論文の概要: Graph-level Protein Representation Learning by Structure Knowledge Refinement

• arxiv url: http://arxiv.org/abs/2401.02713v1
• Date: Fri, 5 Jan 2024 09:05:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-08 15:29:49.153063
• Title: Graph-level Protein Representation Learning by Structure Knowledge Refinement
• Title（参考訳）: 構造知識リファインメントによるグラフレベルのタンパク質表現学習
• Authors: Ge Wang, Zelin Zang, Jiangbin Zheng, Jun Xia, Stan Z. Li
• Abstract要約: 本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 50.775264276189695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on learning representation on the whole graph level in an unsupervised manner. Learning graph-level representation plays an important role in a variety of real-world issues such as molecule property prediction, protein structure feature extraction, and social network analysis. The mainstream method is utilizing contrastive learning to facilitate graph feature extraction, known as Graph Contrastive Learning (GCL). GCL, although effective, suffers from some complications in contrastive learning, such as the effect of false negative pairs. Moreover, augmentation strategies in GCL are weakly adaptive to diverse graph datasets. Motivated by these problems, we propose a novel framework called Structure Knowledge Refinement (SKR) which uses data structure to determine the probability of whether a pair is positive or negative. Meanwhile, we propose an augmentation strategy that naturally preserves the semantic meaning of the original data and is compatible with our SKR framework. Furthermore, we illustrate the effectiveness of our SKR framework through intuition and experiments. The experimental results on the tasks of graph-level classification demonstrate that our SKR framework is superior to most state-of-the-art baselines.
• Abstract（参考訳）: 本稿では,教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 グラフレベルの表現の学習は、分子特性予測、タンパク質構造の特徴抽出、ソーシャルネットワーク分析など、現実世界の様々な問題において重要な役割を果たす。 主な方法は、グラフコントラスト学習(gcl)と呼ばれるグラフ特徴抽出を容易にするために、コントラスト学習を活用することである。 gclは有効ではあるが、偽陰性ペアの効果など、対照的な学習においていくつかの合併症に苦しむ。 さらに、GCLの拡張戦略は、多様なグラフデータセットに弱い適応性を持つ。 これらの問題に触発されて、データ構造を用いて、ペアが正か負かの確率を決定する新しいフレームワーク、Structure Knowledge Refinement (SKR)を提案する。 一方,本研究では,原データの意味的意味を自然に保持し,scrフレームワークと互換性のある拡張戦略を提案する。 さらに,直観と実験によるSKRフレームワークの有効性について述べる。 グラフレベル分類の課題に対する実験結果から,SKRフレームワークは最先端のベースラインよりも優れていることが示された。

関連論文リスト

• Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation [35.875976206333185]
  ACGCLは、グラフレベルの正と負のサンプルを制御可能な類似性を持たせるために、ペアワイズ増強の利点を生かしている。 ACGCLフレームワーク内では,新たな逆行カリキュラム学習手法が考案された。 ACGCLの総合評価は、よく知られた6つのベンチマークデータセットに関する広範な実験を通じて行われる。
  論文  参考訳（メタデータ） (2024-02-16T06:17:50Z)
• On the Adversarial Robustness of Graph Contrastive Learning Methods [9.675856264585278]
  本稿では,グラフコントラスト学習(GCL)モデルのロバスト性を評価するために,包括的評価ロバストネスプロトコルを提案する。 我々はこれらのモデルを,グラフ構造をターゲットとした適応的敵攻撃,特に回避シナリオに適用する。 本研究は,GCL手法の堅牢性に関する知見を提供することを目標とし,今後の研究方向の道を開くことを期待する。
  論文  参考訳（メタデータ） (2023-11-29T17:59:18Z)
• Self-supervised Learning and Graph Classification under Heterophily [4.358149865548289]
  我々は,Metric(PGM)に基づく,事前学習型グラフニューラルネットワーク(GNN)のための新しい自己教師型戦略を提案する。 我々の戦略は、分子特性予測とタンパク質機能予測のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-14T12:32:38Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• Let Invariant Rationale Discovery Inspire Graph Contrastive Learning [98.10268114789775]
  ハイパフォーマンスな拡張は、インスタンス識別に関するアンカーグラフの健全な意味を保存すべきである。 新たなフレームワーク Rationale-aware Graph Contrastive Learning (RGCL) を提案する。 RGCLは有理数生成器を使用して、グラフのインスタンス識別に関する健全な特徴を論理として明らかにし、対照的な学習のための有理数認識ビューを生成する。
  論文  参考訳（メタデータ） (2022-06-16T01:28:40Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)

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。

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。