Qrafik Struktur Öyrənməsi, bağlantılar naməlum və ya səs-küylü olduqda qrafikdəki qovşaqlar arasındakı əlaqələri kəşf etməyə və ya təkmilləşdirməyə yönəlmişdir, Zaman Dinamikası Modelləşdirməsi isə məlumatların zamanla necə inkişaf etdiyini əks etdirməyə yönəlmişdir. Hər iki yanaşma təmsilçilik öyrənməsini təkmilləşdirməyi hədəfləyir, lakin biri struktur kəşfinə, digəri isə zamandan asılı davranışa vurğu edir.
Əvvəlcədən müəyyən edilmiş bir quruluşa etibar etmək əvəzinə, əsas qrafik əlaqələrini öyrənən və ya təkmilləşdirən metodlar.
Ardıcıl və ya inkişaf edən məlumatlarda xüsusiyyətlərin, vəziyyətlərin və ya əlaqələrin zamanla necə dəyişdiyini modelləşdirən üsullar.
| Xüsusiyyət | Qrafik Strukturunun Öyrənilməsi | Zaman Dinamikası Modelləşdirməsi |
|---|---|---|
| Əsas Məqsəd | Qrafik əlaqələrini öyrənin və ya təkmilləşdirin | Zamanla modelin təkamülü |
| Əsas Fokus | Məkan əlaqələri (struktur) | Zaman münasibətləri (zaman) |
| Giriş Fərziyyəsi | Qrafik natamam və ya naməlum ola bilər | Məlumatlar ardıcıl və ya zamanla indekslənir |
| Çıxış Təqdimatı | Optimallaşdırılmış bitişiklik matrisi | Zamanla əlaqəli yerləşdirmələr və ya proqnozlar |
| Tipik Modellər | Neyron relyasiya nəticəsi, diqqətə əsaslanan GSL | RNN-lər, TCN-lər, transformatorlar |
| Əsas Çətinlik | Həqiqi kənarları dəqiq şəkildə çıxarmaq | Uzunmüddətli zaman asılılıqlarının ələ keçirilməsi |
| Məlumat Növü | Qrafik strukturlaşdırılmış məlumatlar | Ardıcıl və ya məkan-zaman məlumatları |
| Hesablama Fokusu | Kənar proqnozu və optimallaşdırma | Zaman addımları üzərində ardıcıllıq modelləşdirməsi |
Qrafik Strukturunun Öyrənilməsi, ilk növbədə, orijinal qrafik itkin, səs-küylü və ya natamam olduqda, hansı qovşaqların birləşdirilməli olduğunu kəşf etməklə bağlıdır. Digər tərəfdən, Zaman Dinamikası Modelləşdirməsi əlaqələrin və ya xüsusiyyətlərin zamanla mövcud olduğunu fərz edir və onların necə formalaşdığına deyil, necə inkişaf etdiyinə diqqət yetirir.
Struktur öyrənməsində məqsəd tez-tez statik və ya yarı statik bitişiklik matrisini təkmilləşdirməkdir ki, aşağı axın modelləri daha mənalı qrafik üzərində işləsin. Zaman modelləşdirməsi əlavə bir ox — zaman — təqdim edir, burada düyün xüsusiyyətləri və ya kənar gücləri addımlar arasında dəyişir və bu da modellərdən keçmiş vəziyyətlərin yaddaşını saxlamağı tələb edir.
Qrafik Struktur Öyrənməsi adətən qrafik topologiyasını yenidən qurmaq üçün oxşarlıq funksiyalarından, diqqət mexanizmlərindən və ya ehtimal kənarı çıxarışından istifadə edir. Zaman Dinamikası Modelləşdirməsi, sifarişli məlumatları emal etmək və zamanla asılılıqları ələ keçirmək üçün təkrarlanan arxitekturalara, zaman burulmalarına və ya transformator əsaslı ardıcıllıq kodlayıcılarına əsaslanır.
Qabaqcıl süni intellekt sistemlərində, xüsusən də məkan-zaman qrafiki öyrənməsində hər iki yanaşma tez-tez birləşdirilir. Struktur öyrənmə düyünlərin necə bir-birinə bağlı olduğunu dəqiqləşdirir, zaman modelləşdirmə isə bu əlaqələrin və düyün vəziyyətlərinin necə inkişaf etdiyini izah edir və mürəkkəb sistemlərin daha uyğunlaşdırıcı və realistik təsvirini yaradır.
Qrafik Struktur Öyrənməsi həmişə əsl əsas qrafiki yaradır.
Əslində, struktur öyrənməsi dəqiq qrafik əvəzinə faydalı bir təxmini nəticə çıxarır. Öyrənilən kənarlar, mütləq əsas həqiqətin düzgünlüyü üçün deyil, tapşırıqların yerinə yetirilməsi üçün optimallaşdırılır.
Zaman dinamikası modelləşdirməsi yalnız zaman seriyası məlumatları ilə işləyir.
Zaman seriyaları üçün geniş istifadə olunsa da, zaman modelləşdirməsi, müntəzəm olaraq nümunə götürülmək əvəzinə, zaman gizli olduğu inkişaf edən qrafiklərə və hadisə əsaslı məlumatlara da tətbiq oluna bilər.
Struktur öyrənmə sahə biliklərinə olan ehtiyacı aradan qaldırır.
Sahə bilikləri məhdudiyyətlərə, nizamlanmaya və interpretasiyaya istiqamət vermək üçün hələ də dəyərlidir. Sırf məlumatlara əsaslanan struktur öyrənməsi bəzən qeyri-real əlaqələr yarada bilər.
Zaman modelləri uzunmüddətli asılılıqları avtomatik olaraq yaxşı əks etdirir.
Uzunmüddətli asılılıqlar hələ də çətinlik yaradır və tez-tez transformatorlar və ya yaddaşla genişləndirilmiş şəbəkələr kimi ixtisaslaşmış arxitekturalar tələb edir.
Qrafik Struktur Öyrənməsi, varlıqlar arasındakı münasibətlər qeyri-müəyyən olduqda və ya təkmilləşdirməyə ehtiyac duyulduqda ən uyğundur, Zaman Dinamikası Modelləşdirməsi isə əsas çətinlik sistemlərin zamanla necə inkişaf etdiyini anlamaqda olduqda vacibdir. Praktikada, müasir süni intellekt sistemləri həm əlaqəli, həm də zamandan asılı olan mürəkkəb, real dünya məlumatlarını idarə etmək üçün tez-tez hər ikisini birləşdirir.
Bu müqayisə açıq mənbəli süni intellekt ilə xüsusi mülkiyyətli süni intellekt arasındakı əsas fərqləri araşdırır, əlçatanlıq, fərdiləşdirmə, xərclər, dəstək, təhlükəsizlik, performans və real dünyada tətbiq hallarını əhatə edir, təşkilatların və tərtibatçıların hansı yanaşmanın onların məqsədlərinə və texniki imkanlarına uyğun gəldiyini müəyyən etməsinə kömək edir.
Ardıcıllıq Paralelləşdirməsi və Ardıcıllıqla Emal Optimallaşdırması süni intellekt iş yüklərində səmərəliliyi artırmaq üçün iki fərqli strategiyadır. Biri təlim və nəticə çıxarmaq üçün ardıcıllıq hesablamasının birdən çox cihaz arasında paylanmasına yönəlmişdir, digəri isə tək bir emal axını daxilində addım-addım icranın səmərəliliyini artıraraq gecikməni və hesablama xərclərini azaldır.
Sensor birləşməsi sistemləri ətraf mühit haqqında güclü bir anlayış yaratmaq üçün kameralar, LiDAR və radar kimi birdən çox sensordan gələn məlumatları birləşdirir, tək sensorlu sistemlər isə qavrayışın tək bir mənbəyinə əsaslanır. Kompromis etibarlılıq və sadəlik üzərində qurulur və muxtar nəqliyyat vasitələrinin real həyatda sürücülük şərtlərini necə qavradığını, şərh etdiyini və reaksiya verdiyini formalaşdırır.
Tam idarəetmə modelləri və modul muxtar boru kəmərləri özünüidarəetmə sistemlərinin qurulması üçün iki əsas strategiyanı təmsil edir. Biri böyük neyron şəbəkələrindən istifadə edərək sensorlardan idarəetmə hərəkətlərinə birbaşa xəritələşdirməni öyrənir, digəri isə problemi qavrayış, proqnozlaşdırma və planlaşdırma kimi strukturlaşdırılmış komponentlərə bölür. Onların kompromisləri muxtar nəqliyyat vasitələrində təhlükəsizliyi, miqyaslanabilirliyi və real dünyada yerləşdirilməsini formalaşdırır.
Beyin plastikliyi və qradiyent eniş optimallaşdırması sistemlərin dəyişiklik vasitəsilə necə təkmilləşdiyini təsvir edir, lakin onlar kökündən fərqli şəkildə fəaliyyət göstərir. Beyin plastikliyi bioloji beyinlərdəki neyron əlaqələrini təcrübəyə əsaslanaraq yenidən formalaşdırır, qradiyent eniş isə model parametrlərini təkrar olaraq tənzimləməklə səhvləri minimuma endirmək üçün maşın öyrənməsində istifadə olunan riyazi metoddur.
