بهبود پیشبینی پیوند با استفاده از بازنمایی گره و یادگیری گروهی

پیشبینی لینک در شبکه های پیچیده و گراف های پویا یکی از چالش های برجسته در تحلیل داده ها است. در این مقاله، دو رویکرد مبتنی بر یادگیری بازنمایی گره و یادگیری آنسامبل برای بهبود پیشبینی لینک ارائه شده است. در رویکرد اول، از روش های بازنمایی گره شامل شبکه های پیچشی گرافی (GCN) و GraphSAGE برای استخراج و تریب بردارهای بازنمایی گره ها استفاده شده است. این تریب با افزایش دقت مدل در بازنمایی گره ها و پیشبینی لینک ها منجر گردید. در رویکرد دوم، از مدل پیشبینی لینک پویا با یادگیری بازنمایی جفت گره ها بهره گرفته شده است. این مدل از شبکه های عصبی گرافی (GNNs) برای مدلسازی وابستگی های زمانی بین گره ها و بهبود پیشبینی لینک های آینده استفاده می کند. علاوه بر این، برای کاهش واریانس و افزایش دقت پیشبینی، از روش یادگیری آنسامبل به واریان استفاده شده است. در این روش، چندین مدل GraphSAGE بر روی نمونه های مختلف داده های آموزشی اجرا و نتایج آن ها ترکیب شده اند. نتایج آزمایش های شبیه سازی نشان می دهد که ترکیب این تکنیک ها به طور قابل توجهی دقت پیشبینی، کاهش خطای پیشبینی و بهبود اعتماد به نتایج مدل ها را افزایش داده است.

کلیدواژه ها:

شبکه های پیچیده ، پیشبینی پیوند ، یادگیری بازنمایی ، بازنمایی گره ، یادگیری آنسامبل ، شبکه عصبی گرافی