-
شرحی بنیادی و نظری دقیق از ساختار هجا در زبان فرانسه
سهشنبه 11 آذر 1404 05:51
در ۱۹۹۵ فرانسوا دل، شرحی بنیادی و از نظر نظری دقیق از ساختار هجا در زبان فرانسه و تعامل آن با پدیدههای پیوند ارائه میدهد و یکی از تأثیرگذارترین بررسیهای زایشی-آواشناختی [1] هجاسازی در زبانشناسی رومی را ارائه میدهد. دل یک مدل قاعدهمند [2] و از نظر عروضی محدود از آواشناسی فرانسوی را توسعه میدهد که مبتنی بر اصول...
-
یادگیری ماشین گراف برای تحلیل استاتیک کد منبع - یک مطالعه نگاشت سیستماتیک
پنجشنبه 30 مرداد 1404 08:09
مفهوم اصلی: این ایده آکادمیک، کاربرد تکنیکهای یادگیری ماشین گراف ( GML ) را در تحلیل استاتیک کد منبع بررسی میکند، با هدف افزایش شناسایی و درک ویژگیهای ساختاری و معنایی در کد نرمافزار بدون اجرای آن. این رویکرد به طور سیستماتیک، آخرین پیشرفتها در استفاده از نمایشهای گراف و شبکههای عصبی گراف ( GNN ) را برای وظایف...
-
دستهبندی پیشرفته دادههای با ابعاد بالا با ترکیب ادغام یادگیری فازی و ترنسفورمرهای گراف
پنجشنبه 30 مرداد 1404 06:15
مفهوم اصلی: این ایده چارچوب جدیدی را پیشنهاد میدهد که به صورت همافزایی تکنیکهای یادگیری فازی را با تبدیلکنندههای گراف ترکیب میکند تا عملکرد دستهبندی را در دادههای با ابعاد بالا بهبود بخشد. این ادغام، محدودیتهای کلیدی در ثبت عدم قطعیت محلی و وابستگیهای ساختاری سراسری را برطرف میکند و منجر به بازنماییهای...
-
شبکههای عصبی گراف (GNN) قابل اعتماد با مدلهای زبان بزرگ (LLM) - یک بررسی سیستماتیک و دستهبندی
پنجشنبه 30 مرداد 1404 06:14
مفهوم اصلی: با گسترش شبکههای عصبی گراف ( GNN ) در حوزههای متنوع، **قابلیت اعتماد** به یک نگرانی اساسی تبدیل شده است. ادغام مدلهای زبان بزرگ ( LLM ) با GNN ها به عنوان یک الگوی امیدوارکننده برای افزایش ابعاد قابلیت اعتماد GNN ها، از جمله قابلیت اطمینان، استحکام، حریم خصوصی و استدلال، پدیدار میشود. این ایده،...
-
ادغام عِلی در شبکههای عصبی گراف به سمت دستهبندی پیشرفته
پنجشنبه 30 مرداد 1404 06:09
مفهوم اصلی: ادغام اصول استنتاج عِلی [1] در شبکههای عصبی گراف ( GNNs ) با مدلسازی روابط علت و معلولی اساسی بین موجودیتهای گراف، استحکام دستهبندی را افزایش میدهد. برخلاف GNN های سنتی که بر همبستگیها تمرکز دارند، GNN های عِلی به دنبال یادگیری ساختارهای علی عمیقتر از دادههای گراف برای مدلهای دستهبندی قابل...
-
چگونه گرافهای دانش، یادگیری ماشینی را در سال ۲۰۲۵ متحول میکنند
پنجشنبه 30 مرداد 1404 06:07
مفهوم اصلی: در سال ۲۰۲۵، گرافهای دانش ( KGs ) با ارائه بازنماییهای ساختاریافته و غنی از نظر معنایی از دادههای پیچیده و بههمپیوسته، انقلابی در یادگیری ماشینی ( ML ) ایجاد میکنند. آنها دادههای خام را به بینشهای عملی تبدیل میکنند و قابلیت تفسیر، دقت و مقیاسپذیری سیستمهای هوش مصنوعی را در حوزههای مختلف بهبود...
-
تحریک گراف برای مدلهای یادگیری گراف - پیشرفتهای اخیر و مسیرهای آینده
پنجشنبه 30 مرداد 1404 06:04
مفهوم اصلی: تحریک گراف یک تکنیک جدید و نوظهور برای تطبیق کارآمد مدلهای یادگیری گراف از پیش آموزشدیده با وظایف خاص پاییندستی است که با طراحی تحریکهای قابل آموزش و در عین حال ثابت نگه داشتن مدلهای بزرگ و از پیش آموزشدیده انجام میشود. این رویکرد از تکنیکهای تحریک در پردازش زبان طبیعی الهام گرفته شده است و به...
-
الگوریتمهای دستهبندی نیمهنظارتی مبتنی بر گراف در مقیاس بزرگ
پنجشنبه 30 مرداد 1404 06:01
مفهوم اصلی: این ایده دانشگاهی، طراحی و توسعه الگوریتمهای دستهبندی نیمهنظارتی مقیاسپذیر و مؤثر را که برای مجموعه دادههای بزرگ با ساختار گراف طراحی شدهاند، بررسی میکند. این روشها هم از دادههای برچسبگذاریشده محدود و هم از دادههای بدون برچسب فراوان که از طریق روابط پیچیده گراف متصل شدهاند، بهرهبرداری میکنند...
-
یادگیری گراف کوانتومی و الگوریتمهای کاربردی در علوم کامپیوتر کوانتومی و دستهبندی تصویر
پنجشنبه 30 مرداد 1404 05:57
مفهوم اصلی: این ایده دانشگاهی، فصل مشترک محاسبات کوانتومی و یادگیری گراف را بررسی میکند و بر این موضوع تمرکز دارد که چگونه یادگیری گراف کوانتومی [1] ( QGL ) و الگوریتمهای گراف کوانتومی میتوانند حل مسائل پیچیده را در علوم کامپیوتر کوانتومی و حوزههای دستهبندی تصویر متحول کنند. عناصر کلیدی: 1. الگوریتمهای گراف...
-
چارچوب دستهبندی خودکار گراف مبتنی بر پیشبینیکننده عصبی
پنجشنبه 30 مرداد 1404 05:53
مفهوم اصلی: این چارچوب یک *پیشبینیکننده عملکرد عصبی* را برای هدایت طراحی خودکار معماریهای شبکه عصبی گراف ( GNN ) متناسب با وظایف دستهبندی گراف معرفی میکند. این چارچوب به جای تکیه بر طراحی معماری دستی یا جستجوی جامع، از پیشبینیکنندههای یادگرفتهشده برای تخمین کارآمد عملکرد معماریهای کاندید استفاده میکند و...
-
تحلیل مبتنی بر گراف فضای مسئله و عملکرد دستهبند برنامهنویسی ژنتیک با استفاده از فاصله مجموعه دادههای انتقال بهینه
پنجشنبه 30 مرداد 1404 05:50
مفهوم اصلی این ایده بر استفاده از فواصل انتقال بهینه [1] ( OT ) - به ویژه فاصله واسرشتاین [2] - به عنوان یک معیار اصولی برای تجزیه و تحلیل و مقایسه فضاهای مسئله در سیستمهای دستهبند یادگیر ( LCS ) مبتنی بر برنامهنویسی ژنتیک ( GP ) متمرکز است. با کمیسازی شباهت مجموعه دادهها با استفاده از OT ، میتوان بینشهای جدیدی...
-
نقد معیارهای فعلی یادگیری گراف و تأثیر آن بر اهمیت این حوزه
پنجشنبه 30 مرداد 1404 05:49
مفهوم اصلی: حوزه یادگیری گراف با یک چالش اساسی روبرو است که اهمیت بلندمدت آن را تهدید میکند: تداوم شیوههای ضعیف بنچمارک. این نقد نشان میدهد که چگونه مجموعه دادههای بنچمارک و روشهای ارزیابی فعلی به طور ناکافی کاربردهای دنیای واقعی را نشان میدهند و در پیشبرد پیشرفت معنادار یا بینشهای قابل تعمیم شکست میخورند....
-
GOTHAM - چارچوب یادگیری افزایشی کلاس گراف تحت نظارت ضعیف
پنجشنبه 30 مرداد 1404 05:48
مفهوم اصلی: GOTHAM یک چارچوب جدید است که برای مقابله با مسئله دستهبندی پویای گرهها در گرافهای در حال تکامل طراحی شده است، جایی که کلاسهای جدید به صورت تدریجی، اغلب تحت شرایط نظارت ضعیف - یعنی با دادههای برچسبگذاری شده محدود یا بدون برچسب برای کلاسهای جدید - ظاهر میشوند. این تنظیمات در برنامههای دنیای واقعی...
-
به سوی یادگیری مقرونبهصرفه: همافزایی نیمهنظارتی و فعال
پنجشنبه 30 مرداد 1404 05:44
یک ایده آکادمیک مبتنی بر « به سوی یادگیری مقرونبهصرفه: همافزایی نیمهنظارتی و فعال » بر ادغام یادگیری نیمهنظارتی [1] ( SSL ) و یادگیری فعال [2] ( AL ) تمرکز دارد تا هزینههای حاشیهنویسی را به طرز چشمگیری کاهش دهد و در عین حال عملکرد مدل را به حداکثر برساند. چارچوب یکپارچه کمینهسازی ریسک برای یادگیری نیمهنظارتی...
-
بهرهگیری از یادگیری عمیق و تحلیل گراف برای توصیههای پیشرفته دوره در آموزش آنلاین
پنجشنبه 30 مرداد 1404 05:42
نوشته شینشین چن و همکارانش الهام گرفته شده است، شامل ادغام شبکههای عصبی عمیق و تحلیل گراف برای سیستمهای آموزشی شخصیسازیشده نسل بعدی است. مفهوم اصلی: - توسعه یک سیستم توصیهگر ترکیبی که شبکههای عصبی کانولوشن ( CNN ) را با تحلیل گراف ادغام میکند تا توصیههای دورهای متناسب و مؤثر را در پلتفرمهای آموزش آنلاین...
-
هر گراف یک زبان جدید است: یادگیری گراف با LLM
پنجشنبه 30 مرداد 1404 05:39
نوشته هواچی ژو و همکارانش الهام گرفته شده است، حول چارچوب نوآورانه GDL4LLM میچرخد که گرافها را به عنوان یک «زبان» جدید برای مدلهای زبانی بزرگ ( LLM ) بازمفهومسازی میکند. ایده اصلی آکادمیک برخورد با گرافها به عنوان یک زبان برای LLM ها: - یادگیری گراف سنتی با LLM ها با دو محدودیت اصلی روبرو است: 1. زبان طبیعی برای...
-
یادگیری آشوب به روش خطی
چهارشنبه 15 مرداد 1404 17:28
مقاله "یادگیری آشوب به روش خطی" نوشته شیائو یوان چنگ، یی هی، ییمینگ یانگ، شیائو شو، سیبو چنگ، دنیل گیلز، شیائو هانگ تانگ و یوکون هو ( ۲۰۲۵) رویکردی جدید برای یادگیری و پیشبینی سیستمهای دینامیکی آشوبناک با خطیسازی تکامل غیرخطی پیچیده آنها در یک فضای نهفته یادگیریشده ارائه میدهد. ایدهها و مشارکتهای...
-
شبکه عصبی جریان پوانکاره (PFNN)
چهارشنبه 15 مرداد 1404 16:24
شبکه عصبی جریان پوانکاره ( PFNN ) یک چارچوب یادگیری عملگر جدید است که برای مدلسازی و پیشبینی رفتار سیستمهای دینامیکی آشوبناک اتلافی، مانند جریانهای آشفته و دینامیک آب و هوا، با ثبت دینامیک بلندمدت آنها بدون نیاز به دانش صریح از معیار ثابت سیستم، طراحی شده است. ایدههای کلیدی PFNN : 1. خطیسازی فضای پنهان از طریق...
-
مفاهیم *شرایط اولیه* و *نمای لیاپانوف مثبت*
چهارشنبه 15 مرداد 1404 16:23
مفاهیم *شرایط اولیه* و *نمای لیاپانوف مثبت* برای درک سیستمهای آشوبناک در نظریه سیستمهای دینامیکی اساسی هستند. 1. شرایط اولیه و حساسیت سیستمهای آشوبناک خاصیتی به نام *وابستگی حساس به شرایط اولیه* را نشان میدهند. این بدان معناست که حتی تفاوتها یا عدم قطعیتهای کوچک در حالت اولیه سیستم میتواند منجر به رفتارهای...
-
یادگیری دینامیک آشوبناک با دینامیک شبکه نورومورفیک
چهارشنبه 15 مرداد 1404 16:21
نوشتهی یینهائو ژو، گئورگ ای. گوتوالد و زدنکا کونچیچ ( ۲۰۲۵) ایدههای کلیدی مقاله ۱. یادگیری سیستمهای دینامیکی با شبکههای نورومورفیک - این مطالعه بررسی میکند که چگونه یک *شبکه نورومورفیک*، که به عنوان یک سیستم دینامیکی فیزیکی مدلسازی شده است، میتواند *یاد بگیرد* و *پیشبینی* تکامل سیستمهای پیچیده و آشوبناک - به...
-
یادگیری پنهان
سهشنبه 14 مرداد 1404 08:23
در سالهای اخیر، حوزه هوش مصنوعی شاهد یک تغییر پارادایم بنیادین تحت عنوان "استفاده فزاینده و نظاممند از دادههای تولیدشده توسط خود مدلهای هوش مصنوعی ( AI-Generated Data ) به منظور آموزش و بهبود نسلهای بعدی این سیستمها" بوده است. این رویکرد، که در قلب تکنیکهایی مانند تقطیر دانش( Knowledge Distillation )...
-
تطبیق گراف با استفاده از اطلاعات جانبی تعمیمیافته
سهشنبه 14 مرداد 1404 06:28
مقالهای با عنوان «درباره تطبیق گراف با استفاده از اطلاعات جانبی تعمیمیافته بذر» نوشته مهشاد شریعتنسب، فرهاد شیرانی، سیدهارت گارگ و الزا ارکیپ (دانشگاه ایالتی داکوتای شمالی و دانشگاه نیویورک) به یک مسئله پیشرفته در تطبیق گراف میپردازد که در آن اطلاعات جانبی عمومیتر از سناریوی معمول «بذرگذاری» است. ایدهها و...
-
GNNExplainer: تولید توضیحات برای شبکههای عصبی گراف
سهشنبه 14 مرداد 1404 06:22
مقاله " GNNExplainer : تولید توضیحات برای شبکههای عصبی گراف" نوشته رکس یینگ، دیلن بورژوا، جیاشوان یو، مارینکا زیتنیک و جور لسکووک، روشی پیشگامانه برای تفسیر پیشبینیهای هر شبکه عصبی گراف ( GNN) به روشی مستقل از مدل ارائه میدهد. این کار به چالش مهم توضیح تصمیمات پیچیده و اغلب مبهم گرفته شده توسط GNN ها...
-
CF-GNNExplainer: توضیحات خلاف واقع برای شبکههای عصبی گراف
سهشنبه 14 مرداد 1404 06:03
مقاله " CF-GNNExplainer : توضیحات خلاف واقع برای شبکههای عصبی گراف" نوشته آنا لوسیچ و همکاران (2021، AISTATS 2022) اولین روشی را که به طور خاص برای تولید توضیحات خلاف واقع برای شبکههای عصبی گراف ( GNN ) طراحی شده است، معرفی میکند. در اینجا ایدهها و مشارکتهای کلیدی CF-GNNExplainer آمده است: ایدههای اصلی...
-
ACGAN-GNNExplainer: Auxiliary Conditional Generative Explainer for Graph Neural Networks
سهشنبه 14 مرداد 1404 05:44
مقالهای با عنوان " ACGAN-GNNExplainer: Auxiliary Conditional Generative Explainer for Graph Neural Networks" نوشتهی ییچیائو لی، جیانلونگ ژو، ییفی دونگ، نیوشا شفیعآبادی و فانگ چن ( ۲۰۲۳) رویکردی جدید برای توضیح پیشبینیهای شبکه عصبی گراف ( GNN ) با ادغام یک چارچوب شبکه رقابتی مولد دستهبندی کمکی ( ACGAN )...
-
مقدمهای بر شبکههای همبستگی
چهارشنبه 8 مرداد 1404 06:51
مرور کلی این اثر، مروری جامع و چارچوبی یکپارچه برای ساخت و تحلیل شبکههای همبستگی - شبکههای مشتقشده از دادههای همبستگی - در حوزههای علمی متعدد ارائه میدهد. این اثر، محدودیتهای رویکرد آستانهگذاری رایج را به طور انتقادی بررسی میکند و مجموعهای گسترده از روشهای جایگزین و میانرشتهای را برای افزایش دقت،...
-
تشخیص حسابهای جعلی مبتنی بر گراف
جمعه 3 مرداد 1404 08:04
نویسندگان: علی صفرپور دهکردی و احد زهمکان این نظرسنجی، ترکیبی کامل از رویکردهای تشخیص حسابهای جعلی (یا Sybil ) در شبکههای اجتماعی آنلاین را با تمرکز بر استفاده از تکنیکهای مبتنی بر گراف ارائه میدهد. این مطالعه، مجموعه گستردهای از الگوریتمهایی را که از ویژگیهای ساختاری و توپولوژیکی منحصر به فرد گرافهای...
-
مدلهای زبانی از مثلثات برای انجام جمع استفاده میکنند
شنبه 21 تیر 1404 06:44
مقاله "مدلهای زبانی از مثلثات برای انجام جمع استفاده میکنند" بینشی پیشگامانه در مورد چگونگی نمایش و محاسبه داخلی جمع حسابی توسط مدلهای زبانی بزرگ ( LLM ) ارائه میدهد. این مدلها به جای انجام جمع از طریق حفظ کردن یا دستکاری نمادین، اعداد را به عنوان نقاطی روی یک مارپیچ تعمیمیافته [1] - یک ساختار هندسی...
-
یادگیری عمیق در سیستمهای توصیهگر - بررسی مدلهای پیشبینی و رتبهبندی، مجموعه دادهها، تحلیل ویژگیها و روندهای نوظهور
شنبه 21 تیر 1404 06:28
ایدههای کلیدی در «بررسی عمیق: یادگیری عمیق در سیستمهای توصیهگر - بررسی مدلهای پیشبینی و رتبهبندی، مجموعه دادهها، تحلیل ویژگیها و روندهای نوظهور» (محاسبات و کاربردهای عصبی، ۲۰۲۵) مرور کلی این بررسی ۲۰۲۵ ، بررسی جامعی از چگونگی تغییر سیستمهای توصیهگر توسط یادگیری عمیق، با تمرکز بر مدلهای پیشبینی و رتبهبندی،...
-
مسیر توسعه الگوریتمهای یادگیری عمیق و یادگیری ماشین (2020-2025)
شنبه 21 تیر 1404 04:41
از سال 2020 به بعد، یادگیری عمیق و یادگیری ماشین به سرعت تکامل یافتهاند که با معرفی مدلهای نوآورانه، الگوهای آموزشی و معماریهای ترکیبی مشخص شده است. جدول زمانی زیر، تأثیرگذارترین تحولات و تأثیر آنها بر این حوزه را برجسته میکند. نقاط عطف و جزئیات کلیدی 2020: شبکههای عصبی گراف ( GNNs ) - به رویکرد پیشرو برای...
