基因途经学习的产品流形表征

Jan, 2024

Product Manifold Representations for Learning on Biological Pathways

Daniel McNeela, Frederic Sala, Anthony Gitter

TL;DR通过将途径图嵌入非欧几里得的混合曲率空间中，我们研究了它对生物领域中的基础图谱嵌入的影响，与传统的欧几里得图谱学习模型进行了比较，并利用学到的节点嵌入训练了一个监督模型，用于在途径图中预测缺失的蛋白质相互作用。我们发现，使用混合曲率嵌入和相应的图神经网络模型可以显著减小失真，并提高在分布内边缘预测性能，但在分布外边缘预测性能上不及现有基准模型，这表明这些嵌入可能会过拟合训练图的拓扑结构。

Abstract

machine learning models that embed graphs in non-euclidean spaces have shown substantial benefits in a variety of contexts, but their application has not been studied extensively in the biological domain, particu

machine learning pathway graphs non-euclidean spaces embedding graph neural network models

发现论文，激发创造

伪里曼流形中的有向图嵌入

本文提出了一种新的嵌入模型，用于表示有向图，并通过将模型应用于语言应用和生物领域中的一系列实际案例，旨在展示该模型的重构能力和预测链接的能力。使用低维度圆柱形闵可夫斯基和反德西时空比高维曲面黎曼流形表现更优。

Jun, 2021

计算可行的黎曼流形用于图嵌入

本研究探索了在借助矩阵流形学习和优化图嵌入的情况下，如何在曲线里曼尼流形中提高图像嵌入的表现。我们的实验结果证明，在各种衡量不同图形属性的指标基础上，我们通常优于基于超球体和椭球嵌入的欧几里得嵌入，从而为非欧几里得句子嵌入在机器学习流水线中的优势提供了新的证据。

Feb, 2020

利用加权混合曲率积流形改进异质图学习

本研究通过加权产品流形的数据驱动方法，可以更准确地表示异构图的结构，并从输入数据中学习出更好的图表示，以在多个下游任务中获得更好的性能。

Jul, 2023

超几何空间中图的神经嵌入

通过在超宇宙中学习神经嵌入，可以在图结构数据中提高特征表达的性能，我们的实验证明了在自然几何形态下嵌入图可以显著提高多个实际数据集的性能。

May, 2017

将异构网络嵌入双曲空间中，无需元路径

该论文提出了一种新颖的自我引导随机游走方法，将异构网络嵌入到双曲空间中进行嵌入，无需使用领域特定的先验知识进行元路径选择，实验证明该方法在网络重建和连接预测方面表现优异。

Jun, 2021

利用积流形进行潜在图推断

本文提出一种基于 Riemannian geometry 和 product manifolds 的可微分图模块，用于推断连接数据的复杂潜在图结构。该方法不仅可以动态地学习数据的内在结构，还可以在性能上对现有方法进行改进并成功地在各种数据集上进行了测试。

Nov, 2022

蛋白质图形的神经嵌入

本文提出了一种利用图神经网络和自然语言大模型生成结构和序列感知型蛋白质表示的新框架，并将其与传统的基于结构对齐的方法相比较，证明了该方法在比较蛋白质结构和蛋白质结构分类任务中的优越性能。

Jun, 2023

从一点到多维空间：知识图谱嵌入以精确预测链接

提出了一种基于流形的嵌入原则（ManifoldE）来解决知识图谱嵌入方法中面临的代数系统不适定和几何形式过于严格的问题，该方法显著提高了精确预测任务的性能并保持高效。

Dec, 2015

曲率聚焦：用于图形表示学习的混合曲率 Transformer

我们提出了一种基于全曲率空间的完全产品百叶窗变换器，结合了 tokenized 图变压器，通过端到端的方式学习适合输入图的曲率，以及一种核化的非欧几里得注意方法，实现了线性时间和内存成本与节点和边的数量成线性关系的模型在非欧几里得域的功能扩展。实验结果表明将变形器推广到非欧几里得域的好处。

Sep, 2023

通过低秩非对称投影学习边缘表示

本文提出了一种新的无向图嵌入方法，通过建模节点的连边函数，并结合从随机游走中抽样的信息，对图的联通结构进行表达，从而提高了学到的嵌入空间的表现和空间效率。该方法在社交网络、蛋白质相互作用等数据集上均取得了较好的表现。

May, 2017