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
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
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
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 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
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
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
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
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
Observability Properties of Colored Graphs
Systems & Technology Research(系统与技术研究院);Dartmouth College(达特茅斯学院)
着色图是一个有向图,其中节点或边被分配了不一定唯一的颜色。这种图中的可观察性问题考虑的是,观察图中路径上遍历的边或节点的颜色的代理是否可以确定它们当前处于哪个节点,或者在遍历中较早访问了哪些节点。以前的研究工作已经确定了几个不同的概念的可观察性,以及相关的性质的图,这些可观察性的性质举行。本文将以前的工作统一到一个共同的框架,这些概念和相关的图形属性之间的关系有几个新的结果。新的框架提供了一种直观的方式来推理可达到的精度作为滞后和观察时间的函数,并确定简单的修改,以提高给定图的可观察性。我们表明,一种形式的图修改问题是NP完全的。新框架的直观性与数值实验相吻合。这项工作对可以用代理遍历有色图来描述的问题具有影响,包括隐马尔可夫模型(HMM)中隐藏状态的重建。
2019-12-16 cs.LG math.CO stat.ML
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
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
GraphViz2Vec: A Structure-aware Feature Generation Model to Improve Classification in GNNs
针对GNN初始嵌入随机、结构表征弱且易过平滑的问题,提出GraphViz2Vec方法,通过邻域能量图训练图像分类模型生成结构感知的初始嵌入,提升分类性能并缓解过平滑。
2024-01-30 cs.AI cs.LG cs.SI
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
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
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
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
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
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
Comparing Federated Stochastic Gradient Descent and Federated Averaging for Predicting Hospital Length of Stay
Aalto University(阿尔托大学)
本研究将医院住院时长预测建模为经验图,采用联邦学习(FedSGD与FedAVG)在不泄露隐私的前提下实现准确预测,解决了传统方法数据不足的问题。
2024-07-17 cs.LG
Deep Multi-attributed Graph Translation with Node-Edge Co-evolution
George Mason University(乔治梅森大学)
图翻译是从图像翻译和语言翻译中推广而来的,其目的是通过在源域中调节输入图来在目标域中生成图。这个有前途的话题最近引起了越来越多的关注。现有的工作仅限于预测具有固定拓扑的图的节点属性,或者仅预测图的拓扑而不考虑节点属性,但是由于实质性的挑战而不能同时预测两者:1)难以表征交互式、迭代式以及节点和边两者的异步转换过程,以及2)难以发现和维护预测图中节点和边之间的固有一致性。这些挑战阻碍了用于联合节点和边缘属性预测的通用端到端框架,这是现实世界应用的需要,例如物联网网络中的恶意软件限制和结构到功能的网络转换。这些现实世界的应用程序高度依赖于手工制作和ad-hoc启发式模型,但不能充分利用大量的历史数据。在本文中,我们把这个通用的问题称为“多属性图翻译”,并开发了一个新的框架集成节点和边的翻译无缝。新的边平移路径是通用的,它被证明是现有拓扑平移模型的推广。然后,提出了一种基于非参数图拉普拉斯算子的谱图正则化方法,以学习和保持预测节点和边的一致性。最后,在合成数据和实际应用数据上的实验证明了该方法的有效性。
2020-06-15 cs.LG cs.SI 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
Hybrid Graph Embedding Techniques in Estimated Time of Arrival Task
Sberbank(俄罗斯联邦储蓄银行);National University of Science and Technology ``MISIS''(国立科技研究大学“莫斯科国立钢铁合金学院”);Artificial Intelligence Research Institute (AIRI)(人工智能研究院(AIRI))
最近,深度学习在估计到达时间(ETA)的计算方面取得了可喜的成果。估计到达时间(ETA)被认为是预测沿着给定路径从起点到某地的行程时间。ETA在智能出租车服务或汽车导航系统中起着至关重要的作用。通常的做法是使用嵌入向量来表示道路网络的元素,例如路段和十字路口。道路元素有自己的属性,如长度,人行横道的存在,车道数等,然而,在道路网络中的许多环节是由太少的浮动车穿过,即使在大型乘车平台和广泛的时间事件的影响。作为研究的主要目标,我们探讨了不同的空间嵌入策略的泛化能力,并提出了一个两阶段的方法来处理这样的问题。
2021-10-08 cs.LG
BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein Interactions
SenseTime Research(商汤科技研究院);School of Computer Science and Engineering, Central South University(中南大学计算机科学与工程学院);Qing yuan Research Institute, Shanghai Jiao Tong University(上海交通大学清源研究院)
动机:探索药物-蛋白质相互作用(DPI)是药物发现的关键步骤。可用生物数据的快速扩展使得计算方法能够有效地辅助实验方法。其中,深度学习方法只从基本特征中提取特征,如蛋白质序列、分子结构等。其他人通过不仅从序列/分子,而且从蛋白质-蛋白质和药物-药物关联(PPA和DDA)中学习来实现显着改善。PPA和DDA通常通过使用计算方法获得。然而,现有的计算方法有一定的局限性,导致低质量的PPA和DDA,阻碍了预测性能。因此,我们希望开发一种新的监督学习方法来有效地学习PPA和DDA,从而提高DPI特定任务的预测性能。结果:在这项研究中,我们提出了一种新的深度学习框架,即BridgeDPI。BridgeDPI引入了一类名为超节点的节点,它们将不同的蛋白质/药物连接起来,作为PPA和DDA。由于整个过程是端到端的学习,因此可以针对DPI的特定任务监督学习超节点。因此,这样的模型将提高DPI的预测性能。在三个真实世界的数据集中,我们进一步证明了BridgeDPI优于最先进的方法。此外,消融研究验证了超节点的有效性。最后,在一项独立的验证中,BridgeDPI探索了COVID-19蛋白质与各种抗病毒药物之间的候选结合。预测结果符合世界卫生组织和美国食品药品监督管理局的声明,表明BridgeDPI的有效性和可靠性。
2021-01-29 cs.LG cs.SI q-bio.QM
Drug-disease Graph: Predicting Adverse Drug Reaction Signals via Graph Neural Network with Clinical Data
Seoul National University(首尔大学);Seoul National University Hospital(首尔大学医院)
药品不良反应(ADR)是一个全球性的重大公共卫生问题。许多基于图的方法已被应用于生物医学图,用于预测上市前阶段的ADR。上市后监测中的ADR检测的重要性不亚于上市前评估,近年来大规模临床数据的ADR检测备受关注。然而,考虑来自临床数据的图形结构用于检测ADR信号的研究并不多,ADR信号是可能是潜在ADR的一对处方和诊断。在这项研究中,我们开发了一种新的基于图形的框架,使用医疗索赔数据的ADR信号检测。我们构建了一个药物-疾病图,其中节点代表医疗代码。边被给出为使用数据计算的两个代码之间的关系。我们应用图神经网络来预测ADR信号,使用来自副作用资源数据库的标签。与其他算法相比,该模型的AUROC和AUPRC性能分别提高了0.795和0.775,表明它成功地学习了表达这些关系的节点表示。此外,我们的模型预测ADR对不存在于已建立的ADR数据库,显示其能力,以补充ADR数据库。
2020-04-01 cs.LG stat.ML
Disparity, Inequality, and Accuracy Tradeoffs in Graph Neural Networks for Node Classification
University of Helsinki(赫尔辛基大学);ICREA(加泰罗尼亚研究与高级研究学院);Universitat Pompeu Fabra(庞培法布拉大学)
针对GNN节点分类中的群体偏见问题,提出PFR-AX与PostProcess两种模型无关干预,并通过多数据集实验评估公平性与准确率权衡。
2023-08-18 cs.CY cs.LG cs.SI
Simple yet Effective Node Property Prediction on Edge Streams under Distribution Shifts
Kim Jaechul Graduate School of AI, KAIST(金哉澈人工智能研究生院,韩国科学技术院)
针对时序图神经网络在缺乏节点特征和分布偏移下效果不佳的问题,提出轻量级SPLASH方法,通过特征增强与自动选择及基于MLP的架构提升鲁棒性与效率,并在七个数据集上验证其优异性能。
2025-04-01 cs.LG
Adversarial Context Aware Network Embeddings for Textual Networks
Indian Institute of Science(印度科学学院)
文本网络的表示学习提出了一个重大的挑战,因为它涉及到从两种模态捕获合并的信息:(i)底层网络结构,和(ii)节点文本属性。为此,大多数现有方法通过强制连接节点的嵌入相似来学习文本和网络结构的嵌入。然后,为了实现模态融合,他们使用节点的文本嵌入与其连接节点的结构嵌入之间的相似性,反之亦然。这意味着这些方法需要边缘信息来学习嵌入,并且它们不能学习看不见的节点的嵌入。在本文中,我们提出了一种方法,实现了模态融合和学习嵌入看不见的节点的能力。我们的模型的主要特点是,它使用基于文本嵌入的生成器和基于结构嵌入的生成器之间的对抗机制来学习有效的表示。然后,为了学习不可见节点的嵌入,我们使用基于文本嵌入的监督。此外,我们还提出了一种新的文本嵌入学习体系结构,该体系结构结合了相互注意和拓扑注意力机制,使得文本嵌入更加灵活。通过对真实世界数据集的广泛实验,我们证明了我们的模型在几个最先进的基准测试中取得了实质性的进步。与以前的最先进技术相比,它在预测训练中看到的节点之间的链接方面的性能提高了7%,在预测涉及训练中没有看到的节点的链接方面的性能提高了12%。此外,在节点分类任务中,它给出了高达2%的性能提高。
2020-11-05 cs.CL cs.IR cs.LG
Predicting Positive and Negative Links with Noisy Queries: Theory & Practice
Boston University(波士顿大学);Harvard University(哈佛大学);Aarhus University(奥胡斯大学)
社交网络涉及积极和消极的关系,这可以在签名图中捕获。{ \em边缘符号预测问题}旨在预测一对节点之间的交互是正的还是负的。我们提供了这个问题的理论结果,激励自然的改进,最近的ecologistics。边缘符号预测问题与相关聚类有关;正相关意味着在同一个聚类中。我们考虑以下模型的两个集群:我们被允许查询任何一对节点是否属于同一个集群或不,但查询的答案是损坏的概率$0<q<\frac{1}{2}$。设$δ=1-2q$为偏倚。我们提供了一个算法,恢复所有的迹象正确地与高概率存在噪音与$O(\frac{n\log n}{δ^2}+\frac{\log^2 n}{δ^6})$查询。这是除小型$δ$之外所有问题的最佳已知结果,改进了Mazumdar和Saha \cite{mazumdar2017clustering}最近的工作。我们还提供了一个算法,执行$O(\frac{n\log n}{δ^4})$查询,并使用广度优先搜索作为其主要的算法原语。虽然该算法的运行时间和查询次数都是次优的,但我们的结果依赖于新的理论技术,并且自然地建议使用边缘不相交路径作为在线社交网络中预测标志的特征。相应地,我们尝试使用短长度的边缘不相交$s-t$路径作为预测现实世界签名网络中边缘$(s,t)$的符号的特征。实证研究结果表明,使用这样的路径提高了分类精度,特别是对节点没有共同的邻居。
2020-12-06 cs.DM cs.DS cs.LG
Transforming Graph Representations for Statistical Relational Learning
Purdue University(普渡大学);U.S. Naval Academy(美国海军学院);Naval Research Laboratory(美国海军研究实验室)
由于最近网络数据集的激增(例如,社会、生物、信息网络)以及统计关系学习(SRL)算法在这些领域的应用的相应增加。在本文中,我们将研究基于图的关系数据的一系列表示问题。由于节点,链接和功能的关系数据表示的选择可以显着影响SRL算法的能力,我们调查的方法和机会,关系表示转换,旨在提高这些算法的性能。这使我们引入一个直观的分类法,在关系域中的数据表示转换,将链接转换和节点转换作为对称表示任务。具体而言,节点和链接的转换任务包括(i)预测它们的存在,(ii)预测它们的标签或类型,(iii)估计它们的权重或重要性,以及(iv)系统地构建它们的相关特征。我们通过详细的例子来激励我们的分类法,并使用它来调查和比较这些任务中的每一个的竞争方法。我们还讨论了转换链接、节点和特征的一般条件。最后,我们强调仍有待解决的挑战。
2012-03-30 cs.AI cs.LG cs.SI
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
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
MGM: Global Understanding of Audience Overlap Graphs for Predicting the Factuality and the Bias of News Media
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Sun Yat-sen University(中山大学)
针对新闻媒体政治偏见与真实性分类,提出基于变分EM框架的MGM,利用全局相似节点信息增强GNN和PLM,实现新最先进性能。
2024-12-12 cs.AI cs.CL cs.LG
Meta-Active Learning for Node Response Prediction in Graphs
NTT Communication Science Laboratories(NTT通信科学实验室)
元学习是一种提高目标任务观测值有限的机器学习性能的重要方法。然而,当观测值是不平衡获得的,它是很难提高性能,即使与元学习方法。在本文中,我们提出了一种主动学习方法,用于属性图中节点响应预测任务的元学习,其中选择要观察的节点以尽可能少地观察节点来提高性能。与所提出的方法,我们使用基于图卷积神经网络的模型来预测节点响应和选择节点,通过该模型,我们可以预测响应和选择节点,即使对于具有未知响应变量的图。通过最小化期望测试误差来训练响应预测模型。节点选择模型通过强化学习最大化期望误差减少来训练。我们证明了所提出的方法与11种类型的道路拥堵预测任务的有效性。
2020-10-12 cs.LG stat.ML
Node Attribute Completion in Knowledge Graphs with Multi-Relational Propagation
EPFL(洛桑联邦理工学院)
现有的关于知识图谱完成的文献大多集中在链接预测任务上。然而,知识图谱有一个额外的不完整性问题:它们的节点拥有数值属性,其值经常丢失。我们的方法,表示为MrAP,通过在知识图谱的多关系结构中传播信息来估算缺失属性的值。它采用回归函数根据节点之间的关系和属性的类型来预测一个节点属性与另一个节点属性。传播机制在消息传递方案中迭代地操作,该方案在每次迭代时收集预测并更新节点属性的值。在两个基准数据集上的实验表明了该方法的有效性。
2020-11-10 cs.LG
Heterogeneous Molecular Graph Neural Networks for Predicting Molecule Properties
Computer Science & Engineering University of Minnesota(明尼苏达大学计算机科学与工程学院)
基于图神经网络(GNN)的方法在模拟复杂相互作用方面具有巨大的潜力,已被广泛用于预测分子的量子力学性质。大多数现有的方法将分子视为分子图,其中原子被建模为节点。他们通过模拟每个原子与分子中其他原子的成对相互作用来表征每个原子的化学环境。虽然这些方法取得了巨大的成功,但有限数量的工作明确采取多体相互作用,即,考虑到三个或更多原子之间的相互作用。在本文中,我们介绍了一种新的图形表示的分子,异构分子图(HMG),其中的节点和边的各种类型,多体相互作用的模型。HMG具有携带复杂几何信息的潜力。为了利用HMG中存储的丰富信息进行化学预测问题,我们基于神经消息传递方案构建了异构分子图神经网络(HMGNN)。HMGNN将全局分子表示和注意力机制纳入预测过程。HMGNN的预测对原子坐标的平移和旋转以及原子指数的排列具有不变性。我们的模型在QM9数据集上的12个任务中有9个达到了最先进的性能。
2020-09-26 cs.LG physics.comp-ph stat.ML
Predicting Basin Stability of Power Grids using Graph Neural Networks
随着可再生能源在电力系统中所占比重的增加,由于其分散的结构、较小的惯性和波动性,电网的动态稳定性预测变得更加重要和具有挑战性。我们研究了应用图神经网络(GNN)预测同步在复杂电网的动态稳定性,使用单节点流域稳定性(SNBS)作为一种措施的可行性。为此,我们分别为20和100个节点的网格生成两个合成数据集,并使用Monte-Carlo抽样估计SNBS。这些数据集用于训练和评估八种不同GNN模型的性能。所有模型都使用没有简化的完整图作为输入,并在逐步回归设置中预测SNBS。我们表明,SNBS可以预测一般和性能显着变化,使用不同的GNN模型。此外,我们观察到我们方法的有趣传输能力:在较小网格上训练的GNN模型可以直接应用于较大网格,而无需重新训练。
2022-05-05 cs.LG cs.SY eess.SY
Joint Use of Node Attributes and Proximity for Semi-Supervised Classification on Graphs
University of Helsinki(赫尔辛基大学)
节点分类的任务是推断未知节点标签,给定一些节点的标签以及网络结构和其他节点属性。通常,用于该任务的方法假设同质性,由此相邻节点具有相似的属性,并且节点的标签可以从其邻居或其他邻近节点的标签来预测(即,附近)的节点。然而,这样的假设可能并不总是成立-事实上,在某些情况下,标签可以更好地从每个节点的单个属性而不是其邻近节点的标签进行预测。理想情况下,节点分类方法应该灵活地适应一系列的设置,其中未知的标签是从邻近节点的标签,或单个节点属性,或部分两者预测。在本文中,我们提出了一个原则性的方法,JANE,基于生成概率模型,通过嵌入在预测标签中联合权衡属性和节点邻近度的作用。我们在各种网络数据集上的实验表明,与标准基线相比,JANE表现出所需的多功能性和竞争性能的组合。
2021-09-14 cs.LG cs.SI
Predicting event attendance exploring social influence
University of Passau(帕绍大学);Department of Computer Science and Mathematics University of Passau(帕绍大学计算机科学与数学系)
预测人们在真实世界事件中的参与度的问题已经受到相当大的关注,因为它为人类行为分析和与事件相关的广告提供了有价值的见解。如今,社交网络(例如,Twitter)广泛地反映了人们与朋友讨论他们的兴趣的大型流行事件。事件参与者通常激励朋友加入事件,在网络中传播社会影响力。在本文中,我们提出了建模的社会影响力的朋友参加活动。我们考虑非地理标记的职位,除了社会团体的结构,以推断用户的出席。为了利用网络拓扑信息,我们应用了一些最近的图嵌入技术,如node2vec,HARP和Poincar`e。我们描述了设计特征空间并将其馈送到神经网络的方法。性能评估使用两个大型音乐节数据集进行,即VFestival和Creamfields。实验结果表明,我们的分类器优于最先进的基线,在VFestival数据集上观察到的准确率为89%。
2020-02-16 cs.LG cs.SI stat.ML
Link Prediction via Graph Attention Network
Beijing Normal University(北京师范大学)
链接预测是根据当前观测到的部分网络来推断缺失的链接或预测未来的链接,是网络科学中的一个基本问题,有着广泛的应用前景。然而,传统的链接预测方法既不具有高的预测精度,也不能揭示隐藏在链接后面的信息。为了解决这个问题,我们将深度学习的最新技术推广到图上,并提出了一种新的链接预测模型- DeepLinker。DeepLinker不是使用节点标签信息来学习节点表示,而是使用链接作为监督信息。在五个图上的实验表明,DeepLinker不仅能够达到最先进的链接预测精度,而且还可以获得高效的节点表示和节点中心度排名。虽然表示是在没有任何监督节点标签信息的情况下获得的,但它们在节点排名和节点分类任务上仍然表现良好。
2019-10-29 cs.LG cs.SI
Predicting multicellular function through multi-layer tissue networks
Stanford University(斯坦福大学)
动机:了解特定人体组织中蛋白质的功能对于疾病诊断和治疗至关重要,但预测组织特异性细胞功能仍然是生物医学的关键挑战。结果:在这里,我们提出了OhmNet,这是一种用于多层网络的分层感知无监督节点特征学习方法。我们建立了一个多层网络,每一层都代表了不同人体组织中的分子相互作用。OhmNet然后自动学习蛋白质(表示为节点)到基于神经嵌入的低维特征空间的映射。OhmNet鼓励具有相似网络邻域的蛋白质之间以及在相似组织中激活的蛋白质之间共享相似特征。该算法概括了以前的工作,通常忽略组织之间的关系,通过建模组织组织与丰富的多尺度组织层次结构。我们使用OhmNet来研究107个人体组织的多层蛋白质相互作用网络中的多细胞功能。在48个具有已知组织特异性细胞功能的组织中,OhmNet提供了比其他方法更准确的细胞功能预测,并且还生成了关于组织特异性蛋白质作用的更准确的假设。我们表明,考虑到组织层次结构导致提高预测能力。值得注意的是,我们还证明了利用组织层次结构以有效地将细胞功能转移到功能上未表征的组织是可能的。总的来说,OhmNet从平面网络转向多尺度模型,能够预测一系列跨越细胞子系统的表型
2017-07-14 cs.LG cs.SI q-bio.MN
Inductive Link Prediction for Nodes Having Only Attribute Information
University of New South Wales(新南威尔士大学);University of Science and Technology of China(中国科学技术大学);The Chinese University of Hong Kong(香港中文大学)
预测两个节点之间的链接是图数据分析的基本问题。在属性图中,结构和属性信息都可以用于链接预测。大多数现有的研究集中在两个节点都已经在图中的转导链接预测。然而,许多现实世界的应用需要归纳预测新的节点只有属性信息。这更具挑战性,因为新节点没有结构信息,并且在模型训练期间无法看到。为了解决这个问题,我们提出了一个称为DEAL的模型,它由三个组件组成:两个节点嵌入编码器和一个对齐机制。两个编码器分别输出面向属性的节点嵌入和面向结构的节点嵌入,对齐机制将两类嵌入对齐,建立属性和链接之间的连接。我们的模型DEAL是通用的,在这个意义上,它适用于感应和转导链接预测。在多个基准数据集上的大量实验表明,该模型的性能明显优于现有的归纳链接预测方法,也优于现有的归纳链接预测方法.
2020-07-16 cs.LG cs.SI stat.ML
Graph Classification via Deep Learning with Virtual Nodes
Deakin University(迪肯大学);University of Wollongong(伍伦贡大学)
图分类的学习表示将可变大小的图转换为固定大小的向量(或矩阵)。这样的表示很好地与代数操作一起工作。在这里,我们介绍了一个简单的方法来增加一个属性图与一个虚拟节点,是双向连接到所有现有的节点。虚拟节点表示图的潜在方面,这些方面不能立即从属性和局部连接结构中获得。然后将扩展的图通过任何节点表示方法。虚拟节点的表示就是整个图的表示。在本文中,我们使用最近推出的列网络的扩展图,从而在一个新的端到端的图分类模型称为虚拟列网络(VCN)。该模型通过两项任务进行验证:(i)预测化合物的生物活性,以及(ii)从源代码中发现软件漏洞。结果表明,VCN是有竞争力的对成熟的竞争对手。
2017-08-14 cs.AI cs.LG stat.ML
Edge2Node: Reducing Edge Prediction to Node Classification
Amirkabir University of Technology(阿米尔卡比尔理工大学)
针对图神经网络边预测任务依赖评分函数的局限,提出名为 Edge2Node 的方法,通过构建新图将边预测归约为节点分类任务,直接获取边嵌入,为该领域提供了新思路。
2023-11-22 cs.LG cs.SI
A Probabilistic Model for Node Classification in Directed Graphs
本文提出一种面向有向图的概率生成式分类模型,利用最大似然或最大后验估计预测节点标签,兼具高可解释性,并在两个数据集上取得优于或媲美最先进方法的性能。
2025-01-03 cs.LG cs.SI
Predicting Channel Closures in the Lightning Network with Machine Learning
AmbossTech(Amboss科技)
本文研究如何通过公开的 gossip 数据预测闪电网络通道关闭类型,发现时间行为特征比网络拓扑更有效,且简单 MLP 模型优于图方法。
2026-07-28 cs.LG cs.SI
The Power of Combining Data and Knowledge: GPT-4o is an Effective Interpreter of Machine Learning Models in Predicting Lymph Node Metastasis of Lung Cancer
Zhejiang Lab(之江实验室);Peking University Cancer Hospital and Institute(北京大学肿瘤医院暨肿瘤研究所);College of Biomedical Engineering and Instrumental Science, Zhejiang University(浙江大学生物医学工程与仪器科学学院)
本研究提出集成大语言模型医学知识与机器学习模式的肺癌淋巴结转移预测方法,通过GPT-4o结合患者数据与模型预测值调整估算并集成结果,显著提升预测性能,为临床预测提供新范式。
2024-08-15 cs.CL cs.LG
Graph-Based Deep Learning on Stereo EEG for Predicting Seizure Freedom in Epilepsy Patients
Children’s National Hospital(儿童国家医院);School of Medicine and Health Sciences, George Washington University(乔治·华盛顿大学医学与健康科学学院)
本研究提出基于图神经网络的深度学习模型,利用儿科难治性癫痫患者的立体定向脑电图数据预测发作缓解,准确率较高并识别关键脑区,为个性化癫痫治疗提供支持。
2025-02-21 cs.LG eess.SP q-bio.NC
Towards explainable message passing networks for predicting carbon dioxide adsorption in metal-organic frameworks
Oregon State University(俄勒冈州立大学)
金属-有机骨架(MOFs)是一种纳米多孔材料,可用于从化石燃料发电厂的废气中捕获二氧化碳,以减缓气候变化。在这项工作中,我们设计和训练一个消息传递神经网络(MPNN)预测模拟CO $_2$在MOFs中的吸附。为了深入了解MOF的哪些子结构对预测很重要,我们在读出函数中引入了一种软注意机制,该机制量化了节点表示对图形表示的贡献。我们研究了稀疏注意的不同机制,以确保只识别最相关的子结构。
2020-12-02 cond-mat.mtrl-sci cs.LG
Multi-Label Network Classification via Weighted Personalized Factorizations
University of Hildesheim(希尔德斯海姆大学)
多标签网络分类是一个众所周知的任务,被用于各种各样的基于Web和非基于Web的域。它可以被形式化为一个多关系学习任务,用于根据网络中的关系预测节点标签。在稀疏网络中,当只有隐式反馈信息可用时,例如在预测社交网络中的用户兴趣时,该预测任务可能非常具有挑战性。目前的方法依赖于通过利用网络结构来学习每个节点的潜在表示,然而,隐式反馈关系是自然稀疏的,并且仅包含正的观察到的反馈,这意味着这些方法将把所有观察到的关系视为同等重要。这在现实世界的场景中不一定是这种情况,因为隐式关系可能具有反映这些关系的强度的语义权重。如果这些权重可以近似,则可以训练模型以区分强关系和弱关系。提出了一种基于贝叶斯个性化排序损失的加权个性化两阶段多关系矩阵分解网络分类模型,该模型利用基本传递节点相似度函数对隐式反馈关系进行加权.实验表明,该模型显着优于国家的最先进的模型在三个不同的现实世界的基于Web的数据集和基于生物学的数据集。
2019-02-25 cs.IR cs.LG cs.SI
A Heterogeneous Network-based Contrastive Learning Approach for Predicting Drug-Target Interaction
College of Informatics, Huazhong Agricultural University(华中农业大学信息学院);School of Computing, Mathematics & Engineering, Charles Sturt University(查尔斯斯特大学计算、数学与工程学院);Artificial Intelligence & Cyber Futures Institute, Charles Sturt University(查尔斯斯特大学人工智能与网络未来研究院);Faculty of Engineering, University of Mines and Technology(矿业技术大学工程学院);School of Mathematics and Computer Science, Xinyu University(新余学院数学与计算机学院)
针对现有异质图神经网络DTI预测方法忽略边特征的问题,提出基于异质网络的对比学习方法HNCL-DTI,结合节点与边注意力协同学习表示,在基准数据集上性能优于先进基线,具备实用价值。
2024-10-20 cs.LG q-bio.BM
Unsupervised Joint $k$-node Graph Representations with Compositional Energy-Based Models
Purdue University(普渡大学);Universidade Federal de Minas Gerais(米纳斯吉拉斯联邦大学);United States Army Research Laboratory(美国陆军研究实验室)
现有的学习归纳无监督图表示的图神经网络(GNN)方法集中于通过预测图中观察到的边来学习节点和边表示。尽管这样的方法已经在下游节点分类任务中显示出进步,但是它们在联合表示较大的$k$ -节点集合$k{>}2$时是无效的。我们提出了MHM-GNN,一种归纳的无监督图表示方法,将联合$k$节点表示与基于能量的模型(超图马尔可夫网络)和GNN相结合。为了解决这种组合所产生的损失的棘手性,我们使用有限样本无偏马尔可夫链蒙特卡罗估计赋予我们的优化与损失上限。我们的实验表明,MHM-GNN的无监督MHM-GNN表示比文献中现有的方法产生更好的无监督表示。
2020-10-08 cs.AI cs.LG
Deep Learning for Predicting Dynamic Uncertain Opinions in Network Data
University at Albany – SUNY(纽约州立大学奥尔巴尼分校);Virginia Tech(弗吉尼亚理工学院暨州立大学);US Army Research Laboratory(美国陆军研究实验室)
主观逻辑是一种著名的信念模型,它可以显式地处理不确定的观点,并基于一组丰富的融合多个观点的算子来推断未知的观点。由于高度的简单性和适用性,SL已被大量应用于网络安全,意见模型,信任模型和/或社会网络分析领域的各种决策。然而,SL及其变体在预测真实世界动态网络数据中的不确定意见方面暴露出局限性,主要表现在三个方面:(1)缺乏处理大规模网络的可扩展性;(2)处理节点级意见之间的异构拓扑和时间依赖性的能力有限;以及(3)对冲突证据的高敏感性,可能会产生从证据中得出的违反直觉的意见。在这项工作中,我们提出了一种新的基于深度学习(DL)的动态意见推理模型,而节点级意见仍然基于SL形式化,这意味着意见除了在二项式意见中的信念和不信任之外,还具有不确定性的维度(即,同意或不同意)。本文提出的动态意见推理模型克服了上述三个局限性:(1)采用图卷积网络(GCN)和门控递归单元(GRU)等动态意见推理技术,对动态网络的拓扑和时间异构依赖信息进行建模;以及(3)在线性计算时间内预测动态、不确定意见的高度可扩展的推理算法。我们验证了我们提出的基于DL的算法(即,GCN-GRU-opinion模型),通过基于四个真实世界数据集的广泛比较性能分析。
2019-10-12 cs.LG stat.ML