論文の概要: Motif-based Graph Representation Learning with Application to Chemical Molecules

• arxiv url: http://arxiv.org/abs/2208.04529v1
• Date: Tue, 9 Aug 2022 03:37:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 12:50:00.827945
• Title: Motif-based Graph Representation Learning with Application to Chemical Molecules
• Title（参考訳）: モチーフに基づくグラフ表現学習と化学分子への応用
• Authors: Yifei Wang, Shiyang Chen, Guobin Chen, Ethan Shurberg, Hang Liu, Pengyu Hong
• Abstract要約: 既存のグラフニューラルネットワークは、局所的な構造的コンテキスト内で複雑な相互作用をキャプチャする限られた能力を提供する。 局所構造情報をよりよく活用するためのモチーフに基づくグラフ表現学習手法を提案する。 MCMは、教師なしの方法でモチーフ語彙を構築し、新しいモチーフ畳み込み操作を展開し、局所構造コンテキストを抽出する。
• 参考スコア（独自算出の注目度）: 11.257235936629689
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work considers the task of representation learning on the attributed relational graph (ARG). Both the nodes and edges in an ARG are associated with attributes/features allowing ARGs to encode rich structural information widely observed in real applications. Existing graph neural networks offer limited ability to capture complex interactions within local structural contexts, which hinders them from taking advantage of the expression power of ARGs. We propose Motif Convolution Module (MCM), a new motif-based graph representation learning technique to better utilize local structural information. The ability to handle continuous edge and node features is one of MCM's advantages over existing motif-based models. MCM builds a motif vocabulary in an unsupervised way and deploys a novel motif convolution operation to extract the local structural context of individual nodes, which is then used to learn higher-level node representations via multilayer perceptron and/or message passing in graph neural networks. When compared with other graph learning approaches to classifying synthetic graphs, our approach is substantially better in capturing structural context. We also demonstrate the performance and explainability advantages of our approach by applying it to several molecular benchmarks.
• Abstract（参考訳）: 本研究は,representation learning on the attributed relational graph (arg) の課題を考察する。 ARGのノードとエッジは属性/機能に関連付けられており、ARGは実際のアプリケーションで広く見られる豊富な構造情報をエンコードすることができる。 既存のグラフニューラルネットワークは、局所的な構造的コンテキスト内の複雑な相互作用をキャプチャする能力に制限を与えており、ARGの表現力を活用するのを妨げる。 局所構造情報をよりよく活用するためのモチーフベースのグラフ表現学習技術であるMotif Convolution Module (MCM)を提案する。 連続エッジとノード機能を扱う能力は、既存のモチーフベースのモデルよりもCMMの利点の1つだ。 MCMは、教師なしの方法でモチーフ語彙を構築し、新しいモチーフ畳み込み操作をデプロイし、個々のノードの局所的な構造的コンテキストを抽出し、グラフニューラルネットワークにおいて多層パーセプトロンおよび/またはメッセージパッシングを介して高レベルのノード表現を学習する。 合成グラフを分類する他のグラフ学習アプローチと比較すると、構造的文脈を捉えるのに非常に優れている。 また、いくつかの分子ベンチマークに適用することで、アプローチの性能と説明可能性の利点を示す。

関連論文リスト

• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Harnessing Collective Structure Knowledge in Data Augmentation for Graph Neural Networks [25.12261412297796]
  グラフニューラルネットワーク(GNN)は,グラフ表現学習において最先端のパフォーマンスを達成した。 我々は新しいアプローチ、すなわち集合構造知識強化グラフニューラルネットワーク(CoS-GNN)を提案する。
  論文  参考訳（メタデータ） (2024-05-17T08:50:00Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Ego-based Entropy Measures for Structural Representations on Graphs [35.55543331773255]
  VNEstruct は、近辺の位相のエントロピー測度に基づいて、低次元構造表現を生成する単純なアプローチである。 VNEstructは、グラフ構造情報を最適化に組み込むことなく、グラフ分類における最先端のパフォーマンスを達成できます。
  論文  参考訳（メタデータ） (2021-02-17T12:55:50Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Representation Learning of Reconstructed Graphs Using Random Walk Graph Convolutional Network [12.008472517000651]
  グラフのノード特異的なメソスコピック構造を得るためにランダムウォークを利用する新しいフレームワークであるwGCNを提案する。 高次局所構造情報を組み合わせることで、ネットワークの可能性をより効率的に探究できると信じている。
  論文  参考訳（メタデータ） (2021-01-02T10:31:14Z)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。