এআই গ্লসারি
কৃত্রিম বুদ্ধিমত্তার সম্পূর্ণ অভিধান
গ্রাফসেজ
বৃহৎ আকারের গ্রাফে নোড এম্বেডিং তৈরি করার জন্য প্রতিবেশীদের বৈশিষ্ট্য নমুনা ও সমষ্টিবদ্ধ করে এমন একটি আবেশী গ্রাফ নিউরাল নেটওয়ার্ক অ্যালগরিদম।
আবেশী শিক্ষন
প্রশিক্ষণের সময় অদৃশ্য নোড বা গ্রাফে সাধারণীকরণ করতে সক্ষম শিক্ষার পদ্ধতি, যা সম্পূর্ণ গ্রাফ কাঠামোর প্রয়োজন এমন পরিবাহী শিক্ষার বিপরীত।
প্রতিবেশী নমুনায়ন
প্রশিক্ষণের সময় প্রতিটি নোডের জন্য একটি নির্দিষ্ট এলোমেলো উপসেট নির্বাচন করার কৌশল, যা বৃহৎ আকারের গ্রাফ দক্ষতার সাথে প্রক্রিয়া করতে সক্ষম করে।
সমষ্টিবদ্ধ ফাংশন
একটি সমষ্টিগত উপস্থাপনা তৈরি করতে প্রতিবেশী নোডগুলির বৈশিষ্ট্যগুলিকে একত্রিত করা গাণিতিক অপারেশন, গ্রাফে তথ্য প্রচারের জন্য অপরিহার্য।
নোড এম্বেডিং
একটি গ্রাফে একটি নোডের গাঠনিক বৈশিষ্ট্য ও বৈশিষ্ট্যগুলি ধারণ করা নিম্ন-মাত্রিক ঘন ভেক্টর উপস্থাপনা, যা ভবিষ্যদ্বাণী কাজে ব্যবহৃত হয়।
গড় সমষ্টিবদ্ধকারী
প্রতিবেশী নোডগুলির বৈশিষ্ট্যগুলির উপাদান-ভিত্তিক গড় গণনা করা সমষ্টিবদ্ধ ফাংশন, যা স্থানীয় তথ্যের একটি প্রতিসম ও স্থিতিশীল উপস্থাপনা প্রদান করে।
ম্যাক্স পুলিং সমষ্টিবদ্ধকারী
প্রতিবেশীদের বৈশিষ্ট্যগুলিতে একটি অরৈখিক রূপান্তর প্রয়োগ করে তারপর ম্যাক্স পুলিং প্রয়োগ করা সমষ্টিবদ্ধ ফাংশন, যা প্রতিবেশিত্বের সবচেয়ে গুরুত্বপূর্ণ দিকগুলি ধারণ করে।
এলএসটিএম সমষ্টিবদ্ধকারী
নোডের প্রতিবেশিত্বে অপ্রতিসম নির্ভরতা ধারণ করার জন্য প্রতিবেশীদের বৈশিষ্ট্যগুলি ক্রমানুসারে প্রক্রিয়া করতে এলএসটিএম নেটওয়ার্ক ব্যবহার করা সমষ্টিবদ্ধ ফাংশন।
বৈশিষ্ট্য বিস্তার
একাধিক স্তরে ভেক্টর উপস্থাপনা ধাপে ধাপে সমৃদ্ধ করার জন্য প্রতিবেশী নোডগুলির মধ্যে তথ্য প্রেরণ এবং সমষ্টিকরণের পুনরাবৃত্তিমূলক প্রক্রিয়া।
মিনি-ব্যাচ প্রশিক্ষণ
গণনামূলক দক্ষতা অপ্টিমাইজ করতে এবং বৃহদায়তন গ্রাফে স্কেলিং সক্ষম করার জন্য গ্রাফকে নোডের ছোট উপসেটে বিভক্ত করার প্রশিক্ষণ কৌশল।
গ্রাফ কনভলিউশন
২ডি কনভলিউশনকে গ্রাফ কাঠামোতে সাধারণীকরণ করা অপারেশন, যা একটি সংজ্ঞায়িত সমষ্টিকরণ স্কিম অনুসারে একটি নোডের বৈশিষ্ট্যগুলিকে তার প্রতিবেশীদের বৈশিষ্ট্যগুলির সাথে একত্রিত করে।
ট্রান্সডাকটিভ লার্নিং
শিক্ষার প্যারাডাইম যেখানে মডেলটি একই নির্দিষ্ট নোড সেটে প্রশিক্ষিত এবং পরীক্ষিত হয়, ইনফারেন্সের সময় সম্পূর্ণ গ্রাফ কাঠামোর প্রয়োজন হয়।
বার্তা প্রেরণ
একটি অ্যালগরিদমিক কাঠামো যেখানে নোডগুলি তাদের অবস্থা আপডেট করার জন্য তাদের প্রতিবেশীদের সাথে তথ্য বিনিময় করে, যা গ্রাফ নিউরাল নেটওয়ার্কের ভিত্তি।
গ্রাফ উপস্থাপনা
ভেক্টর এনকোডিং যা একটি সম্পূর্ণ গ্রাফের গঠনগত এবং শব্দার্থিক বৈশিষ্ট্যগুলি ক্যাপচার করে, গ্রাফ-স্তরের শ্রেণীবিভাগ বা রিগ্রেশন কাজগুলির জন্য ব্যবহৃত হয়।
স্যাম্পলিং কৌশল
প্রশিক্ষণের সময় প্রতিবেশীদের কীভাবে নির্বাচন করা হবে তা নির্ধারণকারী পদ্ধতি, যা গণনামূলক দক্ষতা এবং গঠনগত তথ্য সংরক্ষণের মধ্যে ভারসাম্যকে প্রভাবিত করে।
বৈশিষ্ট্য সংযোজন
রূপান্তরের আগে একটি সমৃদ্ধ উপস্থাপনা তৈরি করার জন্য একটি নোডের মূল বৈশিষ্ট্যগুলিকে তার প্রতিবেশীদের সমষ্টিকৃত তথ্যের সাথে একত্রিত করার অপারেশন।
অবশিষ্ট সংযোগ
স্তরগুলির মধ্যে সরাসরি তথ্য বাইপাস করার প্রক্রিয়া, যা গভীর প্রশিক্ষণ সহজ করে এবং নোডগুলির মূল বৈশিষ্ট্যগুলি সংরক্ষণ করে।
রিলু অ্যাক্টিভেশন
অরৈখিকতা প্রবর্তনের জন্য সমষ্টির পরে প্রয়োগ করা অরৈখিক অ্যাক্টিভেশন ফাংশন, যা max(0, x) হিসাবে সংজ্ঞায়িত করা হয় এবং GraphSAGE-এ ব্যাপকভাবে ব্যবহৃত হয়।
ব্যাচ স্বাভাবিকীকরণ
প্রতিটি মিনি-ব্যাচে অ্যাক্টিভেশনগুলিকে স্বাভাবিক করে প্রশিক্ষণ স্থিতিশীল করতে এবং গ্রাফ নিউরাল নেটওয়ার্কগুলিতে অভিসারীতা ত্বরান্বিত করার নিয়মিতকরণ কৌশল।