رویکردی نوین در کاهش ابعاد گراف مبتنی بر یادگیری عمیق با استفاده از منطق فازی و گام ‌های تصادفی

ساختارهای گراف نقشی مهمی در مدل ‌سازی روابط در زمینه‌های مختلف، از جمله شبکه‌های اجتماعی، پایگاه‌های دانش و شبکه‌های زیستی، دارند. با افزایش ابعاد این شبکه‌ها، کارایی روش‌های تحلیل مبتنی بر مجاورت کاهش می‌یابد و استفاده از تکنیک‌های تعبیه‌گذاری گراف به‌منظور کاهش ابعاد و حفظ ساختار ضروری می‌شود. این فرآیند به بهبود عملکرد در کاربردهایی مانند دسته‌بندی گره‌ها و پیش‌بینی پیوندها کمک می‌کند. اما روش‌های سنتی تعبیه‌گذاری گراف در ثبت روابط غیرخطی و مقیاس‌پذیری برای شبکه‌های بزرگ با محدودیت‌هایی مواجه هستند. همچنین، در داده‌های دنیای واقعی، ویژگی‌های اولیه و دقیق گره‌ها که برای این الگوریتم‌ها ضروری است، همیشه در دسترس نیست.در این مقاله، چارچوب جدیدی به نام fuzzyrandomnet ارائه شده است که با ترکیب منطق فازی و گام های تصادفی، این چالش‌ها را برطرف می‌سازد. fuzzyrandomnet با افزودن لایه‌های غیرخطی و بهینه‌سازی ویژگی‌های گره، راه‌حل‌هایی کارآمدتر و مقیاس‌پذیرتر برای یادگیری گراف‌ها ارائه می‌دهد. نتایج ارزیابی روش پیشنهادی در مقایسه با تکنیک‌های موجود بر روی مجموعه داده های استاندارد نشان می دهد که این روش عملکرد بهتری در دسته‌بندی گره‌ها و پیش‌بینی پیوندها داشته و دقت و انعطاف‌پذیری بالاتری در شبکه‌های بزرگ و پیچیده از خود نشان می‌دهد.

a novel deep learning-based approach for graph dimensionality reduction by using fuzzy logic and random walks

graph structures play a vital role in modeling relationships across various domains, including social networks, knowledge bases, and biological networks. as the dimensions of these networks grow, the efficiency of proximity-based analysis methods declines, necessitating the use of graph embedding techniques to reduce dimensionality while preserving the underlying structure. this process enhances performance in applications such as node classification and link prediction. however, traditional graph embedding methods face challenges with capturing non-linear relationships and scaling to large networks. additionally, in real-world networks, the essential initial and precise node features which are required by these algorithms are not always available. in this paper, we propose a novel framework called fuzzyrandomnet, which addresses these challenges by integrating fuzzy logic with random walks. fuzzyrandomnet introduces non-linear layers and optimizes node features to provide more efficient and scalable solutions for graph representation learning. the evaluation of the proposed method against existing techniques on standard datasets demonstrates superior performance in node classification and link prediction, exhibiting higher accuracy and flexibility in large and complex networks.