論文の概要: Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2211.13231v1
- Date: Tue, 22 Nov 2022 20:44:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-04 14:06:40.510050
- Title: Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks
- Title（参考訳）: 確率モデル選択によるグラフニューラルネットワークの生体内相互作用予測
- Authors: Kishan K C, Rui Li, Paribesh Regmi, Anne R. Haake
- Abstract要約: 現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
- 参考スコア（独自算出の注目度）: 5.156812030122437
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A biological system is a complex network of heterogeneous molecular entities
and their interactions contributing to various biological characteristics of
the system. However, current biological networks are noisy, sparse, and
incomplete, limiting our ability to create a holistic view of the biological
system and understand the biological phenomena. Experimental identification of
such interactions is both time-consuming and expensive. With the recent
advancements in high-throughput data generation and significant improvement in
computational power, various computational methods have been developed to
predict novel interactions in the noisy network. Recently, deep learning
methods such as graph neural networks have shown their effectiveness in
modeling graph-structured data and achieved good performance in biomedical
interaction prediction. However, graph neural networks-based methods require
human expertise and experimentation to design the appropriate complexity of the
model and significantly impact the performance of the model. Furthermore, deep
graph neural networks face overfitting problems and tend to be poorly
calibrated with high confidence on incorrect predictions. To address these
challenges, we propose Bayesian model selection for graph convolutional
networks to jointly infer the most plausible number of graph convolution layers
(depth) warranted by data and perform dropout regularization simultaneously.
Experiments on four interaction datasets show that our proposed method achieves
accurate and calibrated predictions. Our proposed method enables the graph
convolutional networks to dynamically adapt their depths to accommodate an
increasing number of interactions.
- Abstract（参考訳）: 生体システムは異種分子の複雑なネットワークであり、その相互作用はシステムの様々な生物学的特性に寄与する。
しかし、現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、生物学的システムの全体像を作成し、生物学的現象を理解する能力を制限する。
このような相互作用の実験的同定には時間と費用がかかる。
近年の高スループットデータ生成の進歩と計算能力の大幅な向上により、ノイズネットワークにおける新しい相互作用を予測するために様々な計算手法が開発されている。
近年,グラフニューラルネットワークのような深層学習手法は,グラフ構造データのモデル化にその効果を示し,生体内相互作用予測において優れた性能を達成している。
しかし、グラフニューラルネットワークに基づく手法は、モデルの適切な複雑さを設計し、モデルの性能に大きな影響を及ぼすために、人間の専門知識と実験を必要とする。
さらに、ディープグラフニューラルネットワークは過度に適合する問題に直面しており、誤った予測に対する高い信頼性でキャリブレーションが不十分である傾向がある。
これらの課題に対処するため,グラフ畳み込みネットワークのベイズモデル選択法を提案し,データにより保証されるグラフ畳み込み層(深度)の最大数を推定し,同時にドロップアウト正規化を行う。
4つの相互作用データセットの実験により,提案手法が精度および校正された予測を達成できることが判明した。
提案手法により,グラフ畳み込みネットワークは深度を動的に適応し,対話数の増加に対応することができる。
関連論文リスト
- Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - Graph Neural Operators for Classification of Spatial Transcriptomics
Data [1.408706290287121]
マウス脳組織サンプルにおける脳領域の予測に対する神経オペレーターの適用の有効性を検証するために,様々なグラフニューラルネットワークアプローチを取り入れた研究を提案する。
グラフニューラルネットワークのアプローチでは,F1スコアが72%近く向上し,すべてのベースラインやグラフネットワークのアプローチを上回った。
論文 参考訳（メタデータ） (2023-02-01T18:32:06Z) - Impact of spiking neurons leakages and network recurrences on
event-based spatio-temporal pattern recognition [0.0]
ニューロモルフィックハードウェアとイベントベースのセンサーを組み合わせたスパイクニューラルネットワークは、エッジにおける低レイテンシと低パワー推論への関心が高まっている。
スパイキングニューロンにおけるシナプスおよび膜漏れの影響について検討する。
論文 参考訳（メタデータ） (2022-11-14T21:34:02Z) - Physically constrained neural networks to solve the inverse problem for
neuron models [0.29005223064604074]
システム生物学とシステム神経生理学は、生体医学科学における多くの重要な応用のための強力なツールである。
ディープニューラルネットワークの分野における最近の進歩は、非線形で普遍的な近似を定式化する可能性を示している。
論文 参考訳（メタデータ） (2022-09-24T12:51:15Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。
リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。
トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文 参考訳（メタデータ） (2020-07-13T17:59:31Z) - A Graph Feature Auto-Encoder for the Prediction of Unobserved Node
Features on Biological Networks [3.132875765271743]
我々は,E. Coli とマウスにおける生物学的相互作用ネットワークの表現について,グラフニューラルネットワークを用いて検討した。
そこで我々は,機能再構築タスクに基づいて学習した,エンドツーエンドのグラフ機能自動エンコーダを提案する。
自動エンコーダはタンパク質相互作用情報を使用しない最先端の計算手法より優れていた。
論文 参考訳（メタデータ） (2020-05-08T11:23:04Z)
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。