用于改进图神经网络训练的自监督边特征
图像与视频处理
2020-07-10 v1 机器学习
基因组学
机器学习
摘要
图神经网络 (GNN) 已被广泛用于从图结构数据中提取有意义的表示并执行节点分类和链接预测等预测任务。近年来，已有大量工作将边特征与节点特征结合用于预测任务。使用边特征的主要困难之一在于它们通常是手工制作的、难以获取、特定于某一领域，并且可能包含冗余信息。在这项工作中，我们提出了一种通过自监督与无监督学习相结合来创建适用于任何领域的新边特征的框架。此外，我们使用 Forman-Ricci 曲率作为额外的边特征以封装图的局部几何结构。然后我们通过 Set Transformer 对边特征进行编码，并将其与从流行 GNN 架构中提取的节点特征结合，以端到端训练方案进行节点分类。我们在三个生物数据集上验证了我们的工作，这些数据集包含神经系统疾病的单细胞 RNA 测序数据、\textit{体外} SARS-CoV-2 感染以及人类 COVID-19 患者数据。我们证明，相较于基线图注意力网络 (GAT) 和图卷积网络 (GCN) 模型，我们的方法在节点分类任务上取得了更好的性能。此外，鉴于对边和节点特征的注意力机制，我们能够解释决定 COVID-19 进程和严重程度的细胞类型与基因，从而为不断增长的潜在疾病生物标志物和治疗靶点列表做出贡献。
引用
@article{arxiv.2007.04777,
title = {Self-supervised edge features for improved Graph Neural Network training},
author = {Arijit Sehanobish and Neal G. Ravindra and David van Dijk},
journal= {arXiv preprint arXiv:2007.04777},
year = {2020}
}
备注
Comments welcome. arXiv admin note: substantial text overlap with arXiv:2006.12971