladigan dastlabki tushunchalarni taqdim etamiz. G = (V, E) grafni   ta tugun   ∈ V va qirralar   = (  ,   ) ∈ E bilan belgilaymiz. Nod featurlari, taxmin qilingan empirik ehtimollik taqsimoti P bilan,   ∈ R  ×  = {  1, · · · ,   } sifatida berilgan, bu yerda   ∈ R  tugun   uchun xususiyatni bildiradi. Taqsimot matritsasi   ∈ R  ×  qirralarning ulanishini ifodalaydi, bu yerda   qirrasi   bilan bog‘liq bo‘lib, u haqiqiy son yoki ko‘p o‘lchovli vektor bo‘lishi mumkin1. N vi eij vi vj X N D x x N xi D vi A N N Aij eij Graf reprezantatsiyasini o‘rganishning maqsadi   : R  ×  × R  ×  → R  × ′ enkoderini o‘rganishdir, shuning uchun yashirin vektorlar   = { 1, · · · ,   } =   (  ,  ) barcha tugunlar uchun yuqori darajadagi reprezantatsiyalarni ko‘rsatadi. Inkoding jarayonini tugun bo‘yicha shaklda yozish mumkin. f N D N N N D H h hN f X A Buni ko‘rsatish uchun biz tugun   uchun   va   ni, mos ravishda, uning qo‘shnilari xususiyatlari va qo‘shnilarga bog‘liq bo‘lgan tegishli taqsimot matritsasi sifatida aniqlaymiz. i Xi Ai Xususan,    -hop qo‘shnilarini o‘z ichiga oladi, bu yerda   ≤   agar enkoder    -qavatli GNN bo‘lsa, va agar biz taqsimot matritsasiga o‘z-o‘zidan ulanishlarni qo‘shsak, u tugun   ning o‘zini o‘z ichiga oladi. Bu yerda,   va   tomonidan kengaytirilgan kichik grafni tugun   uchun   deb ataymiz va uni G  bilan belgilaymiz. Support graphni aniqlash bilan, har bir tugun uchun inkoding   =   (G  ) =   (  ,   ) bo‘ladi. Xi k k l f l i Xi Ai i support graph i hi f i f Xi Ai  Deep InfoMax [ ] da enkoderning o‘qitish maqsadi uning kirishlari va chiqishlari o‘rtasidagi MIni maksimal darajada oshirishdir. MI statistik tarmoqni diskriminator sifatida ishlatib, birgalikdagi taqsimotdan kelib chiqqan namunalarni va cheklangan taqsimotlar mahsulotidan olingan namunalarni tasniflash orqali baholanadi. Tabiiyki, Deep InfoMax g‘oyasini graflarga moslashtirishda, biz har bir tugun uchun reprezantatsiya   va support graph G  o‘rtasidagi MIni maksimal darajada oshirishimiz kerak. Bunday grafik MIni   (  ; G  ) bilan belgilaymiz. Biroq, I (hi ; Gi ) ni aniqlash unchalik oson emas. Qiyinchiliklar quyidagilardan iborat: Grafik o‘zaro axborotni aniqlashdagi qiyinchiliklar. 20 hi i I hi i •   Grafik MI tugun indeksiga nisbatan invariant bo‘lishi kerak. Boshqacha qilib aytganda, agar G  va G′  bir-biriga izomorf bo‘lsa, biz   (  ; G  ) =   (  ; G′  ) ga ega bo‘lishimiz kerak. i i I hi i I hi i •   Agar biz MI hisob-kitobi uchun MINE usulini qabul qilsak, MINE dagi diskriminator faqat ma'lum o‘lchamdagi kirishlarni qabul qiladi. Bu G  uchun mumkin emas, chunki har xil G  odatda har xil sondagi tugunlarni o‘z ichiga oladi va shu bilan turli o‘lchamlarga ega. i i Grafik o‘zaro axborotni aniqlash muammosini hal qilish uchun, ushbu bo‘lim faqat tugun xususiyatlariga asoslangan Feature Mutual Information (FMI) kontseptsiyaini taqdim etishdan boshlanadi. FMI ning ajralishidan ilhomlangan holda, biz keyin Graphical Mutual Information (GMI)ni aniqlaymiz, bu esa tugun xususiyatlari va topologiyaning ikkalasini ham hisobga oladi. 3.1      Xususiyatlar O‘zaro Axboroti (Feature Mutual Information) Biz tugun xususiyatlari   ning empirik ehtimollik taqsimotini  (  ),   ning ehtimolligini  (  ), va birgalikdagi taqsimotni  (  ,   ) bilan belgilaymiz. Axborot nazariyasiga ko‘ra,   va   o‘rtasidagi MI quyidagicha aniqlanadi Xi p Xi hi p hi p hi Xi hi Xi Qiziquvchanlik bilan, biz   (  ;   ) ni hisoblash uchun quyidagi o‘zaro axborotni ajratish teoremasiga egamiz. I hi Xi 1-Teorema (O‘zaro Axborotni Ajratish).  (  |  )   (  ;   )  Agar shartli ehtimollik p hi Xi multiplikativ bo‘lsa (multiplikativ ta'rifini [ ] da ko‘ring), 1-formuladagi global o‘zaro axborot I 36 hi Xi mahalliy MIlarining og‘irliklar yig‘indisi sifatida ajralishi mumkin, ya'ni,      ≤   ≤ 1  bu yerda, xj tugun i ning j-inchi qo‘shnisi, in Xi ning barcha elementlari soni, va vazn wij quyidagicha amal qiladi 1 wij har bir j uchun. Yuqoridagi teoremani isbotlash uchun biz avval ikki lemma va bir ta'rifni kiritamiz. 1-Lemma.  Har qanday tasodifiy o‘zgaruvchilar X, Y, va Z uchun, biz quyidagilarga egamiz 1-Teorema [ ] dagi ajratish bilan, biz 2-formulaning o‘ng tomonini MINE yordamida hisoblashimiz mumkin, chunki diskriminator kirishlari endi (  ,   ) juftliklari bo‘ladi, ularning o‘lchami doimo bir xil saqlanadi (ya'ni,   ′-by- ). Bundan tashqari, biz kirish graflarining izomorf transformatsiyasini aks ettirish uchun vaznlarni sozlashimiz mumkin. Masalan, agar   faqat tugun   ning birinchi darajali qo‘shnilarini o‘z ichiga olsa, barcha vaznlarni bir xil qiymatga tenglashtirish turli tartibdagi kirish tugunlari uchun bir xil MIga olib keladi. 1 hi xj D D Xi i Ajratishning ba'zi afzalliklariga qaramay, vaznlarning aniq qiymatlarini tasvirlash qiyin, chunki ular   (  ;   ) qiymatlari va ularning asosidagi ehtimollik taqsimotlariga bog‘liq. I hi xj Eng oddiy usul barcha vaznlarni     ga tenglashtirishdir, keyin 2-formulaning o‘ng tomonini maksimal darajada oshirish   (  ;   ) ning quyi chegarasini maksimal darajada oshirishga ekvivalent bo‘ladi, shu bilan haqiqiy FMI ham ma'lum darajada maksimal darajada oshiriladi. Ushbu usuldan tashqari, biz vaznlarni o‘qitiladigan diqqat sifatida ko‘rib chiqish orqali yanada yaxshilangan yechimni taqdim etamiz, bu esa keyingi bo‘limning mavzusidir. 1 I hi Xi  1-Teorema [ ] dagi ajratishdan ilhomlanib, biz vaznlarning qiymatlarini yanada moslashuvchan qilish va graflarning ichki xususiyatlarini ushlash uchun boshqa jihatidan (ya'ni, graflarning 3.2      Topologiyaga sezgir o‘zaro axborot 1 topologik ko‘rinishi) o‘qitiladigan vaznlarni yaratishga harakat qilamiz. Nihoyat biz Graphical Mutual Information (GMI)ni aniqlaymiz. 2-Ta'rif (Grafik O‘zaro Axborot).   G = (  ,   )  Yashirin vektor h va uning support graph X A o‘rtasidagi MI quyidagicha aniqlanadi bu yerda   va   ning ta'riflari 1-Teorema dagiga o‘xshash,   bu taqsimot matritsasi A dagi qirra vazni/xususiyati, va  (·) sigmoid funksiyasidir. xj in aij σ Intuitiv ravishda, 10-formulaning birinchi terminiidagi   vazni global MIga mahalliy MIning hissasini o‘lchaydi. wij

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

Ushbu audio hikoyaning asl tilida yaratilgan!

Supervisionlarsiz Graf Ma'lumotlari bo'yicha AIni O'rgatishning Yangi Usuli

About Author

IZOHLAR

TEGI QILISH

USHBU MAQOLA TAQDIM ETILGAN

Related Stories

Meet Uzi World Digital, Winner of Startups of the year 2024 in Kolkata, West Bengal, India

Meet UzairaAdvisory, Startups of The Year 2024 Nominee

Meet UzairaAdvisory, Winner of Startups of The Year 2024 in Business

Meet Uzi World Digital, Winner of Startups of the year 2024 in Kolkata, West Bengal, India

Meet UzairaAdvisory, Startups of The Year 2024 Nominee

Meet UzairaAdvisory, Winner of Startups of The Year 2024 in Business

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps