論文の概要: Hierarchical Protein Function Prediction with Tail-GNNs

• arxiv url: http://arxiv.org/abs/2007.12804v1
• Date: Fri, 24 Jul 2020 23:38:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 06:31:40.748134
• Title: Hierarchical Protein Function Prediction with Tail-GNNs
• Title（参考訳）: Tail-GNNを用いた階層的タンパク質機能予測
• Authors: Stefan Spalevi\'c, Petar Veli\v{c}kovi\'c, Jovana Kova\v{c}evi\'c, Mladen Nikoli\'c
• Abstract要約: マルチタスク予測のために,任意のニューラルネットワークの出力空間を構成するニューラルネットワークであるTail-GNNを提案する。 タンパク質機能の予測には、Tail-GNNとタンパク質配列の表現を学習する拡張畳み込みネットワークを組み合わせる。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein function prediction may be framed as predicting subgraphs (with certain closure properties) of a directed acyclic graph describing the hierarchy of protein functions. Graph neural networks (GNNs), with their built-in inductive bias for relational data, are hence naturally suited for this task. However, in contrast with most GNN applications, the graph is not related to the input, but to the label space. Accordingly, we propose Tail-GNNs, neural networks which naturally compose with the output space of any neural network for multi-task prediction, to provide relationally-reinforced labels. For protein function prediction, we combine a Tail-GNN with a dilated convolutional network which learns representations of the protein sequence, making significant improvement in F_1 score and demonstrating the ability of Tail-GNNs to learn useful representations of labels and exploit them in real-world problem solving.
• Abstract（参考訳）: タンパク質関数の予測は、タンパク質関数の階層性を記述する有向非環状グラフの(特定の閉包特性を持つ)部分グラフの予測として表すことができる。 グラフニューラルネットワーク(GNN)は、リレーショナルデータに対する帰納バイアスを組み込んだもので、このタスクに自然に適している。 しかし、ほとんどのGNNアプリケーションとは対照的に、グラフは入力とは関係がなく、ラベル空間と関係がある。 そこで本研究では,複数タスク予測のためのニューラルネットワークの出力空間と自然に合成するニューラルネットワークであるtail-gnnsを提案する。 タンパク質機能予測には,タンパク質配列の表現を学習する拡張畳み込みネットワークと組み合わせ,F_1スコアを大幅に向上させ,ラベルの有用な表現を学習し,現実の問題解決に活用するTail-GNNの能力を実証する。

関連論文リスト

• Non-convolutional Graph Neural Networks [46.79328529882998]
  畳み込み演算子を完全に含まない単純なグラフ学習モジュールを設計し、RUMニューラルネットワークを用いたランダムウォークを作成した。 RUMは競合する性能を実現するが、より堅牢で、メモリ効率が高く、スケーラブルで、最も単純な畳み込みGNNよりも高速である。
  論文  参考訳（メタデータ） (2024-07-31T21:29:26Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  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の学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• Higher-Order Explanations of Graph Neural Networks via Relevant Walks [3.1510406584101776]
  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を予測するための一般的なアプローチである。 本稿では,GNNを高次展開を用いて自然に説明できることを示す。 本稿では,テキストデータの感情分析,量子化学における構造・不適切な関係,画像分類に関する実践的な知見を抽出する。
  論文  参考訳（メタデータ） (2020-06-05T17:59:14Z)

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。