关键词graph neural network models
搜索结果 - 8
- 基于图神经网络的可扩展房产估值模型
通过有效的图依赖表示来丰富现有的基于深度学习的自动估值模型，并开发了两种新颖的图神经网络模型，有效地识别具有相似特征的相邻房屋序列，通过不同的消息传递算法实现。实验证明，使用定制的图神经网络显著提高了房价预测的准确性，特别是在利用变压器卷积 - 基因途经学习的产品流形表征
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 - Edge2Node: 将边预测减少为节点分类
本文介绍了一种称为 E2N（Edge2Node）的新方法，通过在图 G 的基础上创建新图 H，将边预测任务降低为 H 上的节点分类任务，从而直接获得每个边的嵌入，无需使用评分函数，该方法在任何边预测任务中都具有出色的性能和较低的计算成本。
- 药物相互作用预测中深度学习与图学习的综合评估
本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。
- 异质半监督学习的置换等变图框架
本文提出了 Haar-type graph framelets 及其相关的神经网络模型 PEGFAN，适用于在异质图上进行多尺度特征提取与深度学习任务，并通过实验验证其在大多数异质图数据集上表现良好。
- 应用于分子性质预测的图神经网络上的多任务学习
提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。
- Alchemy：用于基准测试人工智能模型的量子化学数据集
介绍一种用于发展化学和材料科学机器学习模型的新的分子数据集 Alchemy，其包含 119487 种有机分子的 12 种量子力学性质，扩大了现有分子数据集的数量和多样性，使用图神经网络模型在 Alchemy 上进行的广泛基准测试清晰展示了新 - PDP: 一个通用的神经网络框架，用于学习约束满足求解器
本论文提出了一种基于图神经网络的通用框架，可用于以完全无监督的方式通过能量最小化解决 CSP 问题，并通过在图模型中传播、减少和预测的方法学习搜索策略，从而比现有的神经网络和基线模型更有效地解决 SAT 问题。