كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

خريطة التمثيلات

استخراج تمثيلات العقد من GCN مدرب وعرضها بـ PCA وt-SNE ومقارنتها بالمجموعات الحقيقية.

مبتدئفي المتصفح

الوصف

استخراج تمثيلات العقد من GCN مدرب وعرضها بـ PCA وt-SNE ومقارنتها بالمجموعات الحقيقية.

الهدف البحثي

هل تفصل التمثيلات المتعلمة الفئات؟ وكم يتغير شكل t-SNE مع Perplexity؟

المتطلبات

  • وحدة التمثيلات
  • PCA وt-SNE بشكل عام
مجموعة البيانات
Zachary Karate Club
الخوارزمية
GCN + PCA/t-SNE + K-Means

خطوات التنفيذ

  1. شغّل تجربة «تمثيلات الكاراتيه في بعدين».
  2. قارن PCA وt-SNE.
  3. غيّر Perplexity بين 5 و30.
  4. شغّل K-Means وقِس التوافق مع الفئات الحقيقية.

مقاييس التقييم

  • نقاء العناقيد أو ARI
  • تشابه جيب التمام داخل الفئة وبينها

النتائج المتوقعة

فصل واضح للفئتين في الغالب. شكل t-SNE يتغير مع Perplexity والبذرة، فلا تقرأ المسافات بين العناقيد حرفياً.

الأكواد والموارد

ابدأ من المختبر

تدريب فعلي (Actual Model Training)مبتدئ

تمثيلات الكاراتيه في بعدين

مستكشف تمثيلات العقد

تدريب GCN على الكاراتيه ثم إسقاط تمثيلات الطبقة المخفية بـ PCA وt-SNE ومقارنة العناقيد بالانقسام الحقيقي.

البيانات: Zachary Karate Club

شغّل التجربة

المراجع

  1. van der Maaten, L., & Hinton, G. (2008). Visualizing Data using t-SNE. Journal of Machine Learning Research, 9. www.jmlr.orgمصدر خوارزمية t-SNE المستخدمة في عرض التمثيلات (لا يوجد DOI لهذه الورقة).
  2. Grover, A., & Leskovec, J. (2016). node2vec: Scalable Feature Learning for Networks. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. DOI: 10.1145/2939672.2939754تعميم DeepWalk بمسارات منحازة (ليست GNN).
  3. Perozzi, B., Al-Rfou, R., & Skiena, S. (2014). DeepWalk: Online Learning of Social Representations. Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. DOI: 10.1145/2623330.2623732تمثيلات العقد بالمسارات العشوائية (ليست GNN).