এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
গ্রাফ স্ব-তত্ত্বাবধায়িত শিক্ষণ
গ্রাফ মডেলগুলির একটি প্যারাডাইম যেখানে স্পষ্ট লেবেল ছাড়াই গ্রাফের কাঠামো থেকেই স্বয়ংক্রিয়ভাবে সুপারভিশন টাস্ক তৈরি করে উপস্থাপনা শেখা হয়।
কনট্রাস্টিভ গ্রাফ শিক্ষণ
স্ব-তত্ত্বাবধায়িত শিক্ষণের একটি পদ্ধতি যা একই নোড বা গ্রাফের বিভিন্ন অগমেন্টেড ভিউর মধ্যে সামঞ্জস্য সর্বাধিক করার সময় বিভিন্ন উদাহরণের মধ্যে সামঞ্জস্য ন্যূনতম করে গ্রাফ উপস্থাপনা শেখে।
গ্রাফ মাস্কিং
একটি প্রক্সি টাস্ক যেখানে গ্রাফের নোড, এজ বা অ্যাট্রিবিউট এলোমেলোভাবে মাস্ক করা হয় এবং মডেলটিকে অনুপস্থিত উপাদানগুলি পুনর্গঠন করতে প্রশিক্ষণ দেওয়া হয়, যার ফলে শক্তিশালী উপস্থাপনা শেখা বাধ্যতামূলক হয়।
গ্রাফ অগমেন্টেশন
সেমান্টিক সংরক্ষণকারী কাঠামোগত বা অ্যাট্রিবিউট ট্রান্সফর্মেশন মাধ্যমে একটি গ্রাফের বিকল্প ভিউ তৈরি করার কৌশল, যা কনট্রাস্টিভ শিক্ষণে ইতিবাচক জোড়া তৈরি করতে ব্যবহৃত হয়।
নোড উপস্থাপনা শিক্ষণ
ঘন ভেক্টর (এমবেডিং) শেখার প্রক্রিয়া যা নিম্ন-মাত্রিক ভেক্টর স্পেসে নোডগুলির কাঠামোগত এবং সেমান্টিক বৈশিষ্ট্যগুলি ক্যাপচার করে।
এজ উপস্থাপনা শিক্ষণ
গ্রাফের এজগুলির জন্য এমবেডিং শেখা যা নোডগুলির মধ্যে সম্পর্ক এবং মিথস্ক্রিয়া এনকোড করে, লিঙ্ক প্রেডিকশন এবং এজ ক্লাসিফিকেশনের জন্য গুরুত্বপূর্ণ।
গ্রাফ প্রিটেক্সট টাস্ক
গ্রাফের কাঠামো থেকেই কৃত্রিমভাবে নির্মিত টাস্ক, যা ডাউনস্ট্রিম টাস্কে স্থানান্তরের আগে স্ব-তত্ত্বাবধায়িত শিক্ষণের জন্য প্রশিক্ষণ সংকেত হিসেবে কাজ করে।
গ্রাফ কনটেক্সট প্রেডিকশন
একটি স্ব-তত্ত্বাবধায়িত টাস্ক যা একটি নোডের কাঠামোগত কনটেক্সট (যেমন এর k-হপ প্রতিবেশী) বা স্থানীয় উপস্থাপনা থেকে গ্রাফের গ্লোবাল বৈশিষ্ট্যগুলি ভবিষ্যদ্বাণী করে।
গ্রাফ ক্লাস্টারিং
একটি আনসুপারভাইজড প্রক্সি টাস্ক যা রিপ্রেজেন্টেশন লার্নিং-এ ব্যবহৃত হয়, যেখানে নোডগুলো এম্বেডিং স্পেসে তাদের স্ট্রাকচারাল বা অ্যাট্রিবিউট সাদৃশ্যের ভিত্তিতে ক্লাস্টারে গ্রুপ করা হয়।
গ্রাফ অ্যাটেনশন মেকানিজম
মেকানিজম যা ইনফরমেশন অ্যাগ্রিগেশনের সময় প্রতিবেশীদের জন্য ডাইনামিকভাবে অ্যাটেনশন ওয়েট ক্যালকুলেট করে, মডেলকে প্রতিবেশীর সবচেয়ে প্রাসঙ্গিক অংশে ফোকাস করতে দেয়।
গ্রাফ অটোএনকোডার
এনকোডিং-ডিকোডিং মডেল যা গ্রাফের স্ট্রাকচার বা অ্যাট্রিবিউট রিকনস্ট্রাক্ট করে গ্রাফের কম্প্রেসড রিপ্রেজেন্টেশন শেখে, প্রায়শই সেলফ-সুপারভাইজড লার্নিং-এ ব্যবহৃত হয়।
গ্রাফ মেসেজ পাসিং
ফান্ডামেন্টাল প্যারাডাইম যেখানে নোডগুলো একাধিক ইটারেশনের মাধ্যমে তাদের প্রতিবেশীদের সাথে ইনফরমেশন এক্সচেঞ্জ এবং অ্যাগ্রিগেট করে, গ্রাফ স্ট্রাকচারের মাধ্যমে ইনফরমেশন প্রোপাগেশন সম্ভব করে।