[论文阅读]Motif Prediction with Graph Neural Networks, KDD, August 14-18, 2022

最新推荐文章于 2023-09-04 23:09:09 发布
最新推荐文章于 2023-09-04 23:09:09 发布
阅读量1.1k 收藏 1
点赞数 1
分类专栏： motif 文章标签： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45631637/article/details/128123495
版权

图神经网络 motif预测 SEAM框架 链接预测 启发式方法
关键词由CSDN通过智能技术生成

[论文阅读]Motif Prediction with Graph Neural Networks, KDD, August 14-18, 2022

总体介绍

本篇发表在KDD’22, August 14-18, 2022 ，作者是来自苏黎世联邦理工学院(ETH Zurich)的Maciej Besta等人。

©2022 Copyright held by the owner/author(s). Publication rights licensed to ACM.
ACM ISBN 978-1-4503-9385-0/22/08. . . $15.00
https://doi.org/10.1145/3534678.3539343

链路预测问题是图挖掘的核心问题之一。最近研究强调了高阶网络分析(higher-order network analysis)的重要性，研究motif的复杂结构成为很重要的工作。现有的链路预测方案不能够很好的解决motif的预测问题，同时也为了提高准确性，所以本篇工作开发了一个基于GNN的motif预测框架。

本文的贡献如下：

(1) 识别并且公式化了对于motif预测问题的评分函数。

(2) 分别展示了如何用启发式的方法和GNN来解决motif的预测问题。

(3) 说明了GNN是比启发式方法更有效的。

准备工作

关于链接预测和图神经网络的介绍就不再赘述。这里主要介绍文中讲解的Motif预测的相关概念。

motif预测问题的建立

本篇工作定义待预测的motif为M = （Vm，Em），Vm是motif点集，Em是motif的边集，不管这条边在不在数据集里，可能已经存在，也可能不存在。

motif预测和链接预测的异同

（M）There May Be Many Potential New Motifs For a Fixed Vertex Set

就是说，链接预测是个二元问题，找的是不相连两点之间的一条链接。而motif预测的问题更复杂，因为有|Vm|个点，每两个点都有可能产生边，那么最多就有组合数C = C(|Vm|,2)条边，对于要预测的motif的选择

最低0.47元/天 解锁文章
余漱
关注
专栏目录
Graph Convolutional Neural Networks for Web-Scale Recommender Systems（用于Web级推荐系统的图形卷积神经网络）
weixin_41697507的博客
07-07 4199
Graph Convolutional Neural Networks for Web-Scale Recommender Systems 用于Web级推荐系统的图形卷积神经网络 ABSTRACT Recent advancements in deep neural networks for graph-structured data have led to state-of-the-art pe...
图神经网络论文阅读(十六) GraLSP: Graph Neural Networks with Local Structural Patterns,AAAI 2020
qq_36618444的博客
10-08 1626
本文作者来自香港科技大学、北大和北邮，其中包含宋国杰老师和石川老师，这两位都是国内研究图表示学习的翘楚了。之前读石川团队论文的时候自己犯傻发邮件问了一个比较弱智的问题，石川老师还是让学生耐心帮我解答了。 本文做了我一直想做的事情：GNN聚合邻居特征的时候同时考虑结构信息。有很多研究都是基于Motif（或者叫graphlet）进行的，比如High Order Network Representation，WWW2018，不过需要事先的人工定义，在前几年唐杰老师（比如StructInf: Mining Stru
Graph CNNs with Motif and Variable Temporal Block for Skeleton-based Action
02-07
Graph CNNs with Motif and Variable Temporal Block for Skeleton-based Action
motif 预测方法
07-19
介绍MEME的具体的使用方法，并举了一些列子，每一步都很清晰
预测 motif 的计算原理
BioIT爱好者
03-24 1279
本文章...
Molecular Representation Learning via Heterogeneous Motif Graph Neural Networks
qq_41200212的博客
04-29 449
研究分子图的特征表示学习问题。图神经网络在分子图的特征表示学习中有着广泛的应用。然而，现有的大多数方法都是单独处理分子图，而忽略了它们之间的连接，如基序级关系。为了解决这一问题，我们提出了一种新的分子图表示学习方法。特别地，我们构建了一个包含基序节点和分子节点的异构基序图。每个基序节点对应于从分子中提取的基序。然后，我们提出了一种异构基序图神经网络(HM-GNN)来学习异构基序图中每个节点的特征表示。我们的异构基序图也能够有效地进行多任务学习，特别是对于小分子数据集。
文献笔记|分子性质预测|Motif-based Graph Self-Supervised Learning for Molecular Property Prediction
最新发布
江城暮色
09-04 830
题目：基于模体的图自监督学习用于分子性质预测 来源：NeurIPS 2021 单位：中国科学技术大学。
论文笔记01 Sign prediction by motif naive bayes model in social networks
smile1always2的博客
07-07 304
论文笔记Sign prediction by motif naive bayes model in social networks主要工作1. 基于单子图贝叶斯模型２.基于双子图贝叶斯模型３.多子图的情况和子图间的关系４.总结 Sign prediction by motif naive bayes model in social networks 通过子图贝叶斯模型在社交网络中进行符号预测。 主要工作 本文，首先提出基于单子图贝叶斯模型预测边的类型（正或负），它考虑了子图的个数和节点的不同贡献。然后，随机
Explainability in Graph Neural Networks:A Taxonomic Survey
This is Yu SI's blog. Kenny(司宇SIYU)
05-21 1274
Explainability in Graph Neural Networks:A Taxonomic Survey Abstract 深度学习方法在许多人工智能任务中实现了不断提高的性能。深度模型的一个主要限制是它们不具有可解释性。这种限制可以通过开发事后技术来解释预测来规避，从而产生可解释的领域。近年来，深度模型在图像和文本上的可解释性研究取得了显著进展。在图数据领域，图神经网络(GNNs)及其可解释性正经历着快速的发展。然而，对GNN解释方法并没有统一的处理方法，也没有一个标准的评价基准和试验台。在
Motif-based Graph Self-Supervised Learning for Molecular Property Prediction
qq_41200212的博客
01-23 549
近年来，用数据驱动的方法预测分子性质引起了人们的广泛关注。特别是，图形神经网络（GNN）在各种分子生成和预测任务中表现出显著的成功。在标记数据稀缺的情况下，可以在未标记的分子数据上对GNN进行预训练，以便在针对特定任务进行微调之前首先学习一般的语义和结构信息。然而，大多数现有的GNN自我监督预训练框架只关注节点级或图级任务。这些方法无法捕获子图或图基序中的丰富信息。例如，官能团（分子图中经常出现的子图）通常携带关于分子性质的指示信息。为了弥补这一差距，我们提出了基于Motif的图自监督学习（MGSSL），通
MotifGNN：论文的官方代码实现基于Motif的图神经网络对在线约会的相互推荐
02-19
MotifGNN 作者 纸的官方代码实现 环境环境 Ubuntu 20.04 python == 3.6 显卡：RTX 2080 CUDA：10.1 数据库：Neo4j Python功能 pytorch==1.6.0 pandas neo4j sklearn numpy gensim tqdm 下载代码 由于隐私问题，我们仅公开ssjy数据集。 您可以在下载数据集并解压缩到“数据”文件夹。 数据预处理 将图加载到neo4j sudo neo4j-admin import --database=sjjy.db --nodes:User=data/sjjy_data/users.csv --relationships=data/sjjy_data/relations.csv --id-type=INTEGER 生成训练和测试数据 python3 data/prepare_dat
基于Seal演算的分布式系统安全模型.pdf
08-09
#资源达人分享计划#
【ICML-2022】HM-GNN：Molecular Representation Learning via Heterogeneous Motif Graph NeuralNetworks
MOL
02-15 1032
【ICML】Molecular Representation Learning via Heterogeneous Motif Graph NeuralNetworks
2021 年 10 月推荐阅读的10篇精选ML论文
deephub
10-02 4129
每个月都会有几千篇的论文在arXiv发布，我们不可能看完所有的文章，但是我们可以从中找到一些趋势： 大型语言模型不再与较小的模型在同一类别中竞争(如训练前+监督数据微调)。为什么?这已经没有意义了，因为每个人都知道，当更大的模型在SuperGLUE这样的监督基准上进行微调时会发生什么:它们只会变得更好。相反，我们看到这些模型正在探索一些以前不可行的问题，比如零样本/少样本和或多模态学习。 衡量标准和基准：我们如何量化我们关心的东西？为了使我们的进步更有意义，我们也需要不断地重新思考和创新。MNIST对于一
Python实现的图神经网络进行链接预测（link prediction）
毕业作品网站
01-15 5875
Guide Intro Model Dataset Install Cite Reference Intro 本项目是对此前项目gcn_for_prediction_of_protein_interactions 的改动，使其应用于链接预测（link prediction），可以应用于两种数据集：a.带节点特征；b.不带节点特征。 a.带节点特征数据集如【data/cora】 b.不带节点特征数据集如【data/yeast】 Model 模型 模型主要使用图神经网络，如gae、vgae等 1.GCN
干货！通过异构子图神经网络进行分子表示学习
AITIME_HY的博客
09-20 1264
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！余兆宁：爱荷华州立大学博士生，导师为Hongyang Gao教授，主要研究方向为图深度学习，可解释性分析。主页：https://zhaoningyu1996.github.io/图神经网络已广泛用于分子图的特征表示学习。然而，大多数现有方法单独处理分子图，忽略分子图之间的关联，例如通过共有子图（motif）建立的关系。针对这个问题， 我们...
图神经网络上的预训练模型，思考与总结
weixin_40920183的博客
03-30 1137
点击上方 蓝字关注我们本文转自人工智能前沿讲习@微信公众号作者：知乎—荷戟彷徨地址：https://www.zhihu.com/people/li-xun-huan-47-95目前，tra...
应用卷积神经网络CNN预测DNA-蛋白结合位点
热门推荐
jasonaidm的博客
09-19 1万+
深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。卷积神经网络是目前应用最为广泛之一的深度学习技术，它是一种含特征提取器(由卷积层和混合池层组成)的深度神经网络，该网络流行于计算机视觉领域。计算机视觉非常直观且好理解，机器学习领域对其关注已久。人类自身具备优秀的视觉处理能力，所以当设计的学习算法不及预期的时...
《Semi-Supervised Graph Classification: A Hierarchical Graph Perspective》阅读笔记
weixin_45285795的博客
06-11 1048
《Semi-Supervised Graph Classification: A Hierarchical Graph Perspective》前言一、介绍二、模型1.定义2.SAGE3.SEAL-CI4.SEAL-AI5.损失函数三、复杂度分析四、实验总结 前言 这篇论文对我来说有点难度，有些内容不是特别能理解。但是读都读了，不能白读，所以还是要做一下笔记。 论文地址：https://arxiv.org/pdf/1904.05003.pdf 一、介绍 这篇文章主要解决的是半监督的图分类问题(有标签的
motif prediction
08-19
Motif prediction（模体预测）是指预测DNA、RNA或蛋白质序列中的功能性序列模体。模体是一种具有特定序列或结构的短片段，在生物学中具有重要的功能和作用。 在生物信息学中，有几种常用的方法用于进行模体预测，...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值