Neural Machine Translation by Jointly Learning to Align and Translate

From graphs to qubits: a critical review of quantum graph neural networks

این مقاله یک طبقه‌بندی انتقادی جامع از شبکه‌های عصبی گراف کوانتومی[1] (QGNNs) ارائه می‌دهد که حوزه‌های یادگیری عمیق هندسی و محاسبات کوانتومی در مقیاس متوسط نویزی[2] (NISQ) را در بر می‌گیرد. شبکه‌های عصبی نسل جدید کلاسیک، علیرغم موفقیتشان در مدل‌سازی رابطه‌ای، از تنگناهای محاسباتی مجانبی شدید، محدودیت‌های مقیاس‌بندی حافظه و پدیده‌هایی مانند هموارسازی بیش از حد و له کردن بیش از حد با افزایش عمق شبکه رنج می‌برند. شبکه‌های عصبی نسل جدید[3] (QGNN) تلاش می‌کنند با تعبیه توپولوژی‌های گراف و الگوهای انتقال پیام در فضاهای هیلبرت کوانتومی[4]، این محدودیت‌ها را دور بزنند.

نویسندگان به طور سیستماتیک معماری‌های QGNN را بر اساس نحوه کدگذاری ساختارهای گراف و ویژگی‌های گره در کیوبیت‌ها و دستکاری آنها از طریق **مدارهای کوانتومی متغیر[5] (VQC) دسته‌بندی می‌کنند:

1. رمزگذاری‌های مبتنی بر همیلتون: نمایش ماتریس‌های مجاورت گراف و ویژگی‌های گره از طریق همیلتونی‌های محلی یا غیرمحلی پارامتری، که در آن تکامل حالت کوانتومی، انتشار پیام را تقلید می‌کند.

۲. آنساتزه کانولوشن گراف کوانتومی[6]: استفاده از عملیات واحد پارامتری که از طریق تجزیه تروتر-سوزوکی تقریب زده شده‌اند.

۳. خطوط لوله کوانتومی-کلاسیک ترکیبی: جفت کردن استخراج‌کننده‌های ویژگی گراف کلاسیک با لایه‌های اندازه‌گیری کوانتومی یا برعکس برای تطبیق با محدودیت‌های سخت‌افزاری NISQ.

  

A Review and Experimental Analysis of Supervised Learning Systems and Methods for Protein–Protein Interaction Detection

این مقاله یک بررسی جامع همراه با تحلیل تجربی دقیق ارائه می‌دهد که ده الگوی یادگیری نظارت‌شده متمایز را برای تشخیص تعامل پروتئین-پروتئین (PPI) ارزیابی می‌کند. از آنجایی که غربالگری تجربی با توان عملیاتی بالا همچنان پرهزینه و ناقص است، پیش‌بینی محاسباتی برای نقشه‌برداری از تعاملات سلولی حیاتی است. طاها یک چارچوب ارزیابی سه لایه منحصر به فرد را معرفی می‌کند:

1. تحلیل کمی مقایسه‌ای: تلفیق معیارهای عملکرد استاندارد (دقت، صحت، بازخوانی، امتیاز F1 و زمان محاسبات) در سراسر معیارهای موجود در ادبیات.

2. تحلیل مشاهده‌ای مقایسه‌ای: ارزیابی سیستماتیک قابلیت تفسیر مدل، مقیاس‌پذیری معماری، مناسب بودن مجموعه داده‌ها و کارایی عملیاتی.

3. ارزیابی‌های تجربی تجربی: انجام معیارسنجی مستقیم در ده طبقه‌بندی‌کننده:

-          معماری‌های عمیق و گراف: شبکه‌های عصبی گراف (GNN)، شبکه‌های عصبی عمیق (DNN)، شبکه‌های عصبی کانولوشن (CNN).

-          ماشین‌های هسته و برداری: ماشین‌های بردار پشتیبان (SVM)، SVM حداقل مربعات (LS-SVM -روش‌های مبتنی بر نمونه و احتمالاتی: K-نزدیک‌ترین همسایه (KNN)، K-نزدیک‌ترین همسایه وزن‌دار (WKNN)، بیز ساده، درخت‌های تصمیم‌گیری احتمالاتی.

-          مدل‌های سریع تک لایه پنهان: ماشین یادگیری شدید (ELM).