在最近的一次社区冲刺中,PyG 社区已经实施了一个核心可解释性框架(https://pytorch-geometric.readthedocs.io/en/latest/modules/explain.html#id4)以及各种评估方法、基准数据集和可视化,这使得在 PyG 中开始使用图机器学习解释变得非常容易。此外,如果您只想开箱即用地使用通用图形解释器(如 GNNExplainer [4] 或 P...
美团搜索与NLP团队在图神经网络的长期落地实践中,基于业务实际场景,自主设计研发了图神经网络框架Tulong,以及配套的图学习平台,提升了模型的规模和迭代效率。本文介绍了模型归纳抽象、基本框架、性能优化,以…
最近,新兴的图神经网络 (GNN) 通过在深度学习体系结构中传播近邻信息来解释卷积图中的节点关系。与用于scRNA-seq分析的其他自编码器通过重建自己的输入来揭示scRNA-seq数据的有效表示相比,图自编码器的独特功能在于能够学习图拓扑的低维表示并在整个图的全局视图中训练节点关系。 本文提出了一个多模态框架scGNN (单细...
其中,MPNN(Message Passing Neural Network)是图神经网络的一种通用框架,它通过消息传递的方式进行节点特征的更新和图结构的表示学习。一、MPNN消息传递神经网络的基本原理MPNN消息传递神经网络的基本思想是通过节点之间的消息传递来更新节点的特征表示。在每一步的消息传递过程中,节点会接收来自邻居节点的信息,并利用这些...
西南交通大学杨燕/江永全团队开发了一种新型的多尺度图神经网络框架MSGNN，来将化合物与代谢路径联系起来。它包括特征编码器、子图编码器和全局特征处理器三部分，分别学习了原子特征、子结构特征和额外的全局分子特征，这三个尺度的特征可赋予模型更全面的信息。该框架在 KEGG 代谢路径数据集上的表现优于现有方法，...
一方面,GNN直接根据所提取的图表示进行图分类,因此比Graph Kernel方法效率高得多。 2.4 一些符号表示: 3. GNN的分类和基本框架: 3.1 GNN的结构分类: 在本节中,我们将介绍图神经网络的分类,如下表所示: 这里将图神经网络(GNNs)分为递归图神经网络(RecGNNs)、卷积图神经网络(ConvGNNs)、图自编码器(GAEs)和时空图...
可见,不论是数据还是模型,「图」应该成为一个核心概念。 基于这些思考,我们开发了 Deep Graph Library(DGL),一款面向图神经网络以及图机器学习的全新框架。 在设计上,DGL 秉承三项原则: DGL 必须和目前的主流的深度学习框架(PyTorch、MXNet、TensorFlow 等)无缝衔接。从而实现从传统的 tensor 运算到图运算的自由转换...
又一个AI框架迎来升级。 这次,是纽约大学、亚马逊联手推出图神经网络框架DGL。 不仅全面上线了对异构图的支持,复现并开源了相关异构图神经网络的代码,在GCMC、RCGN等业内知名的模型实现上,取得更好效果。 还发布了训练知识图谱嵌入(Knowledge Graph Embedding)专用包DGL-KE,在许多经典的图嵌入模型上都获得了性能提升...
西南交通大学杨燕/江永全团队开发了一种新型的多尺度图神经网络框架MSGNN,来将化合物与代谢路径联系起来。它包括特征编码器、子图编码器和全局特征处理器三部分,分别学习了原子特征、子结构特征和额外的全局分子特征,这三个尺度的特征可赋予模型更全面的信息。
有的。图神经网络（GNNs）有一些专门的框架和库，最常用的有两个库：PyTorch Geometric (PyG) 和 Deep...