論文の概要: Discovering alignment relations with Graph Convolutional Networks: a
biomedical case study
- arxiv url: http://arxiv.org/abs/2011.06023v2
- Date: Tue, 19 Oct 2021 22:53:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:15:08.357838
- Title: Discovering alignment relations with Graph Convolutional Networks: a
biomedical case study
- Title（参考訳）: グラフ畳み込みネットワークによるアライメント関係の解明--バイオメディカルケーススタディ
- Authors: Pierre Monnin and Chedy Ra\"issi and Amedeo Napoli and Adrien Coulet
- Abstract要約: 本稿では,グラフ畳み込みネットワークを用いたノード埋め込み学習により,知識グラフ内のノードをマッチングすることを提案する。
薬理ゲノミクス分野における知識整合の現実的応用について,本手法を用いて実験を行った。
- 参考スコア（独自算出の注目度）: 9.567950832094668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Knowledge graphs are freely aggregated, published, and edited in the Web of
data, and thus may overlap. Hence, a key task resides in aligning (or matching)
their content. This task encompasses the identification, within an aggregated
knowledge graph, of nodes that are equivalent, more specific, or weakly
related. In this article, we propose to match nodes within a knowledge graph by
(i) learning node embeddings with Graph Convolutional Networks such that
similar nodes have low distances in the embedding space, and (ii) clustering
nodes based on their embeddings, in order to suggest alignment relations
between nodes of a same cluster. We conducted experiments with this approach on
the real world application of aligning knowledge in the field of
pharmacogenomics, which motivated our study. We particularly investigated the
interplay between domain knowledge and GCN models with the two following
focuses. First, we applied inference rules associated with domain knowledge,
independently or combined, before learning node embeddings, and we measured the
improvements in matching results. Second, while our GCN model is agnostic to
the exact alignment relations (e.g., equivalence, weak similarity), we observed
that distances in the embedding space are coherent with the ``strength'' of
these different relations (e.g., smaller distances for equivalences), letting
us considering clustering and distances in the embedding space as a means to
suggest alignment relations in our case study.
- Abstract（参考訳）: 知識グラフは、データのWebで自由に集約、公開、編集され、重複する可能性がある。
したがって、重要なタスクは、コンテンツの整合(あるいは整合)にある。
このタスクは、集約された知識グラフの中で、等価、より特異的、または弱い関係のノードの識別を含む。
本稿では,知識グラフ内のノードをマッチングする手法を提案する。
(i)類似ノードが埋め込み空間内で低い距離を持つようなグラフ畳み込みネットワークによるノード組込みの学習
(II) 同一クラスタのノード間のアライメント関係を提案するために、その埋め込みに基づくクラスタリングノードを提案する。
我々は,本研究の動機となった薬理ゲノミクス分野における知識整合の現実的応用に関する実験を行った。
特にドメイン知識とGCNモデルの相互作用について,以下の2点に着目した。
まず、ノード埋め込みを学習する前に、ドメイン知識に関連する推論ルールを独立または組み合わせて適用し、マッチング結果の改善を測定した。
第二に、GCNモデルは正確なアライメント関係(例えば、同値性、弱類似性)に非依存であるが、埋め込み空間における距離は、これらの異なる関係(例えば、同値性の小さい距離)の ''strength'' とコヒーレントであることを観察し、埋め込み空間におけるクラスタリングと距離をケーススタディにおけるアライメント関係を提案する手段として検討する。
関連論文リスト
- Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。
本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
論文 参考訳（メタデータ） (2024-08-07T13:36:03Z) - PA-GM: Position-Aware Learning of Embedding Networks for Deep Graph
Matching [14.713628231555223]
本稿では,線形代入問題を高次元空間にマッピングできる新しいエンドツーエンドニューラルネットワークを提案する。
我々のモデルは、ノードの相対的な位置に対するアンカーセットを構成する。
そして、相対位置の尺度に基づいて、ターゲットノードと各アンカーノードの特徴情報を集約する。
論文 参考訳（メタデータ） (2023-01-05T06:54:21Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。
そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
論文 参考訳（メタデータ） (2021-11-19T08:54:21Z) - Detecting Communities from Heterogeneous Graphs: A Context Path-based
Graph Neural Network Model [23.525079144108567]
コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。
ノード間の高次関係をノードの埋め込みに埋め込む。
最先端のコミュニティ検出手法よりも優れています。
論文 参考訳（メタデータ） (2021-09-05T12:28:00Z) - A Framework for Joint Unsupervised Learning of Cluster-Aware Embedding
for Heterogeneous Networks [6.900303913555705]
Heterogeneous Information Network (HIN) は、HINの構造と意味を保存しているHINノードの低次元投影を指す。
本稿では,クラスタ埋め込みとクラスタ認識HIN埋め込みの併用学習を提案する。
論文 参考訳（メタデータ） (2021-08-09T11:36:36Z) - Noise-robust Graph Learning by Estimating and Leveraging Pairwise
Interactions [123.07967420310796]
本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。
PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。
提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
論文 参考訳（メタデータ） (2021-06-14T14:23:08Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - 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) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。