論文の概要: PanRep: Graph neural networks for extracting universal node embeddings
in heterogeneous graphs
- arxiv url: http://arxiv.org/abs/2007.10445v2
- Date: Thu, 4 Mar 2021 15:49:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 12:55:40.201636
- Title: PanRep: Graph neural networks for extracting universal node embeddings
in heterogeneous graphs
- Title（参考訳）: PanRep:異種グラフにおける普遍ノード埋め込み抽出のためのグラフニューラルネットワーク
- Authors: Vassilis N. Ioannidis, Da Zheng, George Karypis
- Abstract要約: この研究は、異種グラフに対する普遍ノード表現の教師なし学習のためのグラフニューラルネットワーク(GNN)モデルであるPanRepを紹介する。
PanRepは、ノード埋め込みと4つのデコーダを取得するGNNエンコーダで構成され、それぞれが異なるトポロジとノードの特徴特性をキャプチャする。
薬物再服用における普遍的な埋め込みの利点を実証し, 薬剤候補として臨床治験で使用した薬物の同定を行った。
- 参考スコア（独自算出の注目度）: 22.035580011316746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning unsupervised node embeddings facilitates several downstream tasks
such as node classification and link prediction. A node embedding is universal
if it is designed to be used by and benefit various downstream tasks. This work
introduces PanRep, a graph neural network (GNN) model, for unsupervised
learning of universal node representations for heterogenous graphs. PanRep
consists of a GNN encoder that obtains node embeddings and four decoders, each
capturing different topological and node feature properties. Abiding to these
properties the novel unsupervised framework learns universal embeddings
applicable to different downstream tasks. PanRep can be furthered fine-tuned to
account for possible limited labels. In this operational setting PanRep is
considered as a pretrained model for extracting node embeddings of heterogenous
graph data. PanRep outperforms all unsupervised and certain supervised methods
in node classification and link prediction, especially when the labeled data
for the supervised methods is small. PanRep-FT (with fine-tuning) outperforms
all other supervised approaches, which corroborates the merits of pretraining
models. Finally, we apply PanRep-FT for discovering novel drugs for Covid-19.
We showcase the advantage of universal embeddings in drug repurposing and
identify several drugs used in clinical trials as possible drug candidates.
- Abstract（参考訳）: 教師なしノード埋め込みの学習は、ノード分類やリンク予測などの下流タスクを容易にする。
ノードの埋め込みは、様々な下流タスクで使われるように設計されている場合、普遍的である。
この研究は、異種グラフに対する普遍ノード表現の教師なし学習のためのグラフニューラルネットワーク(GNN)モデルであるPanRepを紹介する。
PanRepは、ノード埋め込みと4つのデコーダを取得するGNNエンコーダで構成され、それぞれが異なるトポロジとノードの特徴特性をキャプチャする。
これらの特性に従えば、新しい教師なしフレームワークは、異なる下流タスクに適用可能な普遍的な埋め込みを学習する。
PanRepは、限定ラベルを考慮に入れた微調整が可能である。
この運用環境では、PanRepは異種グラフデータのノード埋め込みを抽出するための事前訓練されたモデルとみなされる。
panrepは、ノード分類とリンク予測において、特に教師なしメソッドのラベル付きデータが小さい場合に、教師なしメソッドと教師なしメソッドを全て上回る。
PanRep-FT(微調整)は他の教師ありアプローチよりも優れており、事前学習モデルの利点を裏付けている。
最後に、Covid-19の新規薬物発見にPanRep-FTを適用した。
薬物再導入における普遍的な埋め込みの利点を示し,臨床試験で用いられる薬物を薬物候補として同定する。
関連論文リスト
- The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。
観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。
さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
論文 参考訳（メタデータ） (2024-06-18T12:16:00Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Improving Graph Neural Networks on Multi-node Tasks with Labeling Tricks [14.41064333206723]
GNNを適用する前に、まず、ターゲットノードセットとの関係に応じてグラフ内のノードをラベル付けするテキストラベリング手法を提案する。
本研究は,従来のノードラベル方式の優れた性能を説明し,GNNをマルチノード表現学習に活用するための理論的基盤を確立する。
論文 参考訳（メタデータ） (2023-04-20T04:03:40Z) - GraFN: Semi-Supervised Node Classification on Graph with Few Labels via
Non-Parametric Distribution Assignment [5.879936787990759]
本研究では,グラフの半教師付き手法であるGraFNを提案し,同一クラスに属するノードをグループ化する。
GraFNはグラフ全体からラベル付きノードとアンカーノードからランダムにノードをサンプリングする。
実世界のグラフ上のノード分類において,GraFNが半教師付き手法と自己教師型手法のどちらよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-04T08:22:30Z) - Uniting Heterogeneity, Inductiveness, and Efficiency for Graph
Representation Learning [68.97378785686723]
グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。
GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。
本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
論文 参考訳（メタデータ） (2021-04-04T23:31:39Z) - NCGNN: Node-level Capsule Graph Neural Network [45.23653314235767]
ノードレベルカプセルグラフニューラルネットワーク(ncgnn)は、ノードをカプセル群として表現する。
凝集に適したカプセルを適応的に選択する新しい動的ルーティング手法を開発した。
NCGNNは、過度にスムースな問題に対処でき、分類のためのより良いノード埋め込みを生成することで、芸術の状態を上回ります。
論文 参考訳（メタデータ） (2020-12-07T06:46:17Z) - 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) - Integrating Network Embedding and Community Outlier Detection via
Multiclass Graph Description [15.679313861083239]
そこで本稿では,ノード埋め込みとアウトレーヤとコミュニティ検出を統合した非教師なしグラフ埋め込み手法(DMGD)を提案する。
DMGDにより検出された外れ値の数に関する理論的境界を示す。
我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
論文 参考訳（メタデータ） (2020-07-20T16:21:07Z) - Self-supervised edge features for improved Graph Neural Network training [8.980876474818153]
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。
論文 参考訳（メタデータ） (2020-06-23T20:18:22Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-02-26T10:02:32Z) - Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。
理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。
我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
論文 参考訳（メタデータ） (2020-02-17T03:23:13Z)
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。