«`html
Искусственный интеллект (ИИ) в графовом анализе
В анализе графов проблемой для традиционных методов обучения с учителем является необходимость в размеченных данных, особенно в академических, социальных и биологических сетях. Для преодоления этого ограничения были разработаны техники графового самообучения (GSP), которые используют внутренние структуры и свойства графовых данных для извлечения значимых представлений без необходимости в размеченных примерах. Методы GSP широко классифицируются на две категории: контрастные и генеративные.
Контрастные методы
Методы, такие как GraphCL и SimGRACE, создают несколько видов графов через аугментацию и изучают представления путем контрастирования положительных и отрицательных образцов.
Генеративные методы
Методы, такие как GraphMAE и MaskGAE, фокусируются на изучении представлений узлов через цель восстановления.
Текущие генеративные модели графовых автоэнкодеров (GMAE) в основном сосредотачиваются на восстановлении признаков узлов, что требует решения многомасштабной природы многих графов. Для решения этих ограничений была представлена иерархическая структура графовых маскированных автоэнкодеров (Hi-GMAE).
Hi-GMAE включает в себя три основных компонента, разработанных для захвата иерархической информации в графах. Для проверки эффективности Hi-GMAE были проведены эксперименты на различных широко используемых наборах данных, охватывающих задачи без учителя и передачи обучения. Результаты экспериментов продемонстрировали, что Hi-GMAE превосходит существующие передовые модели в области контрастного и генеративного предварительного обучения.
В заключение, Hi-GMAE представляет собой значительное достижение в предварительном обучении графов. Его превосходная производительность в экспериментальных оценках подтверждает его потенциал как мощного инструмента для задач обучения на графах, устанавливая новый стандарт в графовом анализе.
«`
