محققان در مطالعه اخیر خود راهکار خلاقانهای به نام FLASH را معرفی کردهاند که تحولی در عملکرد شبکههای عصبی گراف زمانی (TGNNs) ایجاد میکند.
❓ چالش چیست؟
مدلهای فعلی برای پیشبینی آینده در گرافهای پویا معمولاً از روشهای نمونهبرداری ساده و ایستا استفاده میکنند که با ساختار واقعی گراف سازگار نیستند و منابع زیادی مصرف میکنند.
✅ راهکار FLASH:
این مکانیسم جدید، یک روش انتخاب همسایگیِ «یادگیرنده» و «سازگار با ساختار گراف» است که جایگزین روشهای قدیمی میشود. FLASH به راحتی با مدلهای فعلی ادغام شده و با یک آموزش هوشمند، دقت پیشبینی را به طرز چشمگیری افزایش میدهد.
این دستاورد جدید گام مهمی در پردازش دادههای حجیم و پیچیده گرافیکی است که در حوزههایی مثل پیشبینی تعاملات در شبکهها کاربرد گستردهای دارد.
منبع: arXiv Machine Learning