الگوریتم‌های پیش‌بینی پیوند در شبکه‌های پویا

پیش‌بینی پیوند در شبکه‌های پویا یک مشکل حیاتی در علم شبکه است که هدف آن پیش‌بینی ظهور یا ناپدید شدن پیوندها در طول زمان است. این بررسی روش‌شناسی، پیشرفت‌ها و چالش‌های کلیدی در این زمینه است.

 

یادگیری گراف مادام العمر

شبکه‌های عصبی گراف (GNN) مدل‌های قدرتمندی برای بسیاری از وظایف با ساختار گراف هستند. مدل‌های موجود اغلب فرض می‌کنند که ساختار کاملی از یک گراف در طول آموزش در دسترس است. با این حال، داده‌های ساختاریافته گراف اغلب به صورت جریانی شکل می‌گیرند به طوری که یادگیری یک گراف به طور مداوم اغلب ضروری است.

یک گراف در حال رشد زمانی، که یادگیری گراف به روشی متوالی چالش برانگیز است.

تکنیک‌های یادگیری مادام العمر موجود بیشتر برای شبکه‌های عصبی کانولوشنال (CNN) طراحی شده‌اند، که فرض می‌کند نمونه‌های داده جدید مستقل هستند. با این حال، در یادگیری گراف مادام العمر، گره‌ها به هم متصل شده و به صورت پویا اضافه می‌شوند. در این کار، ما یک مشاهده مهم داریم:

·         تعداد گره‌ها به صورت پویا افزایش می‌یابد، در حالی که تعداد ویژگی‌های گره پایدار است.

بررسی ترانسفورمرهای گراف: معماری، نظریه‌ها و کاربردها

ترانسفورمرهای گراف (GTs) کلاسی از مدل‌های شبکه عصبی هستند که نقاط قوت یادگیری گراف و معماری ترانسفورمر را برای رفع چالش‌ها در پردازش داده‌های ساختار یافته گراف ترکیب می‌کنند. A Survey of Graph Transformers: Architectures, Theories, and Applications مروری جامع از تکامل، قابلیت‌ها و کاربردهای آنها ارائه می‌دهد. در زیر یک مرور کلی وجود دارد: