در این بخش ترجمه مقاله Spectral Clustering with Graph Neural Networks for Graph Pooling به فارسی خوشه بندی طیفی با شبکه های عصبی گرافی برای اجتماع گراف ها قرار داده شده است. در این مقاله یک نوع روش  خوشه بندی طیفی (SC) برای یافتن جوامع کاملاً متصل بر روی یک گراف معرفی شده است. از SC می توان در شبکه های عصبی مبتنی بر گراف (GNN) برای جمع آوری گره های متعلق به یک خوشه استفاده کرد. این ترجمه در 26 صفحه در قالب word آماده دانلود است برای دانلود مقاله اصلی روی لینک زیر کلیک کنید.

دانلود مقاله اصلی

چکیده انگلیسی

Spectral clustering (SC) is a popular clustering technique to find strongly connected communities on a graph. SC can be used in Graph Neural Networks (GNNs) to implement pooling operations that aggregate nodes belonging to the same cluster. However, the eigendecomposition of the Laplacian is expensive and, since clustering results are graph-specific, pooling methods based on SC must perform a new optimization for each new sample. In this paper, we propose a graph clustering approach that addresses these limitations of SC.

We formulate a continuous relaxation of the normalized minCUT problem and train a GNN to compute cluster assignments that minimize this objective. Our GNN-based implementation is differentiable, does not require to compute the spectral decomposition, and learns a clustering function that can be quickly evaluated on out-of-sample graphs. From the proposed clustering method, we design a graph pooling operator that overcomes some important limitations of state-of-the-art graph pooling techniques and achieves the best performance in several supervised and unsupervised tasks.

چکیده فارسی

خوشه بندی طیفی (SC) یک روش خوشه بندی محبوب برای یافتن جوامع کاملاً متصل بر روی یک گراف است. از SC می توان در شبکه های عصبی مبتنی بر گراف (GNN) برای جمع آوری گره های متعلق به یک خوشه استفاده کرد. اگرچه ترکیب ویژه لاپلاسین گران است و از آنجایی که نتایج خوشه بندی مبتنی بر گراف می باشد، روش های اجتماع مبتنی بر SC برای هر نمونه باید بهینه سازی جدیدی را اجرا کنند. در این مقاله، ما یک رویکرد خوشه بندی گرافی ارائه می دهیم که به محدودیت های مربوط به SC می پردازد.

همین طور کم کارامدی یا استراحت مداوم مسئله minCUT نرمال شده را فرموله می کنیم و یک GNN را برای محاسبه وظایف خوشه ای که این هدف را به حداقل می رساند آموزش می دهیم. پیاده سازی مبتنی بر GNN ما تشخیص پذیر است، نیازی به محاسبه تجزیه طیفی ندارد و عملکرد خوشه بندی را می آموزد که می تواند به سرعت در گراف های خارج از نمونه ارزیابی شود. با استفاده از خوشه بندی پیشنهادی، ما یک اپراتور جمع آوری گراف را طراحی می کنیم که به برخی از محدودیت های مهم تکنیک های جمع آوری گرافهای پیشرفته غلبه می کند و در وظایف تحت نظارت و غیر تحت نظارت بهترین عملکرد را دارد.

درباره محصول

ترجمه مقاله اخوشه بندی طیفی با شبکه های عصبی گرافی برای اجتماع گراف ها عنوان محصولی است که در قالب ورد به تعداد 26 صفحه بصورت دقیق و روان توسط متخصصان ترجمه رشته کامپیوتر انجام شده است. این ترجمه از طرف کارشناسان پی استور بررسی شده و محصول دارای نشان تضمین کیفیت پی استور می باشد. برای دانلود محصول آن را خریداری کنید به محض خرید لینک دانلود در دسترس خواهد بود.

1 دیدگاه برای خوشه بندی طیفی با شبکه های عصبی گرافی برای اجتماع گراف ها

  1. امین جلیل زاده

    نظرات و پیشنهادات خود را با ما در میان بگذارید.

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *