关键词message passing neural network
搜索结果 - 10
- 从小数据集进行分子属性预测的迁移学习
通过使用小样本数据集进行基于机器学习方法的分子属性预测,研究发现使用消息传递神经网络(PaiNN)以及 SOAP 分子描述符与梯度提升回归树方法相结合的简单分子描述符能够获得最佳预测结果。进一步提出了一种使用大样本数据进行预训练,并在原始数 - 多视角自监督学习用于多变量多通道时间序列
通过在多通道生物医学时间序列数据上进行自我监督对比学习,使用消息传递神经网络提取跨通道的单一表示,并结合 TS2Vec 损失函数,我们的方法在大多数设置中优于其他方法。
- 图形神经网络的图形重写
本文提出将图重写作为研究和比较图神经网络的形式模型,并将 GNN 表示为图重写系统,探讨其架构和算法。作者开发了一个基于 Groove 图重写模型的案例研究,用于模拟消息传递神经网络,并探讨其对动态更新的增量操作。
- 边缘定向性改善异质性图上的学习
本文提出了 Directed Graph Neural Network (Dir-GNN) 模型,用于在定向图上进行深度学习,将 incoming 和 outgoing edges 进行独立聚合,以利用方向性信息来增强图的同质性。比较了多种 - 2D 图形分析 3D 分子几何
该论文通过提出一种基于消息传递神经网络的深度学习框架,实现从分子结构图计算分子的 3D 几何结构。实验结果表明,该方法比 RDKit 和其他深度学习方法更准确地预测了分子的 3D 几何结构,并在性质预测任务中表现出良好的性能,同时提供了一个 - 神经公共邻居与补全用于链接预测
本文提出使用可学习的成对表示的神经公共邻居算法(Neural Common Neighbor, NCN)来解决关联预测任务中存在的成对关系问题。此外,为了解决网络不完整问题,也提出了两种干预方法(common neighbor comple - AAAI关系感知传递神经网络实现无偏异构场景图生成
本文提出了一种无偏差的异构场景图生成(HetSGG)框架,它使用信息传递神经网络捕捉基于谓词类型的上下文信息,包括复杂的对象间相互作用,并且通过关系感知信息传递神经网络(RMP)实现。我们的广泛评估表明,HetSGG 优于最先进的方法,在尾 - KerGNNs: 基于图核的可解释图神经网络
本文提出了一种新的 GNN 框架,称为 “核图神经网络”,将图核函数集成到 GNN 的消息传递过程中,通过卷积滤波器使用可训练图作为图过滤器与子图相结合来更新节点嵌入,并显示 MPNN 可以视为 KerGNN 的特殊情况,该方法在多个图相关 - 利用消息传递神经网络集合进行分子属性预测的校准不确定性
本文提出了一种通过考虑统一的不确定性来源并在新数据上重新校准预测分布的信息传递神经网络,能够使神经网络准确预测分子的形成能,并且提供可靠的不确定性估计。
- 利用单位监督学习 SAT 求解器
NeuroSAT 是一种信息传递神经网络,通过分类器训练来预测可满足性,在解决图着色、团检测、支配集和顶点覆盖等问题上具有较好的泛化性能。