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

معيار مصغر للتنبؤ بالروابط

مقارنة عادلة بين المقاييس الكلاسيكية وGAE وVGAE على الأزواج نفسها مع عينات سلبية ثابتة.

متوسطالمتصفح ثم Python

الوصف

مقارنة عادلة بين المقاييس الكلاسيكية وGAE وVGAE على الأزواج نفسها مع عينات سلبية ثابتة.

الهدف البحثي

متى تتفوق نماذج التعلم على المقاييس البسيطة؟ وكيف يغير التسرب النتائج؟

المتطلبات

  • مفهوم العينات السلبية
  • AUC وAP
مجموعة البيانات
Karate في المتصفح ثم Cora في Python
الخوارزمية
CN، Jaccard، Adamic-Adar، GAE، VGAE

خطوات التنفيذ

  1. شغّل تجربة «المقاييس الكلاسيكية مقابل GAE وVGAE».
  2. كرر بخمس بذور وسجّل AUC وAP.
  3. نفّذ التجربة الخاطئة عمداً: درّب على الرسم كاملاً بما فيه روابط الاختبار، وقارن.
  4. كرر على Cora بـ RandomLinkSplit في PyG.
  5. اكتب ملاحظة عن أثر التسرب.

مقاييس التقييم

  • ROC-AUC
  • Average Precision
  • Hits@K (اختياري)

النتائج المتوقعة

تقارب كبير بين المقاييس الكلاسيكية والنماذج على الرسوم الصغيرة، وارتفاع مصطنع في النتائج عند التسرب.

الأكواد والموارد

ابدأ من المختبر

المراجع

  1. Liben-Nowell, D., & Kleinberg, J. (2007). The link-prediction problem for social networks. Journal of the American Society for Information Science and Technology. DOI: 10.1002/asi.20591دراسة مرجعية لمقاييس التشابه الكلاسيكية (Common Neighbors وJaccard وAdamic-Adar).
  2. Adamic, L. A., & Adar, E. (2003). Friends and neighbors on the Web. Social Networks. DOI: 10.1016/S0378-8733(03)00009-1مصدر مقياس Adamic-Adar.
  3. Kipf, T. N., & Welling, M. (2016). Variational Graph Auto-Encoders. NIPS Workshop on Bayesian Deep Learning. arXiv: 1611.07308الورقة الأصلية لـ GAE وVGAE في التنبؤ بالروابط.