图神经网络中的信息流：一个临床分诊用例
机器学习
2023-09-13 v1
摘要
图神经网络(GNNs)因能够处理多模态和多关系图，在医疗健康及其他领域日益流行。然而，GNNs的高效训练仍具挑战性，存在若干开放研究问题。本文研究GNNs中嵌入信息的流动如何影响知识图(KGs)中链接的预测。具体而言，我们提出一种数学模型，将GNN的连接性与图数据的连接性解耦，并在临床分诊用例中评估GNNs的性能。我们的结果表明，将领域知识引入GNN连接性比使用与KG相同的连接性或允许无约束嵌入传播具有更好的性能。此外，我们展示了负边在获得良好预测方面起关键作用，且使用过多GNN层会降低性能。
引用
@article{arxiv.2309.06081,
title = {Information Flow in Graph Neural Networks: A Clinical Triage Use Case},
author = {Víctor Valls and Mykhaylo Zayats and Alessandra Pascale},
journal= {arXiv preprint arXiv:2309.06081},
year = {2023}
}