PanRep：用于异构图中提取通用节点嵌入的图神经网络
机器学习
2021-03-05 v2 机器学习
摘要
学习无监督节点嵌入有助于若干下游任务，如节点分类和链接预测。若节点嵌入旨在被多种下游任务使用并从中受益，则称其为通用的。本文提出一种图神经网络（GNN）模型 PanRep，用于异构图上通用节点表示的无监督学习。PanRep 由一个获取节点嵌入的 GNN 编码器和四个解码器组成，每个解码器捕捉不同的拓扑与节点特征属性。遵循这些属性，该新颖无监督框架学习可应用于不同下游任务的通用嵌入。PanRep 可进一步微调以应对可能的少量标签。在此操作设定下，PanRep 被视为用于提取异构图数据节点嵌入的预训练模型。在节点分类和链接预测中，PanRep 优于所有无监督方法及某些监督方法，尤其在监督方法标签数据较少时。PanRep-FT（带微调）优于所有其他监督方法，印证了预训练模型的价值。最后，我们将 PanRep-FT 应用于发现用于 Covid-19 的新型药物。我们展示了通用嵌入在药物重定位中的优势，并识别出几种临床试验中使用的药物作为可能的候选药物。
引用
@article{arxiv.2007.10445,
title = {PanRep: Graph neural networks for extracting universal node embeddings in heterogeneous graphs},
author = {Vassilis N. Ioannidis and Da Zheng and George Karypis},
journal= {arXiv preprint arXiv:2007.10445},
year = {2021}
}