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

• arxiv url: http://arxiv.org/abs/2606.19623v2
• Date: Tue, 23 Jun 2026 04:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.237681
• 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: 鍵となる例として、A-Ci曲線があり、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。 正確な推定には、各曲線点における活性な生化学的制限状態の正確な同定が必要である。 ここでは、A-Ci曲線の極限状態同定をグラフベースのノード分類問題として表現する。
• 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) offer a flexible framework for learning from scientific data with physical, biological, or functional associations. One promising domain is plant physiology, where observed responses result from several interacting processes that are difficult to isolate, even with human intervention. A key example is the A-Ci curve, which relates the net CO2 assimilation rate (Anet) to leaf intercellular CO2 concentration (Ci) and is also used to estimate photosynthetic parameters in biophysical models. However, accurate estimation requires accurate identification of the active biochemical limiting state at each curve point, which is a major source of uncertainty. Here, we express the limitation-state identification in A-Ci curves as a graph-based node classification problem. A graph representation of the A-Ci curve is created using distance-based k-nearest-neighbor (kNN) and auxiliary-signal-guided (ASG) connectivity. The methodology was evaluated against the conventional machine 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, especially near biochemical transition areas. The top-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 a weighted cross-entropy loss, obtaining an F1-score of 0.857 and accuracy of 0.882. The results suggest that using A-Ci curves as graphs enables better identification of the biochemical limiting condition and reduces the uncertainty associated with both human and automated methods.
• 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連を持つ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、観察された反応は、人間の介入であっても分離が難しいいくつかの相互作用過程から生じる。 主要な例として、A-Ci曲線があり、これは、AネットのCO2同化率(Anet)と葉の細胞間CO2濃度(Ci)を関連付け、生体物理モデルにおける光合成パラメーターの推定にも用いられる。 しかし、正確な推定には各曲線点における活性な生化学的制限状態の正確な同定が必要である。 ここでは、A-Ci曲線の極限状態同定をグラフベースのノード分類問題として表現する。 A-Ci曲線のグラフ表現は、距離ベースk-nearest-neighbor(kNN)と補助信号誘導(ASG)接続を用いて作成される。 この手法は、従来の機械学習ベースライン、グラフベースのアーキテクチャ、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。 トップ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、グラフアテンションを重み付きクロスエントロピー損失と統合し、F1スコア0.857、精度0.882を得る。 その結果,A-Ci曲線をグラフとして用いることにより,生化学的制限条件の同定が向上し,人的・自動的な手法の両面での不確実性を低減することが示唆された。

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。