論文の概要: Graph-in-Graph Network for Automatic Gene Ontology Description Generation

• arxiv url: http://arxiv.org/abs/2206.05311v1
• Date: Fri, 10 Jun 2022 18:17:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-19 14:52:55.484596
• Title: Graph-in-Graph Network for Automatic Gene Ontology Description Generation
• Title（参考訳）: 遺伝子オントロジー記述自動生成のためのグラフイングラフネットワーク
• Authors: Fenglin Liu, Bang Yang, Chenyu You, Xian Wu, Shen Ge, Adelaide Woicik, Sheng Wang
• Abstract要約: GO項記述生成という新しい課題を提案する。 本課題は、3つのカテゴリのうちの1つに属するGO項の機能を記述する文を自動生成することを目的とする。 提案するネットワークでは,2層グラフを導入している。第1層はGO項のグラフであり,各ノードがグラフ(遺伝子グラフ)でもある。
• 参考スコア（独自算出の注目度）: 55.40404942182707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gene Ontology (GO) is the primary gene function knowledge base that enables computational tasks in biomedicine. The basic element of GO is a term, which includes a set of genes with the same function. Existing research efforts of GO mainly focus on predicting gene term associations. Other tasks, such as generating descriptions of new terms, are rarely pursued. In this paper, we propose a novel task: GO term description generation. This task aims to automatically generate a sentence that describes the function of a GO term belonging to one of the three categories, i.e., molecular function, biological process, and cellular component. To address this task, we propose a Graph-in-Graph network that can efficiently leverage the structural information of GO. The proposed network introduces a two-layer graph: the first layer is a graph of GO terms where each node is also a graph (gene graph). Such a Graph-in-Graph network can derive the biological functions of GO terms and generate proper descriptions. To validate the effectiveness of the proposed network, we build three large-scale benchmark datasets. By incorporating the proposed Graph-in-Graph network, the performances of seven different sequence-to-sequence models can be substantially boosted across all evaluation metrics, with up to 34.7%, 14.5%, and 39.1% relative improvements in BLEU, ROUGE-L, and METEOR, respectively.
• Abstract（参考訳）: 遺伝子オントロジー (gene ontology, go) は、生物医学における計算作業を可能にする主要な遺伝子機能知識ベースである。 goの基本的な要素は、同じ機能を持つ遺伝子の集合を含む用語である。 GOの既存の研究は、主に遺伝子組立の予測に重点を置いている。 新しい用語の記述を生成するような他のタスクはめったに追求されない。 本稿では,GO用語記述生成という新しい課題を提案する。 本課題は、分子機能、生物学的プロセス、細胞成分の3つのカテゴリのうちの1つに属するGO項の機能を記述する文を自動生成することを目的とする。 そこで本研究では,goの構造情報を効率的に活用できるグラフ・イン・グラフネットワークを提案する。 提案ネットワークは2層グラフを導入し,第1層はGO項のグラフであり,各ノードがグラフ(遺伝子グラフ)でもある。 このようなグラフ・イン・グラフ・ネットワークはGO項の生物学的機能を導出し、適切な記述を生成する。 提案手法の有効性を検証するため,3つの大規模ベンチマークデータセットを構築した。 提案したグラフ・イン・グラフ・ネットワークを組み込むことで、7つの異なるシーケンス・ツー・シーケンス・モデルの性能を最大34.7%、14.5%、および39.1%の相対的なBLEU、ROUGE-L、METEORで大幅に向上させることができる。

関連論文リスト

• TouchUp-G: Improving Feature Representation through Graph-Centric Finetuning [37.318961625795204]
  グラフニューラルネットワーク(GNN)は、多くのハイインパクトな実世界のグラフアプリケーションにおいて最先端のアプローチとなっている。 機能豊富なグラフでは、PMを直接利用して機能を生成するのが一般的である。 PMから抽出されたノード特徴がグラフに依存しず、GNNがグラフ構造とノード特徴の間の潜在的な相関を十分に活用できないため、このプラクティスは準最適である。
  論文  参考訳（メタデータ） (2023-09-25T05:44:40Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• 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)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• 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)
• Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
  グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。 具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:00:02Z)
• Geom-GCN: Geometric Graph Convolutional Networks [15.783571061254847]
  本稿では,この2つの弱点を克服するために,グラフニューラルネットワークのための新しい幾何集約手法を提案する。 提案したアグリゲーションスキームは置換不変であり、ノード埋め込み、構造近傍、二レベルアグリゲーションという3つのモジュールから構成される。 また,このスキームをGeom-GCNと呼ばれるグラフ畳み込みネットワークに実装し,グラフ上でトランスダクティブ学習を行う。
  論文  参考訳（メタデータ） (2020-02-13T00:03:09Z)

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。