چکیده
ساختارهای گراف نقشی کلیدی در مدل‌سازی 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
موضوعات
)