لینکدین برای غلبه بر چالشهای ذاتی شبکههای عصبی، یک استراتژی نمونهگیری تطبیقی عملکردی (PASS) ایجاد کرده تا شبکههای عصبی نموداری کاربردیتری را برای شبکههای اجتماعی طراحی کند؛ این نمودار که از هوش مصنوعی استفاده میکند و دقت پیش بینی بهتری دارد.
به گزارش مجله خبری آی تی و دیجیتال و به نقل از venturebeat، روابط موجودیتها بارها با استفاده از نمودارها به روشهای مختلف به تصویر کشیده میشوند. به عنوان مثال، نمودارهای حرفهای نشان میدهند که مردم چگونه با یکدیگر همکاری میکنند، در حالی که نمودارهای اجتماعی نشان میدهد که مردم چگونه با یکدیگر ارتباط برقرار میکنند.
برای استفاده بهتر، مدلهای یادگیری عمیق به نام GNN (شبکههای عصبی گراف) برای تفسیر نمودارها آموزش داده میشود.
با این حال، وقتی صحبت از شبکههای اجتماعی امروزی میشود، GNN ها کارایی کمی دارد.
استراتژی مبتنی بر GNN، در شبکههای اجتماعی واقعی مقیاس نمیشود. در بسیاری از شرایط، یک عضو واحد ارتباطات زیادی دارد و استفاده از همه آنها غیرعملی است. برای مثال، یک سلبریتی میتواند صدها میلیون ارتباط داشته باشد.
هنگامی که GNN برای تعیین ارتباط بین دوستان، آشنایان و همکاران حرفهای استفاده میشود، اغلب نمیتوانند تفاوتهای ظریف و پیچیده روابط را محاسبه کنند. این امر باعث میشود پلتفرمهایی مانند لینکدین، توییتر، فیسبوک و اینستاگرام نتوانند توصیههای دقیقی را ارائه دهند.
«استراتژی نمونهگیری تطبیقی عملکرد» یا «PASS»
برای غلبه بر چنین چالشهای ذاتی با GNN و بهبود تواناییهای توصیه، تیمی از LinkedIn و CMU یک روش جدید GNN به نام «استراتژی نمونهگیری تطبیقی عملکرد» یا «PASS» ابداع کردند.
PASS از هوش مصنوعی در نمودارها استفاده میکند؛ بنابراین دقت پیش بینی را بهبود میبخشد.
سازمانهای دیگر نیز در حال راه اندازی پلتفرمهای مشابهی هستند که تلاش میکنند GNN های موجود را تقویت کنند. به عنوان مثال، اخیراً دانشگاه ییل و IBM کانسپتی را ارائه کردند که آن را شبکههای عصبی گراف هسته (KerGNN) مینامند، که هستههای گراف را در ارسال پیام GNN ادغام میکند. به گفته محققان Yale، استفاده از این روش KerGNN منجر به بهبود قابلیت تفسیر مدل در مقایسه با GNN های معمولی شده است.
به طور مشابه، گوگل نیز شبکههای عصبی TensorFlow Graph را منتشر کرده است.
نظرات کاربران