Causal Discovery in High-Dimensional Point Process Networks with Hidden Nodes
University of Washington(华盛顿大学)
由于技术的进步,导致近连续的时间观测,新兴的多变量点过程数据提供了新的机会,因果发现。然而,实现这一目标的一个关键障碍是,许多相关进程在实践中可能得不到遵守。由于未调整的混杂因素,忽略这些隐藏变量的朴素估计方法可能会产生误导性结果。为了填补这一空白,我们提出了一个去创建过程来估计高维点过程网络,只有一个子集的节点被观察到。我们的方法允许观察到的和未观察到的过程之间的灵活连接。它还允许未观察到的进程的数量是未知的,并且可能大于观察到的节点的数量。理论分析和数值研究突出了所提出的方法在确定所观察到的过程之间的因果相互作用的优势。
2021-09-22 cs.LG stat.ML
A Framework for Predicting the Impact of Game Balance Changes through Meta Discovery
University of Alberta(阿尔伯塔大学)
针对游戏平衡调整可能对元游戏产生难以预料影响的问题,提出基于强化学习的Meta Discovery框架用于自动化测试平衡调整,可高精度预测宝可梦竞技平台的平衡调整结果,辅助开发者决策。
2024-09-11 cs.AI cs.LG
Predicting the structure of dynamic graphs
本文提出一种预测动态图未来结构的方法,通过时间序列预测节点度数并结合通量平衡分析来获取未来图结构,在合成和真实数据集上验证了其有效性与适用性。
2024-07-25 cs.LG cs.SI stat.ML
Modeling Polypharmacy and Predicting Drug-Drug Interactions using Deep Generative Models on Multimodal Graphs
FPT Software AI Center(FPT软件人工智能中心);Halıcıoğlu Data Science Institute(哈利哲奥卢数据科学研究所);University of California San Diego(加州大学圣地亚哥分校);University of Chicago(芝加哥大学)
由当代图形自动编码器模型产生的药物及其靶标的潜在表示已被证明在预测大型网络上的许多类型的节点对相互作用方面是有用的,包括药物-药物,药物-靶标和靶标-靶标相互作用。然而,大多数现有的方法模型要么节点的潜在空间,其中节点分布是刚性的,或者不能有效地捕捉药物之间的相互关系,这些限制阻碍了准确预测药物对相互作用的方法。在本文中,我们提出了变分图自编码器(VGAE)在建模多模态网络上的潜在节点表示的有效性。我们的方法可以为多模态图的每个节点类型产生灵活的潜在空间;嵌入稍后用于预测不同边缘类型下的节点对之间的链接。为了进一步提高模型的性能,我们提出了一种新的方法,连接摩根指纹,捕捉每种药物的分子结构,与他们的潜在嵌入之前,他们的解码阶段的链接预测。我们提出的模型在三个多模态网络上显示了竞争结果:(1)由药物和蛋白质节点组成的多模态图,(2)从DrugBank数据库的一个子集构建的多模态图,涉及不同相互作用类型下的药物节点,以及(3)由药物和细胞系节点组成的多模态图。我们的源代码可在https://github.com/HySonLab/drug-interactions上公开获取。
2023-02-17 cs.LG
Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks
University of Electronic Science and Technology of China(电子科技大学);Nanjing University of Finance and Economics(南京财经大学);University of Nottingham(诺丁汉大学);Sichuan Provincial Key Research Base of Social Science(四川省社会科学重点研究基地);Union Big Data Tech. Inc.(联合大数据技术有限公司)
现实世界中的许多系统都可以用时态网络来表达,其中节点在结构和功能上扮演着不同的角色,而边则代表节点之间的关系。识别关键节点可以帮助我们控制舆论或流行病的传播,预测学术界的领军人物,为各种商品做广告等等,但在时序网络中,由于网络结构随时间变化,识别关键节点是相当困难的。本文考虑时序网络的序列拓扑信息,提出了一种基于特殊GCN和RNN相结合的新型有效学习框架,以识别具有最佳传播能力的节点。该方法的有效性进行了评估加权易感-感染-感染模型。在四个真实世界的时间网络上的实验结果表明,该方法在Kendall $τ$系数和最高$k$命中率方面优于传统和深度学习基准方法。
2021-07-06 cs.AI cs.LG cs.SI
Predicting Drug-Drug Interactions using Deep Generative Models on Graphs
FPT AI Center(FPT人工智能中心);University of California San Diego(加州大学圣迭戈分校);University of Chicago(芝加哥大学)
由当代基于图形自动编码器的模型产生的药物及其靶标的潜在表示已被证明在预测大型网络上的许多类型的节点对相互作用方面是有用的,包括药物-药物,药物-靶标和靶标-靶标相互作用。然而,大多数现有的方法模型的节点的潜在空间中的节点分布是刚性和不相交的,这些限制阻碍了方法从节点对之间产生新的链接。在本文中,我们提出了变分图自编码器(VGAE)在建模多模态网络上的潜在节点表示的有效性。我们的方法可以为多模态图的每个节点类型产生灵活的潜在空间;嵌入稍后用于预测不同边缘类型下的节点对之间的链接。为了进一步提高模型的性能,我们提出了一种新的方法,该方法将Morgan指纹(捕获每种药物的分子结构)与其潜在的嵌入连接在一起,然后将其置于解码阶段进行链接预测。我们提出的模型在两个多模态网络上显示了竞争结果:(1)由药物和蛋白质节点组成的多重图,以及(2)由药物和细胞系节点组成的多重图。我们的源代码可在https://github.com/HySonLab/drug-interactions上公开获取。
2022-10-30 cs.LG q-bio.BM
Predicting the Silent Majority on Graphs: Knowledge Transferable Graph Neural Network
Institute of Computing Technology, University of Chinese Academy of Sciences(中国科学院大学计算技术研究所);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
提出KT-GNN模型,通过特征补全、消息传递机制和基于KL散度的知识可迁移分类器,将发声节点知识迁移至沉默节点,有效解决VS-Graph上的分布偏移与缺失特征问题。
2023-04-08 cs.LG cs.SI
Learning Graph-Level Representation for Drug Discovery
预测药物对人体的宏观影响,如药效和毒性,是小分子药物发现的核心问题。分子可以用无向图表示,利用图卷积网络可以预测分子的性质。然而,图卷积网络和其他图神经网络都专注于学习节点级表示,而不是图级表示。以前的工作简单地将图中所有节点的所有特征向量求和以获得用于药物预测的图特征向量。在本文中,我们引入了一个虚拟的超级节点,连接到图中的所有节点的有向边作为图的表示,并修改图的操作,以帮助虚拟的超级节点学习图级功能。因此,我们可以像处理节点级分类和回归一样处理图级分类和回归。此外,我们应用焦点丢失来解决药物数据集中的类别不平衡。在MoleculeNet上的实验表明,该方法能有效地提高分子性质预测的性能。
2017-09-16 cs.LG stat.ML
Predicting User Intents and Musical Attributes from Music Discovery Conversations
Graduate School of Culture Technology, KAIST(韩国科学技术院文化技术研究生院)
本文研究音乐发现对话中的意图分类,提出结合聊天历史与单轮查询的方法,并同时分类音乐属性,显著提升F1分数且优于Llama 3的零样本和少样本表现。
2024-11-20 cs.CL cs.LG cs.SD
Predicting Hidden Links and Missing Nodes in Scale-Free Networks with Artificial Neural Networks
International Laboratory for Applied Network Research(234国际应用网络研究实验室);Indiana University Bloomington(印第安纳大学布林姆ington分校);University of Ljubljana(卢布尔雅那大学);National Research University Higher School of Economics(俄罗斯国家研究大学高等经济学院)
本文提出利用随机网络生成器和人工神经网络,预测无标度网络中的隐藏链接和缺失节点,通过区分不同子类型网络来识别异常。
2026-03-19 cs.LG cs.SI
Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes in the Signed Networks
University of California Los Angeles(加州大学洛杉矶分校)
在数字互动时代,社交媒体上存在的人与人之间的关系可能与线下存在的相同互动不同。检查社交网络中成员之间的潜在或虚假关系是计算机科学家的一个丰富的研究领域-在这里,我们研究如何通过使用精确召回曲线和ROC下的区域来预测社交网络中两个未连接的人之间的关系。将社交网络建模为签名图,我们比较了Triadic模型,潜在信息模型和情感模型,并使用它们来预测对等交互,首先使用普通签名网络,然后使用带有评论的签名网络作为上下文。我们发现,我们的模型比随机模型要好得多,并且在不同的情况下可以相互补充。
2021-10-18 cs.AI cs.LG cs.SI
A Regularization Approach for Prediction of Edges and Node Features in Dynamic Graphs
ENS Cachan(卡尚高等师范学院);UniverSud(巴黎南大学联盟);mercis(1000mercis公司);TTI Chicago(芝加哥丰田技术研究院);INSEAD(欧洲工商管理学院);CNRS(法国国家科学研究中心)
我们考虑两个问题的预测链接的动态图序列和预测功能定义在每个节点的图。在许多应用中,一个问题的解决方案对解决另一个问题是有用的。事实上,如果这些函数反映了节点特征,那么它们通过图结构是相关的。在本文中,我们制定了一个混合的方法,同时学习图的结构和预测的节点相关的功能的值。我们的方法是基于联合正则化目标的优化。我们实证测试所提出的方法与合成和真实数据的好处。结果表明,联合正则化提高了预测性能的图的演变和节点的功能。
2012-03-24 cs.LG stat.ML
Attributed Network Embedding via Subspace Discovery
University of Technology Sydney(悉尼科技大学);The University of Sydney(悉尼大学);Florida Atlantic University(佛罗里达大西洋大学)
网络嵌入旨在学习网络节点的潜在低维向量表示,有效地支持各种网络分析任务。虽然关于网络嵌入的现有技术主要集中在保留网络拓扑结构以学习节点表示,但是最近提出的属性网络嵌入算法试图将丰富的节点内容信息与网络拓扑结构相结合,以提高网络嵌入的质量。现实中,网络往往存在内容稀疏、节点属性不完整以及节点属性特征空间与网络结构空间不一致等问题,严重影响了现有方法的性能。在本文中,我们提出了一个统一的框架属性网络嵌入-attri 2 vec-学习节点嵌入通过发现一个潜在的节点属性子空间,通过网络结构引导的变换进行原始属性空间。由此产生的潜在子空间可以以更一致的方式尊重网络结构,以学习高质量的节点表示。我们制定了一个优化问题,解决了一个有效的随机梯度下降算法,线性时间复杂度的节点数。我们研究了一系列的线性和非线性变换节点属性和经验验证其有效性的各种类型的网络。attri 2 vec的另一个优点是它能够解决样本外问题,其中新节点的嵌入可以通过学习的映射函数从它们的节点属性中推断出来。在各种类型的网络上进行的实验证实,attri 2 vec优于节点分类、节点聚类以及样本外链接预测任务的最新基线。本文的源代码可在https://github.com/daokunzhang/attri2vec上获得。
2019-05-20 cs.LG cs.SI
Linking OpenStreetMap with Knowledge Graphs -- Link Discovery for Schema-Agnostic Volunteered Geographic Information
Leibniz Universität Hannover(莱布尼茨汉诺威大学);University of Bonn(波恩大学)
在流行的知识图谱(如Wikidata和DBpedia)中捕获的地理实体的表示通常是不完整的。OpenStreetMap(OSM)是一个丰富的公开可用的、自愿提供的地理信息源,具有很大的潜力来补充这些表示。然而,知识图谱实体和OSM节点之间的身份链接仍然很少。在这些设置中的链接发现的问题是特别具有挑战性的,由于缺乏一个严格的模式和异构性的用户定义的节点表示在OSM。在这篇文章中,我们提出了OSM 2KG-一种新的链接发现方法来预测身份OSM节点和地理实体之间的链接在知识图谱。OSM 2KG方法的核心是OSM节点的一种新的潜在的紧凑表示,它在嵌入中捕获语义节点相似性。OSM 2KG采用这种潜在表示来训练用于链接预测的监督模型,并利用OSM和知识图谱之间的现有链接进行训练。我们在几个OSM数据集,以及Wikidata和DBpedia知识图谱上进行的实验表明,OSM 2KG可以可靠地发现身份链接。OSM 2KG在Wikidata上的F1得分为92.05%,在DBpedia上的平均得分为94.17%,与表现最好的基线相比,维基数据上的F1得分增加了21.82个百分点。
2020-11-19 cs.LG cs.SI
Predicting Sequences of Traversed Nodes in Graphs using Network Models with Multiple Higher Orders
ETH Zurich(苏黎世联邦理工学院);University of Wuppertal(伍珀塔尔大学);University of Zurich(苏黎世大学)
提出一种基于多重高阶网络模型组合的多阶统计建模框架,用于预测图中节点遍历序列,支持任意前缀的下一元素和完整序列预测,在多个数据集上表现优于现有算法且可扩展至百万级序列。
2021-08-25 cs.IT cs.LG cs.SI
When Does Longer Reasoning Help? Predicting Mathematical Reasoning Through Discovery and Execution
IU Bloomington(印第安纳大学布卢明顿分校)
本研究提出发现-执行框架,通过短预算运行预测数学推理随计算扩展的曲线,并在奥林匹克问题上验证,表明测量条件执行能提供短预算成功率无法捕捉的更长推理信息。
2026-10-06 cs.CL cs.LG
Central-Smoothing Hypergraph Neural Networks for Predicting Drug-Drug Interactions
Institute for Chemical Research, Kyoto University(京都大学化学研究所);Aalto University(阿尔托大学)
本文提出了一种名为CentSmoothie的超图神经网络,通过中心平滑方法联合学习节点和标签表示,以解决DDI预测中标签关系复杂及罕见标签预测困难的问题,并在模拟和真实数据集上验证了其性能优势。
2023-04-04 cs.LG q-bio.BM stat.AP
MR-GNN: Multi-Resolution and Dual Graph Neural Network for Predicting Structured Entity Interactions
预测结构化实体之间的相互作用是许多任务的核心,例如药物方案和新材料设计。近年来,图神经网络已成为引人注目的。它们将结构化实体表示为图,然后使用图卷积操作从每个单独的图中提取特征。然而,这些方法具有一些局限性:i)它们的网络仅从固定大小的子图结构中提取特征(即,固定大小的感受野),并且忽略不同大小的子结构中的特征,以及ii)通过独立地考虑每个实体来提取特征,这可能不能有效地反映两个实体之间的交互。为了解决这些问题,我们提出了MR-GNN,一个端到端的图神经网络,具有以下特点:i)它使用基于多分辨率的架构,从每个节点的不同邻域中提取节点特征,ii)它使用双图状态长短期记忆网络(L-STM)来总结每个图的局部特征,并提取成对图之间的交互特征。在真实世界数据集上进行的实验表明,MR-GNN改进了最先进方法的预测。
2019-05-23 cs.LG stat.ML
Partial Order MCMC for Structure Discovery in Bayesian Networks
Helsinki Institute for Information Technology HIIT(赫尔辛基信息技术研究所HIIT);University of Helsinki(赫尔辛基大学)
提出了一种新的估计贝叶斯网络结构特征后验概率的马尔可夫链蒙特卡罗方法。该方法从节点上的偏序的后验分布中抽取样本;对于每个采样的偏序,精确计算感兴趣的条件概率。我们给出的分析和实证结果表明,新方法的优越性相比,以前的方法,样本无论是有向无环图或线性订单的节点。
2012-02-14 cs.LG stat.ML
Graph Distance Neural Networks for Predicting Multiple Drug Interactions
Ainnocence
随着多药联合应用的日益广泛,药物间相互作用的准确预测变得越来越重要。在我们的方法中,我们使用图来表示药物-药物相互作用:节点表示药物;边缘表示药物-药物相互作用。基于我们的假设,我们将DDI的预测转化为链接预测问题,利用已知的毒品节点特征和DDI类型来预测未知的DDI类型。本文提出了一种基于图距离的神经网络(GDNN)来预测药物间的相互作用。首先,GDNN通过目标点方法为节点生成初始特征,充分包含图中的距离信息。其次,GDNN采用改进的消息传递框架,更好地生成每个药物节点的嵌入式表达,同时综合考虑节点和边的特征。第三,GDNN聚集嵌入的表达,进行MLP处理以生成最终预测的药物相互作用类型。GDNN在ogb-ddi数据集上实现了Test Hits@20=0.9037,证明GDNN可以有效地预测DDI。
2022-08-30 cs.AI cs.LG q-bio.QM
Reinterpreting causal discovery as the task of predicting unobserved joint statistics
Amazon Research(亚马逊研究院);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文重新定义因果发现为预测未观测联合统计量的学习任务,通过推断因果模型作为中间步骤,以预测未观测集合的性质,并引入VC维和泛化界,强调实用性和稀疏图的价值。
2023-05-11 cs.LG stat.ML
Group-Node Attention for Community Evolution Prediction
George Mason University(乔治梅森大学)
社交网络中的社区随着人们进入和离开网络以及他们的活动行为的改变而随着时间而发展。预测群落结构随时间变化的任务被称为群落进化预测。这一领域的现有工作侧重于制定界定事件的框架,同时使用传统的分类方法进行实际预测。我们提出了一种新的图神经网络预测社区演化事件的结构和时间信息。该模型(GNAN)包括一个组节点关注组件,该组件支持可变大小的输入,并基于成员和邻居节点特征学习组的表示。与标准的基线方法进行比较评估,我们证明,我们的模型优于基线。此外,我们还展示了网络趋势对模型性能的影响。
2021-07-09 cs.LG cs.SI physics.soc-ph
TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix
School of Computer Science, Zhoukou Normal University(周口师范学院计算机科学学院);School of Engineering and IT, University of New South Wales(新南威尔士大学工程与信息技术学院);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院);Huayin Institute of Technology(淮阴工学院)
理解现实世界中复杂系统的进化模式,如人类相互作用、交通网络、生物相互作用和计算机网络,对我们的日常生活有着重要的意义。预测这种网络中节点之间的未来联系揭示了时间网络演化的一个重要方面。为了分析网络,它们被映射到邻接矩阵,然而,单个邻接矩阵不能表示复杂的关系(例如时间模式),因此,一些方法考虑时间网络的简化表示,但在高维和一般稀疏矩阵中。因此,邻接矩阵不能被机器学习模型直接用于进行网络或节点级预测。为了克服这个问题,提出了用于学习节点或边的低维向量的自动化框架,作为预测网络中的时间模式(诸如链接预测)的最新技术。然而,这些模型未能考虑网络的时间维度。这一差距促使我们在这项研究中提出了一种新的节点嵌入技术,该技术利用了网络的进化性质,在每个时间步考虑一个简单的三层图神经网络,并通过给定的角度方法提取节点方向。为了证明我们提出的算法的效率,我们评估了我们提出的算法对六个国家的最先进的基准网络嵌入模型的效率,在四个真实的时态网络数据,结果表明,我们的模型优于其他方法在预测未来的链接时态网络。
2020-08-16 cs.LG cs.SI
NetEffect: Discovery and Exploitation of Generalized Network Effects
Carnegie Mellon University(卡内基梅隆大学);Brandeis University(布兰迪斯大学);KAIST(韩国科学技术院)
提出图挖掘方法NetEffect,通过统计测试和闭式解发现并利用广义网络效应(GNE),在节点分类任务中实现高效加速,并揭示真实图中GNE的意外缺失。
2024-02-12 cs.LG cs.SI
Predicting Yelp Star Reviews Based on Network Structure with Deep Learning
Stanford University(斯坦福大学)
在本文中,我们解决了基于业务特征(如图像,描述),用户特征(平均以前的评级),以及特别感兴趣的网络属性(企业之前有用户评级)预测Yelp星级评价评级的现实问题。我们比较了不同特征集的多个模型-从仅针对网络特征的简单线性回归到针对网络和项目特征的深度学习模型。近年来,深度学习的突破提高了常见监督学习任务的准确性,例如图像分类、字幕和语言理解。然而,将深度学习与网络特征和结构相结合的想法似乎是新颖的。虽然预测网络中未来交互的问题已经被详细研究过,但这些方法往往忽略了特定于节点的数据或全局结构。我们证明,采取混合的方法结合节点级功能和网络信息可以有效地用于预测Yelp评论星级。我们在Yelp数据集上进行评估,方法是沿着时间维度分割我们的数据(在现实世界中自然会发生),并将我们的模型与其他没有利用网络结构和/或深度学习的模型进行比较。
2017-12-11 cs.LG stat.ML
NC-NCD: Novel Class Discovery for Node Classification
Beihang University(北京航空航天大学);Communication University of China(中国传媒大学)
首次提出节点分类的新类发现场景NC-NCD,并设计结合原型回放与知识蒸馏的自训练框架SWORD,在不依赖旧节点的情况下有效平衡新旧类别学习,显著优于现有方法。
2024-07-25 cs.AI cs.LG
Predicting Dynamics of Ultra-Large Complex Systems by Inferring Governing Equations
Southeast University(东南大学);Queen Mary University of London(伦敦玛丽女王大学);Università di Catania and INFN(卡塔尼亚大学及国家核物理研究所);Complexity Science Hub Vienna(维也纳复杂性科学中心);Fudan University(复旦大学)
本文提出 SIGN 框架,通过数据推断大规模网络系统 governing 方程,实现高效且可靠的长时预测,适用于复杂系统研究。
2026-04-01 cs.LG
A Hybrid GNN approach for predicting node data for 3D meshes
Université Paris-Saclay(巴黎萨克雷大学);CentraleSupelec(巴黎中央理工-高等电力学院);LISN(计算机科学与神经科学实验室);MICS(数学与计算机科学实验室)
本文提出一种基于图卷积的混合代理图神经网络方法,将3D网格数据转换为图或点云结构进行深度学习,以替代耗时的有限元方法预测金属锻造最佳参数,新模型在仿真生成上优于现有PointNet和简单GNN且误差较低。
2023-10-23 cs.LG cs.NA math.NA
Pathfinder Discovery Networks for Neural Message Passing
The University of Edinburgh(爱丁堡大学);Google Research(谷歌研究院);Google(谷歌);Amazon Japan(亚马逊日本)
在这项工作中,我们提出了探路者发现网络(PDN),一种方法,用于联合学习的消息传递图的多路复用网络与下游半监督模型。PDN归纳地学习每个边的聚合权重,优化以产生下游学习任务的最佳结果。PDN是图上的注意力机制的推广,其允许节点之间的相似性函数、边缘卷积和廉价的多尺度混合层的灵活构造。我们证明了PDN克服了现有图注意力方法(例如图注意力网络)的弱点,例如权重递减问题。我们的实验结果证明了学术节点分类任务的竞争力预测性能。来自一组具有挑战性的节点分类实验的其他结果显示了PDN如何能够学习比现有基线更广泛的函数类。我们分析了PDN的相对计算复杂性,并表明PDN的运行时间是不是相当高于静态图模型。最后,我们讨论了如何PDN可以用来构建一个易于解释的注意力机制,让用户了解信息传播的图形。
2021-02-16 cs.AI cs.LG cs.SI
Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks
Carnegie Mellon University(卡内基梅隆大学);Amazon(亚马逊)
我们如何评估知识图谱(KG)中节点的重要性?KG是一种多关系图,已被证明对包括问答和语义搜索在内的许多任务都很有价值。在本文中,我们提出了GENI,一种方法来解决的问题,估计节点的重要性,在KG,它使几个下游的应用程序,如项目推荐和资源分配。虽然已经开发了许多方法来解决一般图的这个问题,但它们没有充分利用KG中可用的信息,或者缺乏对实体之间的复杂关系及其重要性进行建模所需的灵活性。为了解决这些限制,我们探索监督机器学习算法。特别是,建立在图神经网络(GNNs)的最新进展,我们开发了GENI,一种基于GNN的方法,旨在处理与预测KG中节点重要性相关的独特挑战。我们的方法通过谓词感知的注意力机制和灵活的中心性调整来执行重要性分数的聚合,而不是聚合节点嵌入。在我们对GENI和现有方法在具有不同特征的现实世界KG中预测节点重要性的评估中,GENI实现了比现有技术高5-17%的NDCG@100。
2019-06-16 cs.IR cs.LG stat.ML
Predicting Organic Reaction Outcomes with Weisfeiler-Lehman Network
Computer Science and Artificial Intelligence Lab, MIT(麻省理工学院计算机科学与人工智能实验室);Department of Chemical Engineering, MIT(麻省理工学院化学工程系)
有机反应产物的预测是计算化学中的一个基本问题。由于反应可能涉及数百个原子,因此完全探索可能的转变空间是困难的。目前的解决方案利用反应模板来限制空间,但它受到覆盖和效率问题的影响。在本文中,我们提出了一种无模板的方法,通过首先精确定位反应中心来有效地探索产物分子的空间-发生图形编辑的节点和边缘的集合。由于只有少量的原子参与反应中心,我们可以直接计算候选产物。生成的候选人通过Weisfeiler-Lehman差分网络进行评分,该网络模拟分子中节点处发生的变化之间的高阶相互作用。我们的框架优于性能最好的基于模板的方法,具有10%的利润率,同时运行速度更快。最后,我们证明了模型的准确性领域专家的表现相媲美。
2017-12-29 cs.AI cs.LG stat.ML
Interpretable Rule Discovery Through Bilevel Optimization of Split-Rules of Nonlinear Decision Trees for Classification Problems
Michigan State University(密歇根州立大学)
对于涉及设计,控制,其他实际目的的监督分类问题,用户不仅有兴趣找到一个高精度的分类器,但他们也要求得到的分类器是容易解释的。虽然分类器的可解释性的定义可以因情况而异,但在这里,通过人类可解释的分类器,我们将其限制为用简单的数学术语表示。作为一种新的方法,我们表示一个简单的数学规则,使用非线性决策树(NLDT)的组合分类器。树的每个条件(非终端)节点表示涉及特征的非线性数学规则(分裂规则),以便将给定条件节点中的数据集划分为两个不重叠的子集。这种划分旨在最小化结果子节点的不纯性。通过限制每个条件节点上的分裂规则结构和决策树的深度,保证了分类器的可解释性。在一个给定的条件节点的非线性分裂规则是使用进化的双层优化算法,而上层集中在到达一个可解释的结构的分裂规则,较低的水平实现最合适的权重(系数)的规则的各个组成部分,以最大限度地减少净杂质的两个子节点。所提出的算法的性能证明了一些控制测试问题,现有的基准问题,和工业问题。两个到500个特征问题的结果是令人鼓舞的,并开辟了进一步的范围,应用所提出的方法,更具有挑战性和复杂的分类任务。
2020-08-02 cs.LG cs.NE stat.ML
Robust vertebra identification using simultaneous node and edge predicting Graph Neural Networks
ImFusion GmbH(ImFusion有限公司);Technical University of Munich(慕尼黑工业大学)
本文提出一种结合U-Net和图神经网络的简单全可训练流程,同时预测节点和边,用于CT中椎骨的关联、分类与朝向估计,并引入含椎弓根检测的新数据集,性能优于匈牙利匹配和隐马尔可夫模型。
2023-07-27 cs.CV cs.LG eess.IV
Adaptive Multi-view Rule Discovery for Weakly-Supervised Compatible Products Prediction
Georgia Institute of Technology(佐治亚理工学院);The Home Depot(家得宝)
在电子商务平台上,预测两个产品是否相互兼容是为消费者提供可信的产品推荐和搜索体验的重要功能。然而,由于异构的产品数据和缺乏人工策划的训练数据,准确预测产品兼容性是困难的。我们研究发现有效的标签规则,可以使弱监督的产品兼容性预测的问题。我们开发了AMRule,一个多视图规则发现框架,它可以(1)自适应地和迭代地发现新的规则,可以补充当前的弱监督模型,以提高兼容性预测;(2)从结构化属性表和非结构化产品描述中发现可解释的规则。AMRule通过提升式策略自适应地从大误差实例中发现标记规则,高质量的规则可以弥补当前模型的弱点,并迭代地改进模型。从结构化的产品属性的规则发现,我们生成的组合高阶规则从决策树和规则发现从非结构化的产品描述,我们生成的规则为基础的规则从一个预先训练好的语言模型。在4个真实数据集上的实验表明,AMRule的平均性能优于基线5.98%,提高了规则质量和规则建议效率。
2022-06-28 cs.CL cs.LG
Predicting Influential Higher-Order Patterns in Temporal Network Data
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);University of Würzburg(维尔茨堡大学)
网络经常被用来模拟由相互作用的元素组成的复杂系统。虽然边捕获直接交互的拓扑结构,但许多系统的真正复杂性源于路径中的高阶模式,节点可以通过这些模式间接地相互影响。路径数据,表示连续的直接相互作用的有序序列,可以用来模拟这些模式。一方面,为了避免过度拟合,这种模型应该只考虑那些数据提供足够统计证据的高阶模式。另一方面,我们假设网络模型,只捕捉直接的相互作用,不适合数据中存在的高阶模式。因此,这两种方法都可能错误识别复杂网络中的有影响力的节点。我们提出了五个基于MOGen的中心性措施,这是一个多阶生成模型,它考虑了所有间接影响的最大距离,但忽略了更高距离的影响。我们比较MOGen为基础的中心性网络模型和路径数据的预测实验中,我们的目标是确定有影响力的节点外的样本数据的等效措施。我们的研究结果显示了强有力的证据支持我们的假设。MOGen始终优于网络模型和基于路径的预测。我们进一步表明,MOGen和基于路径的方法之间的性能差异消失,如果我们有足够的观察,确认错误是由于过拟合。
2022-10-03 cs.IT cs.LG cs.SI
Predicting Protein-Ligand Binding Affinity with Equivariant Line Graph Network
Shenzhen University(深圳大学);Tencent AI Lab(腾讯人工智能实验室)
三维蛋白质配体复合物的结合亲和力预测对于药物重新定位和虚拟药物筛选具有重要意义。现有的方法将3D蛋白质-配体复合物转换为二维(2D)图,然后使用图神经网络(GNN)来预测其结合亲和力。然而,2D图的节点和边特征是基于3D复合体的不变局部坐标系来提取的。因此,该方法不能充分学习复合物的全局信息,如物理对称性和键的拓扑信息。为了解决这些问题,我们提出了一种新的等变线图网络(ELGN)的3D蛋白质配体复合物的亲和力预测。该算法首先在三维复合体上添加一个超级节点,然后在三维复合体上构建一个线图。之后,ELGN使用一个新的E(3)-等变网络层来传递基于3D复合体的全局坐标系的节点和边之间的消息。在两个真实数据集上的实验结果证明了ELGN在几个最先进的基线上的有效性。
2022-10-27 cs.LG q-bio.BM
Competition is the key: A Game Theoretic Causal Discovery Approach
The School of Interdisciplinary Research (SIRe), Indian Institute of Technology (IIT) Delhi(跨学科研究学院(SIRe)、印度理工学院德里分校);Robert Bosch GmbH, India(德国罗伯特·博世有限公司,印度);Department of Applied Mechanics, Yardi School of Artificial Intelligence, Indian Institute of Technology (IIT) Delhi(应用力学系、雅迪人工智能学院、印度理工学院德里分校)
本文提出一种博弈论强化学习框架,通过DDQN智能体与GES或GraN-DAG竞争并热启动,实现因果发现,提供有限样本保证,在合成和真实基准上优于基线且可扩展。
2025-10-23 cs.LG
Predicting Oxide Glass Properties with Low Complexity Neural Network and Physical and Chemical Descriptors
Indian Institute of Technology Delhi(印度理工学院德里分校)
本文提出低复杂度神经网络并结合物理化学描述符,在约5万条玻璃组分数据上实现优于XGBoost的性质预测,并能泛化到训练集外的新组分,为加速新型玻璃发现提供方向。
2022-10-19 cond-mat.mtrl-sci cs.LG
A Hybrid Supervised and Self-Supervised Graph Neural Network for Edge-Centric Applications
Research institute for signals, systems and computational intelligence (sinc(i))(信号、系统与计算智能研究机构)
本文提出一种混合监督与自监督学习的图神经网络,结合节点与边特征的注意力机制,用于边中心任务,在蛋白质相互作用和基因本体预测中达到或超过现有方法,并解决了未知结构化合物相似性预测问题。
2025-07-04 cs.LG q-bio.MN
Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders
提出拓扑感知图增强框架,通过保留枢纽节点和重要边来增强脑网络,提升神经认知障碍临床轨迹预测的泛化能力。
2024-10-31 cs.CV cs.LG eess.IV
CaliPPer: quantifying, predicting and improving AI model performance for binding prediction
University of Oxford(牛津大学);Nankai University(南开大学);Chinese Academy of Sciences(中国科学院);Chinese Academy of Medical Science(中国医学科学院)
提出CaliPPer框架,通过多链样本到域距离和距离感知贝叶斯重校准,在三个分辨率上量化、预测和改进AI模型在结合预测中的性能,显著提升新表位、抗原变体和化学骨架上的发现率。
2026-09-25 cs.AI cs.CE cs.LG