Глоссарий ИИ
Полный словарь искусственного интеллекта
Heterogeneous Graph Neural Network
Architecture de réseau de neurones conçue spécifiquement pour traiter des graphes hétérogènes contenant plusieurs types de nœuds et d'arêtes avec des relations sémantiques différentes. Ces modèles capturent la complexité structurelle et sémantique des réseaux multi-relations tout en préservant les informations spécifiques à chaque type.
Metapath
Séquence de types de nœuds et de relations définissant un chemin sémantique spécifique dans un graphe hétérogène, utilisée pour guider l'agrégation d'informations et capturer des schémas relationnels complexes. Les metapaths permettent d'encoder des relations de haut niveau entre différents types d'entités dans le réseau.
Type-aware Aggregation
Mécanisme d'agrégation qui différencie et traite séparément les informations provenant de différents types de nœuds voisins en utilisant des fonctions d'agrégation spécifiques à chaque type. Cette approche préserve la sémantique inhérente à chaque catégorie d'entités lors de la propagation des informations.
Heterogeneous Attention Mechanism
Variante du mécanisme d'attention adaptée aux graphes hétérogènes qui calcule des poids d'attention en tenant compte à la fois des types de nœuds et des types de relations. Ce mécanisme permet de modéliser l'importance relative des différents voisins selon leur nature sémantique.
Relation-specific Transformation
Opération de transformation linéaire ou non-linéaire appliquée aux caractéristiques des nœuds selon le type de relation qui les connecte, permettant de capturer les différentes sémantiques relationnelles. Chaque type d'arête possède sa propre matrice de transformation paramétrée indépendamment.
Cross-type Message Passing
Processus de propagation d'informations entre nœuds de types différents dans un graphe hétérogène, utilisant des schémas de communication adaptés à chaque combinaison de types source-cible. Ce mécanisme facilite le transfert d'informations sémantiquement cohérentes entre entités hétérogènes.
Node Type Embedding
Représentation vectorielle apprise pour chaque type de nœud dans un graphe hétérogène, intégrée dans les embeddings finaux des nœuds pour préserver l'information catégorielle. Ces embeddings sont concaténés ou additionnés aux embeddings structurels pour enrichir la représentation.
Semantic-level Propagation
Stratégie de propagation qui organise les mises à jour des nœuds selon des niveaux sémantiques définis par les types de relations et la hiérarchie du graphe. Cette approche garantit que les informations circulent de manière cohérente avec la structure sémantique du réseau.
Metapath2Vec
Алгоритм обучения представлениям для гетерогенных графов, основанный на случайных блужданиях, управляемых метапутями, генерирующий вложения, которые сохраняют семантическую и структурную близость между различными типами узлов. Он расширяет парадигму Word2Vec на многореляционные сети.
HAN (Heterogeneous Graph Attention Network)
Архитектура HGNN, использующая иерархический механизм внимания с вниманием на уровне узлов и на уровне метапутей для автоматического определения важности различных семантических путей. HAN учится взвешивать релевантные метапути для каждой конкретной задачи.
RGCN (Relational Graph Convolutional Network)
Расширение GCN на многореляционные графы, использующее преобразования, специфичные для каждого типа отношения, и методы регуляризации для управления большим количеством параметров. RGCN особенно эффективен для баз знаний и графов со множеством отношений.
HGT (Heterogeneous Graph Transformer)
Архитектура трансформера, адаптированная для гетерогенных графов, использующая механизмы внимания, специфичные для типов узлов и отношений, с общими и специфичными для типов параметрами. HGT эффективно улавливает гетерогенные зависимости и масштабируется на большие графы.
MAGNN (Metapath Aggregated Graph Neural Network)
Модель HGNN, которая агрегирует информацию в соответствии с экземплярами метапутей, используя кодировщики метапутей и механизмы внимания внутри метапутей. MAGNN улавливает сложную семантику многопрыжковых отношений в гетерогенных графах.
Type-constrained Random Walk
Алгоритм случайного блуждания по гетерогенным графам, где переходы ограничены разрешенными типами узлов и отношений в соответствии с предопределенными схемами. Этот подход генерирует семантически согласованные последовательности для обучения представлениям.
Heterogeneous Information Network
Формальная структура графа, содержащая объекты множества типов и семантически разнообразные отношения, служащая основой для HGNN. HIN моделируют сложные системы, в которых различные сущности взаимодействуют в соответствии с разнообразными реляционными схемами.
Metapath-based Sampling
Стратегия выборки соседей в HGNN, которая выбирает узлы в соответствии с их участием в релевантных метапутях, оптимизируя вычислительную эффективность и сохраняя реляционную семантику. Эта техника снижает сложность, сохраняя при этом качество вложений.