چند الگوریتم یادگیری خاص ارائه شده توسط sknet برای شبکه‌های پیچیده

کتابخانه sknet الگوریتم‌های یادگیری را برای شبکه‌های پیچیده فراهم می‌کند [۱-۲-۳-۴-۵]. برخی از الگوریتم‌های یادگیری خاص ارائه شده توسط sknet برای شبکه‌های پیچیده عبارتند از:

Graph Convolutional Networks (GCN): نوعی شبکه عصبی که بر روی نمودارها کار می‌کند و می‌تواند برای کارهایی مانند طبقه‌بندی گره‌ها، پیش بینی پیوندها و طبقه‌بندی گراف استفاده شود [۱-۲-۴].

شبکه‌های توجه گراف (GAT): نوعی شبکه عصبی که از مکانیسم‌های توجه برای اختصاص وزن‌های مختلف به گره‌های مختلف در یک نمودار استفاده می‌کند و به آن اجازه می‌دهد بر روی مرتبط‌ترین گره‌ها برای یک کار معین تمرکز کند [۱-۲].

رمزگذار خودکار گراف (GAE): نوعی شبکه عصبی که می تواند برای کارهایی مانند جاسازی گره، پیش بینی پیوند و تولید گراف استفاده شود [۱-۲].

روش‌های مبتنی بر پیاده‌روی تصادفی: نوعی روش که از پیاده‌روی‌های تصادفی روی یک نمودار برای ایجاد جاسازی گره‌ها استفاده می‌کند، که سپس می‌تواند برای کارهایی مانند طبقه‌بندی گره و پیش‌بینی پیوند استفاده شود [۱-۲].

ماشین‌های بردار پشتیبانی مبتنی بر شبکه (SVM): نوعی از SVM که از اطلاعات شبکه برای بهبود عملکرد خود استفاده می‌کند [۱-۶].

این الگوریتم‌های یادگیری را می‌توان برای بهبود عملکرد الگوریتم‌های یادگیری ماشین با شناسایی جنبه‌های توپولوژیکی داده‌ها که طبقه‌بندی‌کننده‌های سطح پایین به راحتی قادر به شناسایی آن‌ها نباشند، استفاده کرد [۱].

منابع

1. sknet - A library for machine learning in complex networks - Tiago Toledo Junior

2. sknet: A Python framework for Machine Learning in Complex Networks

3. [PDF] sknet: A Python framework for Machine Learning in Complex Networks - Open Journals

4. (PDF) sknet: A Python framework for Machine Learning in Complex Networks

5. scikit-net - PyPI

6. Using Complex Networks to improve Machine Learning methods | by Tiago Toledo Jr.