2023年CCS会议上的论文:
【ProvG-Searcher: A Graph Representation Learning Approach for Efficient Provenance Graph Search】
参数选择模型:顺序嵌入模型 or baseline方法MLP
- OderEmbedder:图嵌入和线性层
- 图嵌入模型
- SkipGNN模型
这篇论文提出了SkipGNN,一种用于预测分子相互作用的图神经网络方法。SkipGNN不仅通过聚合来自直接相互作用的信息,而且通过聚合来自二阶相互作用的信息来预测分子相互作用,我们称之为跳跃相似性。与现有的GNN相比,SkipGNN接收来自交互网络中的双跳邻居和近邻的神经信息,并对消息进行非线性转换,以获得有用的预测信息。为了将跳过相似性注入 GNN,我们构建了原始网络的修改版本,称为跳过图。然后,我们开发了一种迭代融合方案,该方案使用跳过图和原始图来优化GNN。
在药物-药物、药物-靶点、蛋白质-蛋白质和基因-疾病相互作用等四种相互作用网络上的实验表明,SkipGNN具有卓越而稳健的性能。SkipGNN学习具有生物学意义的嵌入,并且在嘈杂,不完整的交互网络上表现特别好。
2. SAGE模型
3. GIN模型
4. ConvEdgeType模型
- 线性模型 clf_model
一维转为两维的线性层,用于argmax输出分类结果(匹配 or 不匹配)