論文の概要: A Hybrid Supervised and Self-Supervised Graph Neural Network for Edge-Centric Applications

• arxiv url: http://arxiv.org/abs/2501.12309v1
• Date: Tue, 21 Jan 2025 17:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:20:10.347164
• Title: A Hybrid Supervised and Self-Supervised Graph Neural Network for Edge-Centric Applications
• Title（参考訳）: エッジ中心応用のためのハイブリッド・スーパービジョン・自己スーパービジョングラフニューラルネットワーク
• Authors: Eugenio Borzone, Leandro Di Persia, Matias Gerard,
• Abstract要約: 本稿では,2つのノード間の関係(エッジ中心タスク)を含むタスクを対象とした,グラフに基づく新しいディープラーニングモデルを提案する。 このモデルは教師付き学習と自己教師型学習を組み合わせ、学習した埋め込みとパターンが真実と無関係に学習される損失関数を考慮に入れている。 実験により、タンパク質間相互作用予測と遺伝子オントロジー(GO)用語予測の既存の手法と一致するか、超えるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents a novel graph-based deep learning model for tasks involving relations between two nodes (edge-centric tasks), where the focus lies on predicting relationships and interactions between pairs of nodes rather than node properties themselves. This model combines supervised and self-supervised learning, taking into account for the loss function the embeddings learned and patterns with and without ground truth. Additionally it incorporates an attention mechanism that leverages both node and edge features. The architecture, trained end-to-end, comprises two primary components: embedding generation and prediction. First, a graph neural network (GNN) transform raw node features into dense, low-dimensional embeddings, incorporating edge attributes. Then, a feedforward neural model processes the node embeddings to produce the final output. Experiments demonstrate that our model matches or exceeds existing methods for protein-protein interactions prediction and Gene Ontology (GO) terms prediction. The model also performs effectively with one-hot encoding for node features, providing a solution for the previously unsolved problem of predicting similarity between compounds with unknown structures.
• Abstract（参考訳）: 本稿では,2つのノード間の関係(エッジ中心タスク)を含むタスクに対するグラフベースの新しいディープラーニングモデルを提案する。 このモデルは教師付き学習と自己教師型学習を組み合わせ、学習した埋め込みとパターンが真実と無関係に学習される損失関数を考慮に入れている。 さらに、ノード機能とエッジ機能の両方を活用するアテンションメカニズムも組み込まれている。 エンドツーエンドでトレーニングされたアーキテクチャは、組み込み生成と予測の2つの主要コンポーネントで構成されている。 まず、グラフニューラルネットワーク(GNN)は、生のノードの特徴をエッジ属性を組み込んで、密度の高い低次元の埋め込みに変換する。 そして、フィードフォワードニューラルネットワークがノード埋め込みを処理して最終的な出力を生成する。 実験により、タンパク質間相互作用予測と遺伝子オントロジー(GO)用語予測の既存の手法と一致するか、超えるかを示す。 このモデルは、ノード特徴に対する1ホット符号化を効果的に行い、未知の構造を持つ化合物間の類似性を予測する未解決問題の解を提供する。

関連論文リスト

• A parameterised model for link prediction using node centrality and similarity measure based on graph embedding [5.507008181141738]
  リンク予測は、グラフ機械学習の重要な側面である。 ネットワークノード間で形成される可能性のある新しいリンクを予測する必要がある。 既存のモデルには重大な欠点がある。 ノードの集中度と類似度をベースとしています。 Model (NCSM) - リンク予測タスクの新しい方法。
  論文  参考訳（メタデータ） (2023-09-11T13:13:54Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised Node Classification [59.06717774425588]
  本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。 出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。 本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2021-07-27T19:47:53Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)
• CatGCN: Graph Convolutional Networks with Categorical Node Features [99.555850712725]
  CatGCNはグラフ学習に適したノード機能である。 エンドツーエンドでCatGCNを訓練し、半教師付きノード分類でそれを実証する。
  論文  参考訳（メタデータ） (2020-09-11T09:25:17Z)
• 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)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。