深度图神经网络系统性综述：挑战、分类、架构、应用及在生物信息学中的潜在效用
机器学习
2023-11-07 v1 人工智能
定量方法
摘要
近年来，从图像处理与音视频分析到自然语言理解的机器学习任务已被深度学习所变革。所有这些场景中的数据内容均通过欧氏空间表达。然而，大量应用数据以非欧氏空间结构化为图的形式表达，例如处理复杂的交互与对象相互依赖关系。建模物理系统、学习分子特征、识别蛋白质相互作用及预测疾病都涉及利用能从图数据适应的模型。图神经网络（GNNs）被指定为人工神经网络模型，通过图节点间的消息传输来表示图依赖关系，主要用于非欧氏域。GNN的变体如图循环网络（GRN）、图自编码器（GAE）、图卷积网络（GCN）、图对抗方法与图强化学习，由于生物网络数据的快速积累，近年来在广泛任务上展现出突破性成效，尤其在生物信息学领域。除呈现所有现有GNN模型外，本综述重点对所有类型GNN变体的数学模型分析与比较。我们调研了图神经网络在各领域特别是生物信息学中的潜在实际应用。此外，包含了用于评估图神经网络模型及获取开源代码与基准数据集的资源。最后，我们为该快速发展领域提供了七项未来研究建议。GNNs有潜力成为解决生物信息学研究中广泛生物挑战的优异工具，因其最佳表示为相连的复杂图。
引用
@article{arxiv.2311.02127,
title = {A Systematic Review of Deep Graph Neural Networks: Challenges, Classification, Architectures, Applications & Potential Utility in Bioinformatics},
author = {Adil Mudasir Malla and Asif Ali Banka},
journal= {arXiv preprint arXiv:2311.02127},
year = {2023}
}
备注
39 pages, 13 figures, 21 tables