الوصف
توفر شبكات الرسوم البيانية الزمنية (TGNs) إطار عمل قويًا للتعلم العميق على الرسوم البيانية الديناميكية، والتي تتميز بتطور الميزات أو الاتصال بمرور الوقت. تمثل هذه الرسوم البيانية كسلاسل من الأحداث الموقوتة، مما يطرح تحديات فريدة تعالجها TGNs من خلال مزيج مبتكر من وحدات الذاكرة وعوامل التشغيل القائمة على الرسوم البيانية.
قراءة المزيد
تم تصميم إطار عمل TGN للكفاءة والفعالية، مما يتيح تحسينات كبيرة في الأداء مقارنة بالنهج السابقة في التعامل مع بيانات الرسوم البيانية الديناميكية. يسمح بنمذجة التبعيات الزمنية داخل هياكل الرسوم البيانية، مما يجعله مناسبًا لمجموعة واسعة من التطبيقات حيث تتغير العلاقات بمرور الوقت.
تشمل القدرات الرئيسية لـ TGNs قدرتها على معالجة سلاسل الأحداث الموقوتة، ودمج وحدات الذاكرة لالتقاط المعلومات الزمنية، واستخدام عوامل تشغيل قائمة على الرسوم البيانية لتجميع الميزات. إطار العمل عام، مما يعني أنه يمكن أن يشمل نماذج حالية مختلفة للتعلم على الرسوم البيانية الديناميكية كحالات محددة لهيكله.
يشمل الجمهور المستهدف لـ TGNs الباحثين والممارسين في مجالات التعلم الآلي، والشبكات العصبية الرسومية، وعلوم البيانات الذين يعملون مع بيانات الرسوم البيانية المتطورة زمنيًا. يشمل ذلك تطبيقات في مجالات مثل تحليل الشبكات الاجتماعية، وأنظمة التوصية، واكتشاف الاحتيال حيث تكون العلاقات والتفاعلات ديناميكية.
تكمن القيمة المقترحة لـ TGNs في دقة التنبؤ المحسنة والكفاءة الحسابية مقارنة بالطرق السابقة. يسهل التصميم المعياري للإطار أيضًا دراسات الاستنزاف التفصيلية، مما يسمح بتحديد التكوينات المثلى لمهام التنبؤ المحددة، سواء كانت استقرائية أو استنتاجية.
- الفئةنماذج الذكاء الاصطناعي ونماذج اللغة الكبيرة
- نموذج التسعيرمفتوح المصدر
- النشرسحابي, استضافة ذاتية
- المنصاتالويب
الميزات الأساسية لـ شبكات الرسوم البيانية الزمنية
إطار عمل للتعلم العميق على الرسوم البيانية الديناميكية
يعالج سلاسل الأحداث الموقوتة
يدمج وحدات ذاكرة مبتكرة
يستخدم عوامل تشغيل قائمة على الرسوم البيانية
يحقق الكفاءة الحسابية
يتفوق على الأساليب السابقة
يدعم مهام التنبؤ الاستقرائية والاستنتاجية
يمكنه تصنيف النماذج السابقة كحالات محددة
يتضمن كودًا للتعلم الذاتي الإشراف والتعلم بالإشراف
يوفر أدوات مساعدة لمعالجة البيانات المسبقة
يدعم وحدات تضمين مختلفة ومحدثات ذاكرة
البدء مع شبكات الرسوم البيانية الزمنية
الوصول إلى النموذج: استنساخ مستودع TGN على GitHub.
إعداد البيئة: تثبيت Python (>= 3.7) والتبعيات المطلوبة (pandas, torch, scikit_learn).
معالجة البيانات المسبقة: تنزيل وتنسيق مجموعات البيانات باستخدام نصوص الأدوات المساعدة المتوفرة.
تدريب النموذج: تنفيذ نصوص التدريب لمهام التعلم الذاتي الإشراف أو التعلم بالإشراف.
التكامل عبر API: تكييف نصوص Python المتوفرة لبيانات ومهام الرسوم البيانية المخصصة.
تقييم الأداء: تحليل النتائج من عمليات تشغيل متعددة للدلالة الإحصائية.
حالات استخدام شبكات الرسوم البيانية الزمنية
- التنبؤ الديناميكي بالروابط
- التصنيف الديناميكي للعقد
- تحليل الشبكات الاجتماعية
- أنظمة التوصية
- اكتشاف الاحتيال
- تطور الرسم البياني المعرفي
