← नवीनतम पेपर
🤖 machine learning

Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks

यह शोध पत्र SIGIL को प्रस्तुत करता है, जो एक पूर्णतः-इंडक्टिव (fully-inductive) ढांचा है जो मनमाने एट्रिब्यूटेड ग्राफ्स को एक एकीकृत संरचनात्मक इंटरेक्शन ग्राफ में मैप करके ग्राफ फाउंडेशन मॉडल्स में इनपुट विषमता (input heterogeneity) पर विजय प्राप्त करता है, जिससे विविध ग्राफ्स के बीच सीखी गई फीचर रिप्रेजेंटेशन्स का स्थानांतरण संभव होता है और मौजूदा नॉलेज ग्राफ रीजनिंग दृष्टिकोणों का एकीकरण होता है।

मूल लेखक: Omer Yom Tov, Avigdor Gal

प्रकाशित 2026-08-11
📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें
CC BY 4.0

मूल लेखक: Omer Yom Tov, Avigdor Gal

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को दुनिया को समझना सिखाने की कोशिश कर रहे हैं। शब्दों की दुनिया में, हमारे पास शब्दों का एक विशाल शब्दकोश है जिस पर हर कोई सहमत है; एक बार जब रोबोट यह सीख जाता है कि "बिल्ली" या "दौड़ना" का क्या अर्थ है, तो वह बिल्लियों या दौड़ने के बारे में एक नई किताब पढ़ सकता है बिना किसी नए सबक की आवश्यकता के। लेकिन ग्राफ की दुनिया में—जैसे सोशल मीडिया दोस्तों, रासायनिक अणुओं, या उद्धरण नेटवर्क (citation networks) के जुड़े हुए कनेक्शन—कोई सार्वभौमिक शब्दकोश नहीं होता है। प्रत्येक ग्राफ के साथ अपने स्वयं के "विशेषताएं" (features) आती हैं (जैसे किसी व्यक्ति या अणु के विशिष्ट गुण), जो एक-दूसरे से पूरी तरह अलग हो सकती हैं। एक मॉडल जिसे वैज्ञानिकों के नेटवर्क को समझने के लिए प्रशिक्षित किया गया है, वह ऑनलाइन खरीदारों के नेटवर्क को देखते समय पूरी तरह भ्रमित हो सकता है क्योंकि "शब्द" (विशेषताएं) मेल नहीं खाते। यह एक एकल, स्मार्ट "फाउंडेशन मॉडल" बनाना अविश्वसनीय रूप से कठिन बना देता है जो हर नए काम के लिए फिर से प्रशिक्षित हुए बिना एक प्रकार के नेटवर्क से दूसरे प्रकार के नेटवर्क पर जा सके। बड़ा सवाल जो शोधकर्ता पूछ रहे हैं वह यह है: क्या हम इन अव्यवस्थित, विभिन्न नेटवर्कों के लिए एक सार्वभौमिक अनुवादक बना सकते हैं जो हर चीज़ पर, हर जगह काम करे, बिना हर नए काम के लिए एक शब्दकोश की आवश्यकता के?

यह शोध पत्र एक चतुर नए ढांचे को पेश करता है जिसे Sigil (जो इंडक्टिव लर्निंग के लिए स्ट्रक्चरल इंटरैक्शन ग्राफ्स - Structural Interaction Graphs for Inductive Learning को दर्शाता है) कहा जाता है, जो ठीक उसी समस्या को हल करने के लिए है। सिग्िल (Sigil) को एक मास्टर शेफ के रूप में सोचें जिसे इस बात की परवाह नहीं है कि आप उन्हें कौन सी सामग्री (ingredients) देते हैं (चाहे वे सेब हों, गाजर हों, या एलियन फल)। सामग्रियों को याद करने की कोशिश करने के बजाय, सिग्िल इस बात पर ध्यान देता है कि सामग्रियां एक-दूसरे के साथ कैसे परस्पर क्रिया (interact) करती हैं। यह एक अव्यवस्थित, जटिल नेटवर्क को लेता है और उसे एक नए, सरल स्तर पर ऊपर उठाता है जिसे "स्ट्रक्चरल इंटरैक्शन ग्राफ" (SIG) कहा जाता है। इस नए दृश्य में, "नोड्स" अब लोग या अणु नहीं हैं; वे स्वयं विशेषताएं (features) हैं (जैसे "ऊंचाई," "कीमत," या "रंग")। इस नए ग्राफ में संबंध यह दिखाते हैं कि मूल नेटवर्क के जुड़ाव के आधार पर ये विशेषताएं कैसे संरेखित होती हैं या आपस में टकराती हैं।

इस नए फीचर-मैप पर एक विशेष मैसेज-पासिंग गेम चलाकर, सिग्िल विशेषताओं के लिए एक सार्वभौमिक भाषा सीखता है। यह किसी भी ग्राफ को, चाहे उसकी विशेषताएं कितनी भी अजीब या भिन्न क्यों न हों, एक मानक, निश्चित आकार के प्रारूप में अनुवादित करता है जिसे एक डाउनस्ट्रीम एआई आसानी से समझ सकता है। यह शोध पत्र दिखाता है कि यह केवल एक नया नुस्खा नहीं है; यह एक एकीकृत सिद्धांत है। जब विशेषताएं सरल "वन-हॉट" कोड (जैसे नॉलेज ग्राफ में असतत संबंध प्रकार) होती हैं, तो सिग्िल मौजूदा शक्तिशाली मॉडलों को पूरी तरह से पुनः प्राप्त कर लेता है। लेकिन जब विशेषताएं निरंतर संख्याएं (जैसे वास्तविक-मान वाले सेंसर डेटा) होती हैं, तो सिग्िल वहां जाता है जहां वे पुराने मॉडल नहीं जा सके। लेखकों ने इसे लिंक प्रेडिक्शन और नोड वर्गीकरण सहित कार्यों की एक विस्तृत श्रृंखला पर परखा। उन्होंने पाया कि एक एकल सिग्िल मॉडल, जो केवल एक ग्राफ (जैसे कोरा साइटेशन नेटवर्क) पर प्रशिक्षित किया गया था, अविश्वसनीय रूप से अच्छा प्रदर्शन कर सकता है, उन पूरी तरह से अनदेखे ग्राफों पर जिनमें अलग विशेषताएं हैं, जो अक्सर अन्य "पूरी तरह से इंडक्टिव" मॉडलों को भी पीछे छोड़ देता है जो सामान्यीकरण करने की कोशिश करते हैं। यह एक छात्र को एक किताब पढ़ना सिखाने जैसा है, और फिर उन्हें एक ऐसी किताब पर परीक्षा में उत्कृष्ट प्रदर्शन करते हुए देखना जो पूरी तरह से अलग भाषा में लिखी गई है, केवल इसलिए क्योंकि उन्होंने विचारों के जुड़ने के अंतर्निहित व्याकरण को सीखा है, न कि केवल शब्दों को रटा है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🤖 cs.LG →