論文の概要: DPPIN: A Biological Dataset of Dynamic Protein-Protein Interaction Networks

• arxiv url: http://arxiv.org/abs/2107.02168v1
• Date: Mon, 5 Jul 2021 17:52:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 14:52:15.342764
• Title: DPPIN: A Biological Dataset of Dynamic Protein-Protein Interaction Networks
• Title（参考訳）: DPPIN:動的タンパク質-タンパク質相互作用ネットワークの生物学的データセット
• Authors: Dongqi Fu, Jingrui He
• Abstract要約: 我々は動的タンパク質-タンパク質相互作用ネットワーク(DPPIN)の新しい生物学的データセットを生成する DPPINは、酵母細胞の12の動的タンパク質レベルの相互作用ネットワークから構成される。 我々は、動的局所クラスタリング、動的スペクトルクラスタリング、動的サブグラフマッチング、動的ノード分類、動的グラフ分類実験を設計する。
• 参考スコア（独自算出の注目度）: 40.490606259328686
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nowadays, many network representation learning algorithms and downstream network mining tasks have already paid attention to dynamic networks or temporal networks, which are more suitable for real-world complex scenarios by modeling evolving patterns and temporal dependencies between node interactions. Moreover, representing and mining temporal networks have a wide range of applications, such as fraud detection, social network analysis, and drug discovery. To contribute to the network representation learning and network mining research community, in this paper, we generate a new biological dataset of dynamic protein-protein interaction networks (i.e., DPPIN), which consists of twelve dynamic protein-level interaction networks of yeast cells at different scales. We first introduce the generation process of DPPIN. To demonstrate the value of our published dataset DPPIN, we then list the potential applications that would be benefited. Furthermore, we design dynamic local clustering, dynamic spectral clustering, dynamic subgraph matching, dynamic node classification, and dynamic graph classification experiments, where DPPIN indicates future research opportunities for some tasks by presenting challenges on state-of-the-art baseline algorithms. Finally, we identify future directions for improving this dataset utility and welcome inputs from the community. All resources of this work are deployed and publicly available at https://github.com/DongqiFu/DPPIN.
• Abstract（参考訳）: 現在、多くのネットワーク表現学習アルゴリズムと下流ネットワークマイニングタスクは、動的ネットワークや時間的ネットワークに既に注意を払っている。 さらに、時間的ネットワークの表現とマイニングには、詐欺検出、ソーシャルネットワーク分析、薬物発見など、幅広い応用がある。 本稿では, ネットワーク表現学習とネットワークマイニング研究コミュニティに貢献するために, 酵母細胞の動的タンパク質レベル相互作用ネットワーク12種からなる, 動的タンパク質-タンパク質相互作用ネットワーク(dppin)の新しい生物学的データセットを作成する。 まず, DPPINの生成過程を紹介する。 発行したデータセットDPPINの価値を示すために、有益な潜在的なアプリケーションをリストアップします。 さらに,動的局所クラスタリング,動的スペクトルクラスタリング,動的サブグラフマッチング,動的ノード分類,動的グラフ分類実験をデザインした。 最後に、このデータセットユーティリティを改善するための今後の方向性を特定し、コミュニティからのインプットを歓迎する。 この作業のすべてのリソースはhttps://github.com/DongqiFu/DPPINで公開されています。

関連論文リスト

• A Network Classification Method based on Density Time Evolution Patterns Extracted from Network Automata [0.0]
  そこで我々は,密度時間進化パターン(D-TEP)と状態密度時間進化パターン(SD-TEP)とを識別する,分類のための記述子として使用する情報の代替源を提案する。 その結果,従来の5つの合成ネットワークデータベースと7つの実世界のデータベースと比較すると,顕著な改善が得られた。
  論文  参考訳（メタデータ） (2022-11-18T15:27:26Z)
• Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
  インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2022-11-15T13:00:25Z)
• Dynamic Network Embedding Survey [11.742863376032112]
  本稿では,動的ネットワークの埋め込みに関する調査を行う。 動的ネットワークのための2つの基本データモデル、すなわち離散モデルと連続モデルを提案する。 典型的な学習モデルによって分類階層を洗練させる分類法を構築する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:53Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Multi-View Dynamic Heterogeneous Information Network Embedding [3.8093526291513347]
  MDHNE(Multi-View Dynamic HIN Embedding)と呼ばれるHIN埋め込みに時間情報を組み込む新しいフレームワークを提案する。 提案するMDHNEは、複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために、リカレントニューラルネットワーク(RNN)を適用している。 本モデルは,ネットワークマイニングタスクの3つの実世界の動的データセットに対して,最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-11-12T12:33:29Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Foundations and modelling of dynamic networks using Dynamic Graph Neural Networks: A survey [11.18312489268624]
  我々は、一貫した詳細な用語と表記を伴う動的ネットワークの基礎を確立する。 提案する用語を用いて,動的グラフニューラルネットワークモデルに関する包括的調査を行う。
  論文  参考訳（メタデータ） (2020-05-13T23:56:38Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。