Apr, 2022

Graph-in-Graph (GiG): 学习非欧几里德域的解释性潜在图，用于生物和医疗应用

PDF
TL;DR本文通过提出一种名为 GiG 的神经网络结构，并利用输入数据样本及其潜在关系的图表示，用于蛋白质分类和大脑成像应用。利用学习过程中 end-to-end 的参数化模型及潜在的连接结构，实现了在图样本内部以及跨样本的消息传递，并增加了度分布损失以帮助正则化预测的潜在关系结构。最后，所得到的潜在图能够表示患者群体模型或分子簇的网络，提供了在特定健康领域的解释性和知识发现价值。
graphshealthcareneural networklatent structureinterpretability
发现论文，激发创造
  • 图中图神经网络

    提出了第一个能够处理图样式数据的图神经网络（GIG Network），其中包含 GIG 样本，每个 GIG 顶点都包含一个图；此网络通过内部信息和顶点间的关系，利用图中的内部线索和顶点间的关系来下游任务，并在各类图分析任务和多图数据分析中取得了最新的性能结果。

    Jun, 2024

  • 图神经网络：方法和应用综述

    本文介绍了图神经网络（GNNs）的设计管道，详细讨论了其各个组成部分的变体，对其应用进行了系统分类，并提出了四个开放性问题供未来研究。

    Dec, 2018

  • 医学中的图形人工智能

    临床人工智能中的图表示学习，特别是通过图神经网络 (GNN)，以其捕捉结构化临床数据中复杂关系的能力而脱颖而出。图人工智能通过将模态作为通过它们的关系相互连接的节点整体地处理数据，从而促进了模型在临床任务之间的转移，使模型能够在没有额外参数或最小重新训练的情况下推广到患者群体。然而，人类中心设计和模型解释能力在临床决策中的重要性不容忽视。由于图人工智能模型通过定义在图关系上的局部神经变换捕捉信息，它们在阐明模型的合理性方面既带来机遇又带来挑战。知识图谱可以通过将模型驱动的见解与医学知识相结合来增强解释性。新兴的图模型通过预训练整合多种数据模态，促进互动反馈循环，促进人工智能和人类的合作，为临床意义的预测铺平了道路。

    Oct, 2023

  • 学习图的深度生成模型

    本文介绍了一种基于图神经网络的强大新方法，用于学习生成模型的过程中捕获图的结构和属性。实验证明，相较于不使用图结构表示的基线，我们的模型常常表现更好，是学习任意图的生成模型的第一个最通用的方法，为从矢量和序列式知识表示的限制中走向更具表现力和灵活性的关系型数据结构开辟了新方向。

    Mar, 2018

  • 深度图神经网络的系统综述：挑战、分类、架构、应用与生物信息学的潜在用途

    深度学习在图神经网络中的非欧几里得空间的生物信息学研究中具有潜在的优势，能够解决与生物相关的复杂图形问题。

    Nov, 2023

  • 用可解释的贝叶斯神经网络学习图结构

    从平滑信号观测中的贝叶斯神经网络推断出的图结构学习以及不确定性量化可应用于数据结构不确定性至关重要的中小规模应用。

    Jun, 2024

  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • 用于大规模图形生成的分层 GNN

    该研究提出了一种名为 HIGGS 的模型无关框架，使用具有条件生成能力的 GNN 模型以分辨率层次结构采样图来生成具有大规模且具有现实局部结构的图。

    Jun, 2023

  • 揭示图间的全球交互模式：走向可解释图神经网络

    该论文提出了一种名为全局交互模式学习 (Global Interactive Pattern learning) 的新颖内在可解释方案，它通过引入可学习的全局交互模式来明确解释决策，在图分类任务上具有显著的解释性和竞争性的性能。

    Jul, 2024

  • 通过图形互信息最大化进行图形表示学习

    本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。

    Feb, 2020