論文の概要: SHINE: SubHypergraph Inductive Neural nEtwork
- arxiv url: http://arxiv.org/abs/2210.07309v1
- Date: Thu, 13 Oct 2022 19:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 15:49:08.179233
- Title: SHINE: SubHypergraph Inductive Neural nEtwork
- Title（参考訳）: Shine: SubHypergraphインダクティブニューラルnEtwork
- Authors: Yuan Luo
- Abstract要約: ハイパーグラフニューラルネットワークは、グラフのノード間のマルチウェイ接続をモデル化することができる。
現実世界のアプリケーションにおいて、サブグラフの強力な表現を学ぶには、未完成の必要性がある。
本稿では,精度の高いインダクティブサブグラフ予測のためのSubHypergraph Inductive Neural nEtwork(SHINE)を提案する。
- 参考スコア（独自算出の注目度）: 5.9952530228468754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Hypergraph neural networks can model multi-way connections among nodes of the
graphs, which are common in real-world applications such as genetic medicine.
In particular, genetic pathways or gene sets encode molecular functions driven
by multiple genes, naturally represented as hyperedges. Thus, hypergraph-guided
embedding can capture functional relations in learned representations. Existing
hypergraph neural network models often focus on node-level or graph-level
inference. There is an unmet need in learning powerful representations of
subgraphs of hypergraphs in real-world applications. For example, a cancer
patient can be viewed as a subgraph of genes harboring mutations in the
patient, while all the genes are connected by hyperedges that correspond to
pathways representing specific molecular functions. For accurate inductive
subgraph prediction, we propose SubHypergraph Inductive Neural nEtwork (SHINE).
SHINE uses informative genetic pathways that encode molecular functions as
hyperedges to connect genes as nodes. SHINE jointly optimizes the objectives of
end-to-end subgraph classification and hypergraph nodes' similarity
regularization. SHINE simultaneously learns representations for both genes and
pathways using strongly dual attention message passing. The learned
representations are aggregated via a subgraph attention layer and used to train
a multilayer perceptron for inductive subgraph inferencing. We evaluated SHINE
against a wide array of state-of-the-art (hyper)graph neural networks, XGBoost,
NMF and polygenic risk score models, using large scale NGS and curated
datasets. SHINE outperformed all comparison models significantly, and yielded
interpretable disease models with functional insights.
- Abstract（参考訳）: ハイパーグラフニューラルネットワークは、遺伝医学のような現実世界の応用で一般的なグラフのノード間のマルチウェイ接続をモデル化することができる。
特に、遺伝子経路または遺伝子セットは、自然にハイパーエッジとして表される複数の遺伝子によって駆動される分子機能をコードする。
したがって、ハイパーグラフ誘導埋め込みは学習表現における機能的関係を捉えることができる。
既存のハイパーグラフニューラルネットワークモデルは、しばしばノードレベルやグラフレベルの推論に焦点を当てる。
実世界のアプリケーションでは、ハイパーグラフのサブグラフの強力な表現を学ぶのに不均一なニーズがある。
例えば、がん患者は、患者の突然変異を収容する遺伝子のサブグラフと見なすことができ、一方全ての遺伝子は、特定の分子機能を表す経路に対応するハイパーエッジによって接続される。
高精度なインダクティブサブグラフ予測のために,SubHypergraph Inductive Neural nEtwork (SHINE)を提案する。
ShiNEは、遺伝子をノードとして接続するハイパーエッジとして分子機能をコードする情報的遺伝経路を使用する。
Shineは、エンドツーエンドのサブグラフ分類とハイパーグラフノードの類似性正規化の目的を共同で最適化する。
Shineは、強いデュアルアテンションメッセージパッシングを使用して、遺伝子と経路の両方の表現を同時に学習する。
学習された表現は、サブグラフ注意層を介して集約され、インダクティブサブグラフ推論のための多層パーセプトロンのトレーニングに使用される。
大規模ngsとキュレートデータセットを用いて,最先端(ハイパー)グラフニューラルネットワーク,xgboost,nmf,多元リスクスコアモデルに対するshineの評価を行った。
shineはすべての比較モデルを大きく上回り、機能的洞察を備えた解釈可能な疾患モデルを生み出した。
関連論文リスト
- Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。
ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。
学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
論文 参考訳（メタデータ） (2024-05-08T02:44:13Z) - Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。
THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。
3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文 参考訳（メタデータ） (2023-06-05T03:26:06Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。
本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。
実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文 参考訳（メタデータ） (2022-07-14T06:17:00Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - 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-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Preventing Over-Smoothing for Hypergraph Neural Networks [0.0]
階層数の増加に伴い,ハイパーグラフニューラルネットワークの性能は向上しないことを示す。
我々はディープ・HGCNと呼ばれる新しいディープ・ハイパーグラフ・畳み込みネットワークを開発し、ディープ・レイヤにおけるノード表現を維持できる。
論文 参考訳（メタデータ） (2022-03-31T16:33:31Z) - VEGN: Variant Effect Prediction with Graph Neural Networks [19.59965282985234]
本稿では,遺伝子と変異を持つ異種グラフ上で動作するグラフニューラルネットワーク(GNN)を用いて,変異効果予測をモデル化したVEGNを提案する。
このグラフは、変異体を遺伝子に割り当て、遺伝子-遺伝子相互作用ネットワークに遺伝子を接続することによって作成される。
VeGNは既存の最先端モデルの性能を改善する。
論文 参考訳（メタデータ） (2021-06-25T13:51:46Z) - Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。
我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。
HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文 参考訳（メタデータ） (2021-06-12T02:07:07Z) - Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。
我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。
HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文 参考訳（メタデータ） (2021-06-10T12:37:55Z)
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。