論文の概要: SEAGAN: domain-Specific and Edge-Aware Graph Attention Network for Dynamic Plant Processes

• arxiv url: http://arxiv.org/abs/2606.19623v1
• Date: Wed, 17 Jun 2026 22:04:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.553989
• Title: SEAGAN: domain-Specific and Edge-Aware Graph Attention Network for Dynamic Plant Processes
• Title（参考訳）: SEAGAN: 動的プラントプロセスのためのドメイン特化およびエッジ対応グラフアテンションネットワーク
• Authors: Antriksh Srivastava, Soumyashree Kar,
• Abstract要約: グラフニューラルネットワーク(GNN)は、物理的、生物学的、あるいは機能的な関係を通じてリンクされた科学データから学習するための柔軟なフレームワークを提供する。 植物生理学において重要な例は、A-Ci曲線であり、これは純CO2同化率(Anet)と葉の細胞間CO2濃度(Ci)を関連付ける。 ここでは、A-Ci曲線に沿った制限状態同定を、曲線点をノードとするグラフベースのノード分類問題として定式化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) provide a flexible framework for learning from scientific data linked through physical, biological, or functional relationships. One promising domain is plant physiology, where measured responses often arise from multiple interacting processes whose exact separation remains difficult even with manual intervention. In plant physiology, a key example is the A-Ci curve, which relates net CO2 assimilation rate (Anet) to leaf intercellular CO2 concentration (Ci) and is used to estimate photosynthetic parameters in leaf and crop-canopy models. However, reliable estimation requires identifying the active biochemical limitation state at each curve point, which remains a major source of uncertainty. Here, we formulate limitation-state identification along A-Ci curves as a graph-based node classification problem, with curve points as nodes. Domain-specific graph representations are created using distance-based k-nearest-neighbor (kNN) and auxiliary-signal-guided (ASG) connectivity, with edge attributes encoding pairwise relations. The framework was evaluated against conventional learning baselines, graph-based architectures, and an automated fitting-based benchmark. Results on a large synthetic dataset with known ground-truth limitation states show that graph-based models improve classification, particularly near biochemical transition regions. The best-performing configuration, SEAGAN (domain-Specific and Edge-Aware Graph Attention Network for Dynamic Plant Processes), integrates process-aware node features, edge attributes, kNN connectivity, and graph attention with weighted cross-entropy loss, achieving an F1-score of 0.857 and an accuracy of 0.882. The results show that representing A-Ci curves as graphs improves biochemical limitation-state analysis, with edge-aware attention over local kNN neighborhoods providing the most effective strategy.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、物理的、生物学的、あるいは機能的な関係を通じてリンクされた科学データから学習するための柔軟なフレームワークを提供する。 1つの有望な領域は植物生理学であり、測定された応答は、手動による介入であっても正確な分離が困難である複数の相互作用プロセスから生じることが多い。 植物生理学において重要な例は、A-Ci曲線であり、これは、網状CO2同化率(Anet)と葉間CO2濃度(Ci)を関連付け、葉と作物の共生モデルにおける光合成パラメーターを推定するために用いられる。 しかし、信頼性の高い推定には各曲線点における活性な生化学的制限状態の同定が必要である。 ここでは、A-Ci曲線に沿った制限状態同定を、曲線点をノードとするグラフベースのノード分類問題として定式化する。 ドメイン固有のグラフ表現は、距離ベースのk-nearest-neighbor(kNN)と補助信号誘導(ASG)接続を使用して作成され、エッジ属性はペア関係を符号化する。 このフレームワークは、従来の学習ベースライン、グラフベースのアーキテクチャ、および自動フィッティングベースのベンチマークに対して評価された。 地下構造制限状態の既知の大規模合成データセットの結果,特に生化学的遷移領域付近において,グラフベースモデルによる分類の改善が示されている。 最高のパフォーマンス設定であるSEAGAN(Domain-Specific and Edge-Aware Graph Attention Network for Dynamic Plant Processes)は、プロセス対応ノード機能、エッジ属性、kNN接続性、グラフ注意を重み付きエントロピー損失と統合し、F1スコア0.857、精度0.882を達成している。 その結果,A-Ci曲線をグラフとして表現することで,生物化学的制限状態解析が向上し,局部的なkNN地区に対するエッジアウェアメントが最も効果的な戦略が得られた。

関連論文リスト

• engGNN: A Dual-Graph Neural Network for Omics-Based Disease Classification and Feature Selection [5.54797146496798]
  グラフニューラルネットワーク(GNN)は、機能関係をグラフとしてエンコーディングすることで、事前知識を統合するための有望な手段を提供する。 本稿では,外部生物ネットワークとデータ駆動型生成グラフを併用したデュアルグラフフレームワークである,外部で生成したグラフニューラルネットワーク(engGNN)を提案する。 engGNNは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-20T23:18:56Z)
• Soybean Disease Detection via Interpretable Hybrid CNN-GNN: Integrating MobileNetV2 and GraphSAGE with Cross-Modal Attention [1.927711700724334]
  大豆の葉の病原体の検出は農業の生産性にとって重要であるが、視覚的に類似した症状と限定的な解釈可能性のために課題に直面している。 本稿では,局所化特徴抽出のためのMobileNetV2とリレーショナルモデリングのためのGraphSAGEを相乗化する,解釈可能なハイブリッドCNN-Graph Neural Network(GNN)フレームワークを提案する。 クロスモーダル解釈はGrad-CAMおよびEigen-CAMビジュアライゼーションを通じて実現され、熱マップを生成して疾患の流入領域をハイライトする。
  論文  参考訳（メタデータ） (2025-03-03T08:12:09Z)
• 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)
• 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)
• Spiking Graph Convolutional Networks [19.36064180392385]
  SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。 ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-05-05T16:44:36Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。