論文の概要: Self-supervised edge features for improved Graph Neural Network training
- arxiv url: http://arxiv.org/abs/2007.04777v1
- Date: Tue, 23 Jun 2020 20:18:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:42:40.493988
- Title: Self-supervised edge features for improved Graph Neural Network training
- Title（参考訳）: グラフニューラルネットワークトレーニング改善のための自己教師付きエッジ機能
- Authors: Arijit Sehanobish, Neal G. Ravindra, David van Dijk
- Abstract要約: 我々は、自己教師付き学習と教師なし学習の組み合わせにより、任意のドメインに適用可能な新しいエッジ機能を作成するためのフレームワークを提案する。
本研究は, 単細胞RNAシークエンシングデータ, テキチンインビトロSARS-CoV-2感染, ヒトCOVID-19患者の3つの生物学的データセットについて検証した。
- 参考スコア（独自算出の注目度）: 8.980876474818153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Neural Networks (GNN) have been extensively used to extract meaningful
representations from graph structured data and to perform predictive tasks such
as node classification and link prediction. In recent years, there has been a
lot of work incorporating edge features along with node features for prediction
tasks. One of the main difficulties in using edge features is that they are
often handcrafted, hard to get, specific to a particular domain, and may
contain redundant information. In this work, we present a framework for
creating new edge features, applicable to any domain, via a combination of
self-supervised and unsupervised learning. In addition to this, we use
Forman-Ricci curvature as an additional edge feature to encapsulate the local
geometry of the graph. We then encode our edge features via a Set Transformer
and combine them with node features extracted from popular GNN architectures
for node classification in an end-to-end training scheme. We validate our work
on three biological datasets comprising of single-cell RNA sequencing data of
neurological disease, \textit{in vitro} SARS-CoV-2 infection, and human
COVID-19 patients. We demonstrate that our method achieves better performance
on node classification tasks over baseline Graph Attention Network (GAT) and
Graph Convolutional Network (GCN) models. Furthermore, given the attention
mechanism on edge and node features, we are able to interpret the cell types
and genes that determine the course and severity of COVID-19, contributing to a
growing list of potential disease biomarkers and therapeutic targets.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データから意味のある表現を抽出し、ノード分類やリンク予測などの予測タスクを実行するために広く利用されている。
近年、予測タスクのためのノード機能とともに、エッジ機能を取り込む作業が数多く行われている。
エッジ機能を使用する際の大きな問題の1つは、しばしば手作りで、取得が困難で、特定のドメインに特有であり、冗長な情報を含む可能性があることである。
本稿では,自己教師付き学習と教師なし学習の組み合わせによって,任意のドメインに適用可能な新たなエッジ機能を作成するためのフレームワークを提案する。
これに加えて、forman-ricci 曲率をグラフの局所幾何学をカプセル化する追加のエッジ特徴として用いる。
次に、Set Transformerを介してエッジ機能をエンコードし、それを人気のあるGNNアーキテクチャから抽出したノード特徴と組み合わせて、エンドツーエンドのトレーニングスキームでノード分類を行う。
神経疾患の単細胞RNAシークエンシングデータ, \textit{in vitro} SARS-CoV-2感染症, ヒトCOVID-19患者の3つの生物学的データセットについて検討した。
本手法は,ベースライングラフアテンションネットワーク (gat) およびグラフ畳み込みネットワーク (gcn) モデルよりもノード分類タスクの性能が向上することを示す。
さらに、エッジとノードの特徴に注意を向けるメカニズムを考えると、covid-19の経過と重症度を決定する細胞タイプと遺伝子を解釈することができ、潜在的な疾患バイオマーカーと治療目標の一覧に寄与する。
関連論文リスト
- A Hybrid Supervised and Self-Supervised Graph Neural Network for Edge-Centric Applications [0.0]
本稿では,2つのノード間の関係(エッジ中心タスク)を含むタスクを対象とした,グラフに基づく新しいディープラーニングモデルを提案する。
このモデルは教師付き学習と自己教師型学習を組み合わせ、学習した埋め込みとパターンが真実と無関係に学習される損失関数を考慮に入れている。
実験により、タンパク質間相互作用予測と遺伝子オントロジー(GO)用語予測の既存の手法と一致するか、超えるかを示す。
論文 参考訳（メタデータ） (2025-01-21T17:26:15Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - Graph Convolutional Network For Semi-supervised Node Classification With Subgraph Sketching [0.27624021966289597]
本稿では,GLDGCNと呼ばれるグラフ学習型グラフ畳み込みニューラルネットワークを提案する。
半教師付きノード分類タスクにGLDGCNを適用する。
ベースライン手法と比較して,3つの引用ネットワークの分類精度が向上する。
論文 参考訳（メタデータ） (2024-04-19T09:08:12Z) - Enhanced Graph Neural Networks with Ego-Centric Spectral Subgraph
Embeddings Augmentation [11.841882902141696]
Ego-centric Spectral subGraph Embedding Augmentation (ESGEA) と呼ばれる新しいアプローチを提案する。
ESGEAは、特に情報が不足しているシナリオにおいて、ノード機能の強化と設計を目的としている。
ノード属性が利用できないソーシャルネットワークグラフ分類タスクにおいて,提案手法の評価を行った。
論文 参考訳（メタデータ） (2023-10-10T14:57:29Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - Improving Graph Neural Networks with Simple Architecture Design [7.057970273958933]
グラフニューラルネットワークの重要な設計戦略をいくつか紹介する。
簡便で浅いモデルである特徴選択グラフニューラルネットワーク(FSGNN)を紹介します。
提案手法は,他のGNNモデルよりも優れており,ノード分類タスクの精度が最大64%向上していることを示す。
論文 参考訳（メタデータ） (2021-05-17T06:46:01Z) - CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
CatGCNはグラフ学習に適したノード機能である。
エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
論文 参考訳（メタデータ） (2020-09-11T09:25:17Z) - CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph
Representation Learning [19.432449825536423]
教師なしグラフ表現学習は、教師なしの低次元ノード埋め込みを学習することを目的としている。
本稿では、自己教師付き手法を用いた教師なしグラフ表現学習のための新しいクラスタ対応グラフニューラルネットワーク(CAGNN)モデルを提案する。
論文 参考訳（メタデータ） (2020-09-03T13:57:18Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z) - Cross-GCN: Enhancing Graph Convolutional Network with $k$-Order Feature
Interactions [153.6357310444093]
Graph Convolutional Network(GCN)は,グラフデータの学習と推論を行う新興技術である。
我々は、GCNの既存の設計がクロスフィーチャをモデリングし、クロスフィーチャが重要であるタスクやデータに対してGCNの効率を損なうことを論じている。
我々は、任意の次交叉特徴を、特徴次元と順序サイズに線形に複雑にモデル化した、クロスフィーチャーグラフ畳み込みという新しい演算子を設計する。
論文 参考訳（メタデータ） (2020-03-05T13:05:27Z) - EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。
EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。
これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文 参考訳（メタデータ） (2020-01-21T15:51:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。