Fugu-MT 論文翻訳(概要): An Effective GCN-based Hierarchical Multi-label classification for Protein Function Prediction

論文の概要: An Effective GCN-based Hierarchical Multi-label classification for Protein Function Prediction

arxiv url: http://arxiv.org/abs/2112.02810v1
Date: Mon, 6 Dec 2021 06:45:49 GMT
ステータス: 処理完了
システム内更新日: 2021-12-08 06:02:05.498513
Title: An Effective GCN-based Hierarchical Multi-label classification for Protein Function Prediction
Title（参考訳）: タンパク質機能予測のためのGCNに基づく階層型多ラベル分類
Authors: Kyudam Choi, Yurim Lee, Cheongwon Kim, Minsung Yoon
Abstract要約: 遺伝子オントロジー(GO)用語の階層的特徴を利用したタンパク質機能予測(PFP)の改善手法を提案する。本手法は,タンパク質配列を符号化する言語モデルとGO項を表すグラフ畳み込みネットワーク(GCN)から構成される。提案アルゴリズムは,GOグラフを従来のモデルと比較して拡張することにより,大規模グラフにおける有効性を示す。
参考スコア（独自算出の注目度）: 0.11865590614744155
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose an effective method to improve Protein Function Prediction (PFP) utilizing hierarchical features of Gene Ontology (GO) terms. Our method consists of a language model for encoding the protein sequence and a Graph Convolutional Network (GCN) for representing GO terms. To reflect the hierarchical structure of GO to GCN, we employ node(GO term)-wise representations containing the whole hierarchical information. Our algorithm shows effectiveness in a large-scale graph by expanding the GO graph compared to previous models. Experimental results show that our method outperformed state-of-the-art PFP approaches.
Abstract（参考訳）: 遺伝子オントロジー(GO)用語の階層的特徴を利用したタンパク質機能予測(PFP)の改善手法を提案する。本手法は,タンパク質配列を符号化する言語モデルとGO項を表すグラフ畳み込みネットワーク(GCN)から構成される。 GOの階層構造をGCNに反映するために、階層情報全体を含むノード(GO項)ワイズ表現を用いる。本アルゴリズムは,goグラフを従来モデルと比較して拡張することにより,大規模グラフの有効性を示す。実験の結果,本手法は最先端のPFP手法よりも優れていた。

関連論文リスト

DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文参考訳（メタデータ） (2022-07-18T04:34:08Z)
Generalization Guarantee of Training Graph Convolutional Networks with Graph Topology Sampling [83.77955213766896]
グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
論文参考訳（メタデータ） (2022-07-07T21:25:55Z)
SStaGCN: Simplified stacking based graph convolutional networks [6.742080381542375]
グラフ畳み込みネットワーク(GCN)は、様々なグラフ構造データ学習タスクにおいて広く研究されている強力なモデルである。本稿では, SStaGCN (Simplified stacking based GCN) と呼ばれる新しいGCNを提案する。 SStaGCNはGCNの過密問題を効果的に軽減できることを示す。
論文参考訳（メタデータ） (2021-11-16T05:00:08Z)
Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文参考訳（メタデータ） (2020-10-19T21:51:47Z)
Locality Preserving Dense Graph Convolutional Networks with Graph Context-Aware Node Representations [19.623379678611744]
グラフ畳み込みネットワーク(GCN)はグラフデータの表現学習に広く利用されている。多くのグラフ分類アプリケーションにおいて、GCNベースのアプローチは従来の手法よりも優れている。グラフコンテキスト対応ノード表現を用いた局所性保存型高密度GCNを提案する。
論文参考訳（メタデータ） (2020-10-12T02:12:27Z)
Connecting Graph Convolutional Networks and Graph-Regularized PCA [23.592657600394215]
GCNモデルのグラフ畳み込み演算子は、もともとスペクトルグラフ畳み込みの局所化一階近似から動機付けられたものである。グラフ畳み込みとグラフ正規化PCA(GPCA)のテキスト数学的接続を確立する。
論文参考訳（メタデータ） (2020-06-22T14:27:02Z)
Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks [0.0]
グラフ畳み込みネットワーク(GCN)は,構造認識の特徴を抽出することによって,グラフデータ処理において有望な結果を示した。本稿では、幾何学的散乱変換と残差畳み込みによる従来のGCNの増大を提案する。前者はグラフ信号の帯域通過フィルタリングが可能であり、GCNでしばしば発生する過度な過度な処理を緩和する。
論文参考訳（メタデータ） (2020-03-18T18:03:08Z)
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。