首先这是一种卷积神经网络。不过它的处理对象是图graph: . 是输入的特征矩阵 , 这里N 是节点的个数, 是每一个节点的特征向量。 一个 的矩阵表示了图的结构, 就像是图的一个关联矩阵 A。 我们知道在常见的卷积神经网络中,通过训练每一层的卷积核,来获得feature map. 那么图网络的每一层是什么样的呢? 图...
在文中,作者探索了一种可替代的方法,在包含2897个蛋白300k个结构的Rosetta-300k数据集上训练图卷积网络,结果表明该网络—ProteinGCN,在局部和全局蛋白质模型预测中都达到了最好的精度水平。此外,与3D卷积网络相比,ProteinGCN中的参数数量几乎少了1-2个数量级。 1 介绍 尽管研究者最近在GASP13实验中已经取得了一定的...
5,154,347.2 154,263,392.9 263,56,440.8 56,96,374.6 96,42,378.1 42,58,364.6 58,95,476.8 95,72,480.1 72,271,419.5 271,68,251.1 134,107,344.0 107,130,862.1 130,129,482.5 227,167,1425.7 167,298,415.7 298,209,425.5 209,146,519.6 146,170,494.7 170,173,400.7 173,117,372.4 117,0,...
总之,我们提出了一种新的深度学习结构,时空图卷积网络,用于交通预测任务。该体系结构由多个时空卷积块组成,时空卷积块由图卷积层和卷积序列学习层组合而成(参考论文Convolutional neural networks on graphs with fast localized spectral filtering),对时空依赖关系进行建模。据我们所知,这是第一次使用图卷积神经网络结构...
为了融合时空域的特征,构造了时空卷积块(ST-Conv块)联合处理图结构时间序列。块本身可以根据特定情况的规模和复杂性进行堆叠或扩展。 如图2 (mid)所示,中间的空间层是连接两个时间层的桥梁,通过时间卷积可以实现图卷积到时间卷积的快速时空传播。“三明治”结构还帮助网络充分应用bottleneck策略(即两头大中间小,两边是...
循环和卷积结构在时间序列预测中取得了巨大的成功。该领域中有趣的方法是通过采用最初在NLP中本地的Transformers和Attention架构。图结构的使用似乎不常见,在图结构中,我们有一个由不同节点组成的网络,这些节点之间通过某种链接相互关联。我们尝试做的是使用时间序列的图形表示来产生未来的预测。
我们使用最基本的一个,图卷积GCN。它在可学习的权值、外部节点特征(与邻近矩阵一起提供)和我们的相关矩阵之间进行一系列卷积运算。目前Spektral不支持Window。 def get_model(): opt = Adam(lr=0.001) inp_seq = Input((sequence_length, 10)) inp_lap = Input((10, 10)) inp_feat = Input((10, X_...
GCN是一种基于图结构数据的深度学习方法，其具有处理稀疏数据和利用节点之间关系的优势。以下是使用GCN进行蛋白质结构预测的一般步骤：2.1蛋白质表示：将蛋白质序列转化为图结构数据表示，其中蛋白质的氨基酸作为图的节点，而它们之间的相互作用则构成了边。2.2图表示学习：使用GCN模型学习蛋白质图的特征表示。GCN通过...
蛋白质二级结构预测 简介: 基于蛋白质残基统计信息(一肽频数和二肽频数)、物化属性(亲疏水性倾向)、进化信息(特异位置得分矩阵)进行特征表示,使用支持向量机算法构建蛋白质二级结构预测模型。 一、背景 1、蛋白质 (1)蛋白质组成 蛋白质由氨基酸组成。氨基酸序所包含的基本信息为组成蛋白质的氨基酸种类和氨基酸的...
://github.com/danielegrattarola/keras-gat一、论文动机GCN将局部的图结构和节点特征结合在节点分类任务中获得好的表现。但GCN及其近似模型有两点不足:一是结合邻近节点特征的方式和图结构相关,限制模型泛化能力;二是给同阶邻域不同结点分配相同权重,限制模型捕捉空间信息相关性能力。本文提出GAT网络,使用masked self-...