关键词graph neural networks (gnns)
搜索结果 - 13
- 文本属性图上的纯 Transformer 预训练框架
图序列预训练框架 GSPT 利用统一的文本表示,在图领域中取得了显著的可转移性和实证成功。
- 设备边缘协同推理系统上的图神经网络自动设计和部署
GCoDE 是第一个自动化的图神经网络(GNN)框架,它在设备边缘层次结构上创新地共同设计了架构搜索和每个操作的映射,通过性能意识的方法实现了在多样化的异构系统中的架构效率的有效评估,实验结果表明,与现有方法相比,在各种应用和系统配置中,G - SSHPool:基于分离子图的分层池化
通过本研究,我们提出了一种名为 Separated Subgraph-based Hierarchical Pooling (SSHPool) 的新型局部图池化方法,通过分配样本图中的节点到不同聚类中从而得到一组分离的子图,然后利用局部图卷 - FlowCyt: 深度学习方法在流式细胞术多类分类中的比较研究
该研究提出了 FlowCyt,这是第一个针对流式细胞术数据进行多类单细胞分类的综合性基准。使用骨髓样本来对每个细胞的十二个标记进行表征,并通过监督感应学习和半监督传导学习在每个患者中最多使用 100 万个细胞进行实验。通过 Gaussian - 关于微分方程启发的图神经网络的时域
本文提出了一种名为 TDE-GNN 的模型,它可以捕捉超过典型的一阶或二阶方法的各种时间动力学,并提供了现有时间模型难以处理的用例。通过在几个图形基准上学习时间依赖性,我们证明了使用我们的方法学习时间依赖性而不是使用预定义时间动态的好处。
- 用于表面活性剂多特性预测的图神经网络
通过创建含有 429 种分子的最大的 CMC 数据库和含有 164 种分子的第一个大型表面过剩浓度 ($\Gamma$$_{m}$) 数据集,我们发展了 GNN 模型来预测 CMC 和 $\Gamma$$_{m}$,通过尝试单任务和多任务学 - GNNBleed:利用真实访问 GNN 模型揭示图中的私有边缘
该论文研究了对抗者拥有黑盒图神经网络模型访问权限的情景下的边缘隐私,通过分析与节点相连的节点的输出来推断节点之间的联系,揭示了即使在具有访问控制机制的系统中,一个适应性对手仍然可以破译节点之间的私密连接,从而揭示潜在敏感关系并损害图的机密性 - 紧凑而强大:利用图神经网络和边缘卷积进行医学图像分类
我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型,利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色,并与现有的深度神经网 - 分子形态对比预训练用于可转移分子表示
本研究提出了 MoCoP 框架来学习分子图和细胞形态的多模态表示,并将其应用于 QSAR 模型以提高其性能。实验结果表明将细胞形态与分子图相融合能显著提高 QSAR 模型的性能。
- ICML基于连接组学的大脑疾病分析可解释化图神经网络
该研究提出了一个可解释性的框架,用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器,该生成器突出了特定于疾病的生物标记物。实验证明,该框架可以获得出色的性能并识别有意义的生物标记物。
- 深度图模型的忠实解释
本文研究了图神经网络(GNNs)的可信解释,并提供一种全新的通用方法来形式化描述 GNNs 的可信解释,包括特征归因和子图解释。作者提出的 KEC 方法从图的结构和其 k 次幂得到信息,可以最大程度地提高生成解释的准确性以及说明原始 GNN - RelEx: 一个与模型无关的关系模型解释器
本文提出了一种模型无关的关系解释器 RelEx,它可以解释黑盒关系模型,包括 SRL 模型和 GNNs 等,其表现可以媲美或超过 GNN-Explainer 以及 iid 解释模型的关系扩展,只需访问黑盒的输出。
- 图神经网络综述
该论文综述了图神经网络在数据挖掘和机器学习领域的广泛应用,提出了四种图神经网络的分类,并讨论了在各个领域中的应用以及图神经网络的开放源代码、基准数据集和模型评估,并提出了该领域的潜在研究方向。