基于 Wasserstein 对抗自编码器的知识图谱嵌入的药物-药物相互作用预测
机器学习
2020-10-19 v2 计算机与社会
机器学习
摘要
药物之间的相互作用可引发意外的不良事件。获取关于药物-药物相互作用（DDI）更丰富且更全面的信息是公共卫生与药物开发中的关键任务之一。近来，若干知识图谱嵌入方法因能将药物与相互作用投影至低维特征空间以预测链接并分类三元组，在 DDI 领域受到日益关注。然而，现有方法仅采用均匀随机模式构造负样本。结果，这些样本往往过于简单，不足以训练出有效模型。本文中，我们提出一种新的知识图谱嵌入框架，引入基于 Wasserstein 距离与 Gumbel-Softmax 松弛的对抗自编码器（AAE）用于药物-药物相互作用任务。在我们的框架中，自编码器用于生成高质量负样本，且自编码器的隐藏向量被视为合理的候选药物。之后，判别器基于正三元组与负三元组学习药物与相互作用的嵌入。同时，为解决离散表示上的梯度消失问题——传统生成模型固有的缺陷——我们利用 Gumbel-Softmax 松弛与 Wasserstein 距离稳定训练嵌入模型。我们在链接预测与 DDI 分类两项任务上实证评估了我们的方法。实验结果表明，我们的框架可取得显著改进，并明显优于竞争基线。
引用
@article{arxiv.2004.07341,
title = {Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings},
author = {Yuanfei Dai and Chenhao Guo and Wenzhong Guo and Carsten Eickhoff},
journal= {arXiv preprint arXiv:2004.07341},
year = {2020}
}