Predicting Path Failure In Time-Evolving Graphs
The Chinese University of Hong Kong(香港中文大学);Noah’s Ark Lab, Huawei Technologies(华为技术有限公司诺亚方舟实验室)
在本文中,我们使用一个时间演化图,其中包括一系列的图形快照随着时间的推移,许多现实世界的网络建模。我们研究了时间演化图中的路径分类问题,它在现实世界中有许多应用,例如,预测电信网络中的路径故障和预测交通网络中的路径拥塞在不久的将来。为了捕捉时间依赖性和图结构动态性,我们设计了一种新的深度神经网络,称为长短期记忆R-GCN(LRGCN)。LRGCN将时间相邻图快照之间的时间依赖视为一种特殊的内存关系,并使用关系GCN来联合处理时间内和时间间的关系。我们还提出了一种新的路径表示方法称为自关注路径嵌入(SAPE),嵌入到固定长度的向量的路径的任意长度。通过在真实的电信网络和加利福尼亚州的交通网络上的实验,证明了LRGCN在路径故障预测方面优于其他竞争方法,并证明了SAPE在路径表示上的有效性。
2019-05-21 cs.LG 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
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
Predicting Citi Bike Demand Evolution Using Dynamic Graphs
由于需求的变化,自行车共享系统通常会遇到容量管理不善的问题。这些自行车共享系统将受益于预测需求的模型,以调节每个站点存储的自行车数量。在本文中,我们试图应用图神经网络模型来预测纽约市,花旗自行车数据集的自行车需求。
2022-12-18 cs.LG
Predicting Team Performance with Spatial Temporal Graph Convolutional Networks
University of Central Florida(中佛罗里达大学)
本文提出了一种新的方法来预测团队绩效的行为痕迹的一组代理。这个时空预测问题与体育分析挑战(如教练和对手建模)非常相关。我们证明,我们提出的模型,时空图卷积网络(ST-GCN),优于其他分类技术,在预测游戏分数从一小段球员的运动和游戏功能。我们提出的架构使用图卷积网络来捕获团队成员和门控递归单元之间的空间关系,以分析动态运动信息。一个烧蚀的评价进行了展示我们的架构的不同方面的贡献。
2022-06-21 cs.LG
GoGNN: Graph of Graphs Neural Network for Predicting Structured Entity Interactions
University of Technology Sydney(悉尼科技大学);University of Science and Technology of China(中国科学技术大学);University of New South Wales(新南威尔士大学)
实体相互作用预测在许多重要的应用中是必不可少的,例如化学、生物学、材料科学和医学科学。当每个实体由复杂的结构表示时,即结构化实体,问题变得相当具有挑战性,因为涉及两种类型的图:用于结构化实体的局部图和用于捕获结构化实体之间的交互的全局图。我们观察到,现有的结构化实体交互预测的工作不能正确地利用图模型的唯一图。在本文中,我们提出了一个图的图神经网络,即GoGNN,它提取的结构化实体图和实体交互图中的特征在一个层次的方式。我们还提出了双重注意力机制,使模型保持在两个层次的图的邻居的重要性。在真实世界数据集上的大量实验表明,GoGNN在两个代表性的结构化实体相互作用预测任务上的表现优于最先进的方法:化学-化学相互作用预测和药物-药物相互作用预测。我们的代码可以在Github上找到。
2020-05-12 cs.LG cs.SI
Graph Convolution Networks Using Message Passing and Multi-Source Similarity Features for Predicting circRNA-Disease Association
Georgia State University(佐治亚州立大学);Shaanxi Normal University(陕西师范大学)
图形可用于有效地表示复杂的数据结构。学习图中的这些不规则数据是具有挑战性的,并且仍然受到浅层学习的影响。最近,将深度学习应用于图在社会分析、生物信息学等许多应用中表现出良好的性能。消息传递图卷积网络是一种强大的方法,具有学习图结构的表达能力。同时,circRNA是一种非编码RNA,在人类疾病中起着关键作用。确定circRNA与疾病之间的关联对于复杂疾病的诊断和治疗非常重要。然而,它们之间的已知关联数量有限,进行生物学实验来识别新的关联既耗时又昂贵。因此,需要建立有效且可行的计算方法来预测潜在的circRNA-疾病关联。在本文中,我们提出了一种新的图卷积网络框架,从多源相似性信息构建的图中学习特征,以预测circRNA-疾病关联。首先利用circRNA相似性、疾病和circRNA高斯相互作用轮廓(GIP)核相似性的多源信息,使用一次图卷积提取特征。然后,我们用第二个图卷积预测每个circRNA的疾病关联。在各种实验中具有五重交叉验证的所提出的框架在预测circRNA-疾病关联方面显示出有希望的结果,并且优于其他现有方法。
2020-09-15 cs.LG stat.ML
Predicting Gene-Disease Associations with Knowledge Graph Embeddings over Multiple Ontologies
LASIGE;Faculdade de Ciências, Universidade de Lisboa(里斯本大学理学院)
基于本体的基因-疾病关联预测方法包括经典的语义相似度方法和最近的知识图谱嵌入方法。虽然语义相似性通常限于本体内的层次关系,但知识图谱嵌入考虑它们的全部广度。然而,嵌入是在单个图上产生的,并且诸如基因-疾病关联之类的复杂任务可能需要额外的本体。我们调查的影响,采用更丰富的语义表示,是基于一个以上的本体,能够代表基因和疾病,并考虑多种关系的本体。我们的实验证明了采用基于随机游走的知识图谱嵌入的价值,并强调了需要更紧密地集成不同的本体。
2021-05-31 cs.LG
Neural Message Passing with Edge Updates for Predicting Properties of Molecules and Materials
Technical University of Denmark(丹麦技术大学)
在分子图上传递神经信息是预测分子和材料的形成能等性质的最有前途的方法之一。在这项工作中,我们扩展了神经消息传递模型的边缘更新网络,它允许原子之间交换的信息取决于接收原子的隐藏状态。我们基准三个公开可用的数据集(QM 9,材料项目和OQMD),并表明该模型产生优越的预测的形成能和其他属性的所有三个数据集相比,最好的公布的结果。此外,我们研究了不同的方法来构建用于表示晶体结构的图,我们发现,使用基于K-最近邻的图实现更好的预测精度比使用最大距离截止或Voronoi镶嵌图。
2018-06-08 cs.LG stat.ML
A Machine Learning Approach for Predicting Human Preference for Graph Layouts
University of Sydney(悉尼大学)
由于人类大脑中高度复杂的视觉感知和认知系统,了解人类喜欢什么样的图形布局以及为什么喜欢图形布局是非常重要和具有挑战性的。在本文中,我们提出了第一个机器学习方法来预测人类的偏好图布局。一般来说,带有人类偏好标签的数据集是有限的,不足以训练深度网络。为了解决这个问题,我们通过采用迁移学习方法来训练我们的深度学习模型,例如,利用质量度量,例如基于形状的度量、边缘交叉和应力,这些被示出为与人类对图布局的偏好相关。使用地面真实人类偏好数据集的实验结果表明,我们的模型可以成功地预测人类对图形布局的偏好。据我们所知,这是第一种使用人类偏好实验数据预测图形布局定性评价的方法。
2021-03-01 cs.HC cs.LG
Sequential Graph Attention Learning for Predicting Dynamic Stock Trends (Student Abstract)
National Taipei University(国立台北大学);University of Connecticut(康涅狄格大学);National Yang Ming Chiao Tung University(国立阳明交通大学)
股票市场的特点是公司与市场之间的关系复杂。本研究结合顺序图结构与注意机制,在时间上学习全局和局部信息。具体来说,我们提出的“GAT-AGNN”模块比较了多个行业以及单个行业内的模型性能。结果表明,该框架优于国家的最先进的方法,在台湾股票数据集上预测多个行业的股票趋势。
2023-01-15 cs.LG q-fin.ST
Introducing New Node Prediction in Graph Mining: Predicting All Links from Isolated Nodes with Graph Neural Networks
Universidad Politécnica de Madrid(马德里理工大学)
本文提出图挖掘中的新节点预测问题,即零样本图外全链接预测,并验证基于深度图神经网络的架构可在文献引用网络中预测孤立节点的全部链接。
2024-01-10 cs.AI cs.LG cs.SI
Predicting the Co-Evolution of Event and Knowledge Graphs
Siemens AG(西门子股份公司);Ludwig Maximilian University of Munich(慕尼黑大学)
嵌入式学习,又名表示学习已经被证明能够对大规模语义知识图谱进行建模。一个关键概念是将知识图谱映射到张量表示,张量表示的条目由使用广义实体的潜在表示的模型预测。知识图谱通常被视为静态的:当更多的事实变得可用时,知识图谱增长更多的链接,但是与链接相关联的基础真值被认为是时不变的。在本文中,我们解决的问题,知识图谱的三重状态依赖于时间。我们假设知识图谱中的变化总是以事件的形式到达,在这个意义上,事件是通往知识图谱的网关。我们使用知识图谱背景信息和最近事件的信息来训练事件预测模型。通过预测未来事件,我们还预测了知识图谱中可能的变化,从而也获得了知识图谱的演化模型。我们的实验表明,我们的方法在临床应用,推荐引擎和传感器网络应用中表现良好。
2015-12-21 cs.LG
Predicting Mergers and Acquisitions using Graph-based Deep Learning
Northwestern University(西北大学)
图数据结构是数学中的主要内容,但基于图的机器学习是数据科学领域中相对较新的领域。基于图的ML和相关算法的开源实现的最新进展使研究人员能够将学术界创建的方法应用于现实世界的数据集。该项目的目标是利用流行的图形机器学习框架GraphSAGE来预测企业公司的合并和收购(M&A)。结果是有希望的,因为该模型在验证数据集上的预测准确率为81.79%。鉴于金融数据科学中丰富的数据源和算法决策,基于图的机器学习提供了一种高性能但非传统的方法来生成alpha。
2021-04-05 cs.AI cs.LG
Predicting retrosynthetic pathways using a combined linguistic model and hyper-graph exploration strategy
IBM Research – Zurich(IBM苏黎世研究院);Università di Pisa(比萨大学)
我们提出了一个扩展我们的分子Transformer架构结合超图探索策略自动逆合成路线规划,无需人为干预。单步逆合成模型为预测每个逆合成步骤的反应物以及试剂、溶剂和催化剂设定了新的技术状态。我们引入了新的指标(覆盖率,类多样性,往返精度和詹森-香农发散)来评估单步逆合成模型,使用前向预测和反应分类模型总是基于Transformer架构。超图是动态构建的,节点被过滤并基于贝叶斯概率进一步扩展。我们批判性地评估了端到端的框架与文献和学术考试的几个逆合成的例子。总体而言,该框架具有非常好的性能,几乎没有由于训练过程中引起的偏差而导致的弱点。新引入的指标的使用开辟了通过仅关注单步模型的性能来优化整个逆合成框架的可能性。
2019-10-17 cs.LG stat.ML
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 Hateful Discussions on Reddit using Graph Transformer Networks and Communal Context
University of Waterloo(滑铁卢大学)
我们提出了一个系统来预测社交媒体平台上的有害讨论。我们的解决方案使用上下文深度语言模型,并提出了集成最先进的图Transformer网络来分析初始帖子之后的所有对话的新想法。该框架还支持随着对话的展开而适应未来的评论。此外,我们还研究了针对特定社区的仇恨言论分析是否能更有效地检测仇恨讨论。我们对来自不同社区的333,487个Reddit讨论进行了评估。我们发现,特定于社区的建模提高了两倍的性能,与有限的上下文模型相比,捕获更广泛讨论的上下文的模型将准确率提高了28%(对于最讨厌的内容为35%)。
2023-01-10 cs.CL cs.LG cs.SI
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
Graph algorithms for predicting subcellular localization at the pathway level
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);Morgridge Institute for Research(莫格里奇研究所);Harvard Medical School(哈佛医学院)
蛋白质亚细胞定位是正常细胞过程和疾病的重要因素。虽然许多蛋白质定位资源将其视为静态的,但蛋白质定位是动态的,并且受到生物背景的严重影响。生物途径是代表特定生物背景的图表,可以从大规模数据中推断出来。我们开发了图形算法来预测生物通路中所有相互作用的定位,作为边缘标记任务。我们比较了各种模型,包括图神经网络,概率图形模型,并从策划的途径数据库预测本地化注释判别分类。我们还进行了一个案例研究,在那里我们构建生物学途径,并预测经历病毒感染的人成纤维细胞的定位。通路定位预测是一种很有前途的方法,用于将公开可用的定位数据整合到大规模生物学数据的分析中。
2022-12-12 cs.LG q-bio.MN
Predicting Tweet Engagement with Graph Neural Networks
University of Pavia(帕维亚大学);Polytechnic University of Marche(马尔凯理工大学)
本文提出TweetGage,一种基于图神经网络的解决方案,通过建模帖子间的语义联系来预测推文参与度,并在Twitter平台上通过全面实验验证了其有效性。
2023-05-17 cs.AI cs.LG cs.SI
Graph Attention Network for Predicting Duration of Large-Scale Power Outages Induced by Natural Disasters
School of Electrical and Computer Engineering(电气与计算机工程学院);Georgia Institute of Technology(佐治亚理工学院)
针对现实场景下自然灾害引发大规模停电持续时间预测的三大挑战,提出经无监督预训练加半监督学习的GAT模型,在飓风实测数据上准确率超93%,性能优于多种现有方法。
2025-11-14 cs.LG stat.ML
Graph convolutional network for predicting abnormal grain growth in Monte Carlo simulations of microstructural evolution
本研究针对异常晶粒生长的随机性预测难题,构建大型蒙特卡洛模拟数据集,用图卷积网络预测初始微观组织的异常生长,准确率达73%且优于计算机视觉方法,还提供了物理见解与不确定性分析参考。
2024-07-11 cond-mat.mtrl-sci cs.LG
CasGCN: Predicting future cascade growth based on information diffusion graph
Renmin University of China(中国人民大学);University of Liverpool(利物浦大学);Loughborough University(拉夫堡大学)
突然爆发的信息级联,可能会导致极端观点、时尚潮流的改变、谣言的不可控传播等意想不到的后果。如何有效地预测未来的级联规模,特别是对于Twitter和微博等社交媒体平台上的大规模级联,已经成为一个重要的问题。然而,现有的方法是不够的,在处理这个具有挑战性的预测问题。传统的方法严重依赖于手工制作的特征或不切实际的假设。端到端的深度学习模型(例如循环神经网络)不适合直接处理图形输入,并且无法处理嵌入在级联图中的结构信息。在本文中,我们提出了一种新的用于级联增长预测的深度学习架构,称为CasGCN,它采用图卷积网络从图形输入中提取结构特征,然后在进行级联大小预测之前对提取的特征和时间信息应用注意力机制。我们在两个真实世界的级联增长预测场景(即,实验结果表明,CasGCN算法的性能优于几种基线算法,尤其是在大规模级联时。
2020-09-10 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
Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI
Yale University(耶鲁大学)
本研究利用Graphormer和图注意力网络等图模型捕捉特征交互,在519K条卒中住院记录上预测卒中后僵硬,AUROC达0.75,优于传统模型,并识别出NIH卒中量表等关键预测因子。
2025-04-10 cs.LG
DNA-GCN: Graph convolutional networks for predicting DNA-protein binding
Peking University(北京大学);Alibaba Group(阿里巴巴集团);Damo Academy(达摩院)
预测DNA-蛋白质结合是生物信息学中的一个重要而经典的问题。卷积神经网络在模拟DNA-蛋白质结合的序列特异性方面优于传统方法。然而,没有一项研究利用图卷积网络进行模体推理。在这项工作中,我们建议使用图卷积网络进行主题推理。我们基于k-mer共现和k-mer序列关系构建整个数据集的序列k-mer图,然后学习整个数据集的DNA图卷积网络(DNA-GCN)。我们的DNA-GCN初始化为所有节点的one-hot表示,然后它联合学习k-mers和序列的嵌入,由序列的已知标签监督。我们在ENCODE的50个数据集上评估了我们的模型。DNA-GCN与基线模型相比显示出其竞争性性能。此外,我们分析了我们的模型,并设计了几种不同的架构,以帮助适应不同的数据集。
2021-06-02 cs.LG q-bio.GN
GENN: Predicting Correlated Drug-drug Interactions with Graph Energy Neural Networks
IBM Research AI(IBM研究AI);Peking University(北京大学);IQVIA(艾昆纬);Georgia Institute of Technology(佐治亚理工学院)
获得关于药物相互作用(DDI)的更全面的知识是药物开发和医疗实践中最重要的任务之一。最近,图神经网络通过将药物建模为节点,将药物-药物相互作用建模为链接,并将DDI预测铸造为链接预测问题,在这一任务中取得了巨大的成功。然而,链接标签之间的相关性(例如,DDI类型)在现有工程中很少考虑。我们提出了图能量神经网络(GENN)显式模型的链接类型的相关性。我们制定的DDI预测任务作为一个结构预测问题,并介绍了一个新的基于能量的模型,其中的能量函数定义的图神经网络。在两个真实DDI数据集上的实验表明,在不考虑链接类型相关性的情况下,GENN优于许多基线,并分别在两个数据集上实现了$13.77\%$和$5.01\%$ PR-AUC的改善。我们还提出了一个案例研究,其中\mname可以更好地捕捉有意义的DDI相关性相比,基线模型。
2019-10-08 cs.LG q-bio.QM stat.ML
Graph Neural Network Approach to Predicting Magnetization in Quasi-One-Dimensional Ising Systems
B. Verkin Institute for Low Temperature Physics and Engineering of the National Academy of Sciences of Ukraine(贝拉维金低温物理与工程研究所(乌克兰国家科学院))
本文提出基于图神经网络的深度学习框架,将晶格结构编码为图并结合 Monte Carlo 数据训练,以直接预测准一维 Ising 系统磁化曲线及临界与阻挫特征。
2025-07-23 cond-mat.dis-nn cs.LG
Predicting Patient Outcomes with Graph Representation Learning
University of Cambridge(剑桥大学);Samsung AI Center(三星人工智能中心);University of Oxford(牛津大学)
最近关于预测重症监护室(ICU)中患者结局的工作主要集中在生理时间序列数据上,在很大程度上忽略了诊断和药物治疗等稀疏数据。当它们被包括在内时,它们通常在模型的后期阶段被连接起来,这可能很难从罕见的疾病模式中学习。相反,我们提出了一种策略,通过在图中连接类似的患者来利用诊断作为关系信息。为此,我们提出了LSTM-GNN的病人结果预测任务:一个混合模型结合长短期记忆网络(LSTM)提取时间特征和图神经网络(GNNs)提取病人的邻域信息。我们证明了LSTM-GNN在eICU数据库上的住院时间预测任务上优于仅LSTM基线。更一般地说,我们的研究结果表明,利用图神经网络从相邻的病人病例的信息是一个很有前途的研究方向,产生有形回报的监督学习性能的电子健康记录。
2021-01-11 cs.LG
Predicting the Performance of Graph Convolutional Networks with Spectral Properties of the Graph Laplacian
本文发现图的Fiedler值(代数连通性)能有效预测GCN性能,并在合成及真实数据集上验证,为GCN层数选择和迁移学习提供指导。
2025-09-10 cs.LG
A Graph-based U-Net Model for Predicting Traffic in unseen Cities
Bielefeld University(比勒费尔德大学)
准确的交通预测是实现交通管理的关键因素,例如重新安排车辆以减少道路拥堵或通过动态限速来调节交通以保持稳定的流量。表示交通数据的一种方式是以时间变化的热图的形式可视化交通属性,例如速度和流量。在最近的工作中,U-Net模型已经显示了SOTA在热图流量预测方面的性能。我们建议将U-Net架构与图形层相结合,与Vanilla U-Net相比,它可以提高对看不见的道路网络的空间概括。特别是,我们专门现有的图形操作是敏感的地理拓扑和概括池和上采样操作适用于图形。
2022-08-29 cs.AI cs.LG
TactileGCN: A Graph Convolutional Network for Predicting Grasp Stability with Tactile Sensors
University of Alicante(阿利坎特大学)
触觉传感器在与物体交互期间提供有用的接触数据,其可用于准确地学习以确定抓握的稳定性。文献中的大多数作品将触觉读数表示为普通特征向量或矩阵状触觉图像,使用它们来训练机器学习模型。在这项工作中,我们探索了一种利用触觉信息来预测把握稳定性的替代方法,通过利用触觉数据的图形表示,它保留了传感器的taxels及其位置的实际空间布置。在实验中,我们训练了一个图神经网络来对抓取进行二进制分类,分为稳定抓取和滑动抓取。为了训练这样的网络并证明其对手头问题的预测能力,我们捕获了一个新的数据集,其中包含41个对象的大约5000个三指抓握用于训练,以及10个未知对象的1000个抓握用于测试。我们的实验证明,这种新的方法可以有效地用于预测把握稳定性。
2019-01-18 cs.LG cs.RO stat.ML
Predicting Alzheimer's Disease by Hierarchical Graph Convolution from Positron Emission Tomography Imaging
Yuanpei College Peking University(北京大学元培学院);Massachusetts General Hospital(麻省总医院);College of Computer Science Zhejiang University(浙江大学计算机学院)
基于影像学的阿尔茨海默病(AD)早期诊断已成为一种有效的方法,特别是通过使用核医学成像技术,如正电子发射断层扫描(PET)。在各种文献中,已经发现PET图像可以更好地建模为在网络(非欧几里德)结构上定义的信号(例如,florbetapir的摄取),该网络结构由其病理进展和代谢连通性的基础图形模式控制。为了有效地将深度学习框架应用于PET图像分析,以克服其在欧几里得网格上的局限性,我们开发了一种在广义的基于图的CNN架构(PETNet)下进行3D PET图像表示和分析的解决方案,该架构分析了在按组推断的图结构上定义的PET信号。PETNet中的计算在非欧几里德图(网络)域中定义,因为它通过对图上的频谱滤波信号进行卷积操作和基于分层图聚类的池化操作来执行特征提取。PETNet的有效性在阿尔茨海默病神经成像倡议(ADNI)数据集上进行了评估,该数据集显示了比深度学习和其他基于机器学习的方法更好的性能。
2019-10-01 cs.LG eess.IV stat.ML
Predicting travel demand of a bike sharing system using graph convolutional neural networks
School of Civil Engineering, KNTU(KNTU土木工程学院)
本研究针对共享单车系统站点级出行需求预测问题,提出融合多源数据的门控图卷积神经网络混合模型,经芝加哥案例验证性能优于基准模型,可辅助交通规划决策。
2024-08-18 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 from a Different Perspective: A Re-ranking Model for Inductive Knowledge Graph Completion
The University of Electro-Communications(电气通信大学)
针对归纳式知识图谱补全场景下规则归纳模型因规则不同导致预测有差异的特性,提出重排序模型ReDistLP,利用初始检索器与重排器的预测差异提升效果,在2/3基准上超越现有最优方法。
2024-06-19 cs.LG
Predicting Lattice Phonon Vibrational Frequencies Using Deep Graph Neural Networks
University of South Carolina(南卡罗来纳大学);National Institute of Standards and Technology(国家标准与技术研究所);Theiss Research
晶格振动频率与许多重要的材料性质有关,例如导热性、导电性以及超导性。然而,使用密度泛函理论(DFT)方法计算振动频率对于材料筛选中的大量样本来说计算量太大。在这里,我们提出了一种基于深度图神经网络的算法,用于高精度地从晶体结构预测晶体振动频率。我们的算法使用零填充方案来解决振动频谱的可变维度。对15,000和35,552个样本的两个数据集的基准研究表明,预测的聚合$R^2$得分分别达到0.554和0.724。我们的工作证明了深度图神经网络除了预测声子态密度(DOS)和电子态密度之外,还能够学习预测晶体结构的声子谱特性,其中输出维度是恒定的。
2021-11-10 cond-mat.mtrl-sci cs.LG
Attention-wise masked graph contrastive learning for predicting molecular property
Nanjing Tech University(南京工业大学);Central South University(中南大学)
准确、高效地预测药物的分子性质是药物研究和开发的基本问题之一。表征学习的最新进展已被证明可以大大提高分子性质预测的性能。然而,由于有限的标记数据,基于监督学习的分子表示算法只能搜索有限的化学空间,导致泛化能力差。在这项工作中,我们提出了一个大规模的未标记分子的自监督表示学习框架。我们开发了一种新的分子图增强策略,称为attention-wise graph mask,以生成具有挑战性的阳性样本进行对比学习。我们采用图注意力网络(GAT)作为分子图编码器,并利用学习的注意力分数作为掩蔽指导来生成分子增强图。通过最小化原始图和掩码图之间的对比损失,我们的模型可以捕获重要的分子结构和高阶语义信息。大量的实验表明,我们的注意力图形掩码对比学习在几个下游分子性质预测任务中表现出最先进的性能。
2022-05-02 cs.LG q-bio.BM
Predicting Steady-State Behavior in Complex Networks with Graph Neural Networks
Space Research Institute, Austrian Academy of Sciences(奥地利科学院空间研究 institute);Nikhef
本研究利用图卷积和注意力机制的神经网络框架,高精度识别复杂网络中线性动力系统的稳态行为,并用真实数据验证性能,同时提供传播分析推导。
2025-09-08 cs.AI cs.LG nlin.AO
Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data
National Institute of Technology Silchar, Assam, India(印度西里char国家理工学院)
针对传统模型孤立处理患者、难以挖掘EHR关系结构的问题,提出基于相似性的自构建图模型与混合GNN架构,在MIMIC-III数据集上取得最优预测性能,且具备可解释性,可为ICU风险预测提供支持。
2025-08-01 cs.AI cs.LG
Semi-Supervised Graph Representation Learning with Human-centric Explanation for Predicting Fatty Liver Disease
Ajou University(亚洲大学);Seoul National University Hospital Healthcare System Gangnam Center(首尔大学医院保健体系江南中心)
针对脂肪肝预测中临床标记数据不足的问题,提出基于图神经网络的半监督图表示学习方法,构建受试者相似图挖掘风险模式,结合可解释GNN提供以人为中心的个性化解释,提升临床可用性。
2024-03-05 cs.AI cs.LG
Efficiently predicting high resolution mass spectra with graph neural networks
MIT(麻省理工学院);Enveda Biosciences(恩维达生物科学公司)
从质谱中识别小分子是计算代谢组学中的主要开放问题。这通常被称为信息检索:将未知光谱与从大型化学结构数据库中计算预测的光谱进行匹配。然而,目前的光谱预测方法对输出空间建模的方式迫使在捕获高分辨率质量信息和易于处理的学习之间进行权衡。我们解决这个权衡铸造光谱预测作为一个映射从输入分子图的概率分布的分子式。我们发现,一个大的语料库的质谱可以接近使用一个固定的词汇构成所有观察到的公式只有2%。这使得使用类似于图分类的架构进行有效的频谱预测- GrAFF-MS -实现比最先进的方法显著更低的预测误差和更快的数量级的运行时间。
2023-01-26 cs.LG q-bio.QM
Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport
Carnegie Mellon University(卡内基梅隆大学);Bosch Center for AI(博世人工智能中心)
预测离散变量的分布如何随时间变化是时间序列预测中的一项常见任务。但是,尽管大多数方法只关注预测后续时间步长的分布,但在许多情况下,一个关键的信息是确定这种概率质量如何随时间在不同元素之间流动。我们提出了一种新的方法来预测这种质量流量随着时间的推移,使用最佳运输。具体来说,我们提出了一种通用的方法来预测端到端深度学习系统中的传输矩阵,用Sinkhorn迭代代替标准的softmax操作。我们应用我们的方法来预测社区将如何随着时间的推移在社交网络环境中演变的任务,并表明该方法大大提高了替代预测方法。我们特别强调预测乌克兰议会投票中派系演变的任务的结果。
2023-03-14 cs.LG cs.SI
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks
McGovern Institute for Brain Research, Massachusetts Institute of Technology(麻省理工学院麦戈文脑研究所);Complutense University of Madrid(马德里康普顿斯大学);Harvard Medical School(哈佛医学院)
表征与阿尔茨海默病(AD)的病理级联相关的功能性脑网络的细微变化对于在临床症状之前早期诊断和预测疾病进展是重要的。我们开发了一种新的深度学习方法,称为多图高斯嵌入模型(MG2G),它可以通过将高维静息态大脑网络映射到低维潜在空间来学习高度信息化的网络特征。这些基于潜在分布的嵌入能够定量表征不同区域的细微和异质的大脑连接模式,并且可以用作传统分类器的输入,用于各种下游图形分析任务,例如AD早期预测和跨大脑区域的组间显著改变的统计评估。我们使用MG2G检测MEG脑网络的内在潜在维度,预测轻度认知障碍(MCI)患者向AD的进展,并识别与MCI相关的网络改变的脑区。
2020-11-10 cs.LG eess.SP q-bio.NC
DeepCrysTet: A Deep Learning Approach Using Tetrahedral Mesh for Predicting Properties of Crystalline Materials
SAKURA internet Inc.(樱花互联网公司);National Institute for Materials Science (NIMS)(国立材料科学研究所);The University of Tokyo(东京大学);RIKEN(理化学研究所);Kyoto University(京都大学)
针对图表示丢失晶体三维信息的问题,提出基于Delaunay四面体网格的深度学习框架DeepCrysTet,在分类和弹性属性预测上超越现有GNN模型。
2023-09-07 cond-mat.mtrl-sci cs.LG
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
Deep Learning for School Dropout Detection: A Comparison of Tabular and Graph-Based Models for Predicting At-Risk Students
Computing Department, Universidade Federal de Ouro Preto(奥鲁普托联邦大学计算机系)
本文比较了表格型与图结构模型在预测高风险学生辍学中的表现,发现特定图结构与GNN配置可显著提升预测性能。
2025-08-09 cs.LG
Predicting thermoelectric properties from crystal graphs and material descriptors - first application for functional materials
I2R, A*STAR(新加坡科技研究局资讯通信研究院);IMRE, A*STAR(新加坡科技研究局材料研究与工程研究院)
我们介绍了使用晶体图卷积神经网络(CGCNN),全连接神经网络(FCNN)和XGBoost来预测热电性能。CGCNN的数据集不依赖于密度泛函理论(DFT),只依赖于晶体和原子的信息,而FCNN的数据集基于Materialsproject.org中丰富的属性列表。结果表明,优化后的FCNN具有三层深度,能够更好地预测与散射时间无关的热电功率因数(或XGBoost),这表明从部分从DFT获得的材料科学知识获知的键合和状态密度描述符对于预测功能性质是至关重要的。
2018-11-15 cond-mat.mtrl-sci cs.LG physics.comp-ph
Predicting vacant parking space availability zone-wisely: a graph based spatio-temporal prediction approach
车位预测是智能停车诱导系统的关键问题之一。准确预测VPS信息在智能停车诱导系统中起着至关重要的作用,可以帮助驾驶员快速找到停车位,减少不必要的时间浪费和过度的环境污染。通过对历史数据的简单分析,发现各停车场不仅存在明显的时间相关性,而且不同停车场之间也存在明显的空间相关性。鉴于此,本文提出了一种基于图数据的模型ST-GBGRU(Spatial-Temporal Graph Based Gated Recurrent Unit),该模型既可以预测VPS的数量,30分钟内)和长期(即,超过30分钟)。一方面,GRU提取历史VPS数据的时间相关性,另一方面,GRU内部的GCN提取历史VPS数据的空间相关性。该模型结合了直接预测和迭代预测两种预测方法。最后,预测模型被应用到预测的8个公共停车场在圣莫尼卡的VPS的数量。结果表明,ST-GBGRU模型在短期和长期的预测任务中都能达到较高的精度,具有良好的应用前景。
2022-05-03 cs.LG
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 Winning Regions in Parity Games via Graph Neural Networks (Extended Abstract)
German Aerospace Center (DLR)(德国航空航天中心(DLR));University of Stuttgart(斯图加特大学)
针对奇偶博弈求解缺乏多项式最坏情况复杂度算法的问题,提出一种基于图神经网络的不完备多项式时间方法来确定获胜区域,在900个随机生成的博弈上验证了其有效性与高效性。
2023-07-27 cs.GT cs.LG
A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes
Dublin City University(都柏林城市大学)
准确的交通需求预测是有效的城市交通诱导、控制和管理的关键。提高预测准确度水平的一种解决方案是利用图卷积网络(GCN),这是一种基于神经网络的建模方法,具有处理包含在基于图的结构中的数据的能力。时空图卷积网络(ST-GCN)作为GCN的一个强大扩展,旨在捕获图形节点中包含的数据在空间和时间维度上的关系,这为复杂时间序列数据的分析提供了一种新的深度学习范式,其中还涉及交通用例中存在的空间信息。在本文中,我们提出了一个基于注意力的ST-GCN(AST-GCN)的预测在城市的自行车共享系统中的可用自行车的数量,其中基于注意力的机制,以进一步提高性能的ST-GCN。此外,我们还讨论了不同的邻接矩阵的建模方法对所提出的架构的影响。我们的实验结果使用两个真实世界的数据集,Dublinbikes和NYC-Citi Bike,来说明我们提出的模型的有效性,它优于大多数现有的方法。
2021-07-07 cs.LG cs.SY eess.SY
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
Site-specific graph neural network for predicting protonation energy of oxygenate molecules
Argonne Leadership Computing Facility(阿贡领导力计算设施);Argonne National Laboratory(阿贡国家实验室)
生物油分子评价对于化学品和交通燃料的可持续发展至关重要。这些含氧分子具有足够的碳,氢和氧原子,可用于开发新的增值分子(化学品或运输燃料)。我们研究的一个动机源于这样一个事实,即使用无机酸的液相升级是一种具有成本效益的化学转化。在这个化学升级过程中,将质子(带正电的原子氢)添加到氧原子是核心步骤。分子中氧原子的质子化能决定了反应的热力学可行性和可能的化学反应途径。基于耦合簇理论的量子化学模型用于计算精确的热化学性质,如氧原子的质子化能和基于质子化的化学转化的可行性。然而,这种方法在计算上过于昂贵,无法探索大空间的化学转化。我们开发了一个图神经网络的方法来预测数百个双氧分子的氧原子质子化能,以预测水溶液中酸性反应的可行性。我们的方法依赖于一个迭代的本地非线性嵌入,逐渐导致全球的影响,遥远的原子和输出层,预测质子化能量。我们的方法适用于分子中单个氧原子的特定位点预测,而常用的图卷积网络则专注于单一分子性质预测。我们证明,我们的方法是有效的,在学习的位置和含氧分子的质子化能量的大小。
2019-09-18 cs.LG physics.chem-ph stat.ML